简介这份资源是一套基于MATLAB的GFF导向滤波器图像融合仿真工程适合正在学习图像处理、多源图像融合或MATLAB算法实现的高校学生与科研人员。包内实现完整包含GFF.m、guidedfilter.m、boxfilter.m等核心脚本以及多组源图像与融合结果TIF图共40个文件约27.98MB。导向滤波器利用局部线性模型在平滑同时保持边缘常用于去噪、细节增强与多图融合资源通过实际数据展示了加权融合规则与参数调节效果。已有456人学习文件结构清晰代码与图像分离便于按步骤读取、运行和验证。通过学习此工程可以掌握导向滤波原理的编程落地、相似度矩阵计算与权重求解方法同时借助lena、zebra、comic等样例输出直观观察不同参数对融合质量的影响适合对照源码加深理解也可作为进一步开展图像融合研究的基础模板。1. 当拉普拉斯金字塔不再是默认选项拉普拉斯金字塔统治多尺度融合将近三十年但在多聚焦和红外与可见光图像融合这类任务里它有个绕不开的问题融合边界一旦跨越金字塔层级的整数倍伪影就会沿着边缘成片出现。GFFGuided Filter Fusion换了一条路——不做尺度分解直接把显著性权重图交给导向滤波器去细化用边缘保持的平滑替代多尺度的重构。复杂度稳定在 O(N)与滤波窗口半径无关MATLAB 里处理上百万像素的测试图也很轻松。这个压缩包里带 zebra、comic、lena 三组典型图像对正好能从条纹、卡通边缘和自然人像三个角度检验算法的边界行为。适合正在做图像融合复现、对比实验或者想搞懂积分图加速滤波的人。2. GFF 的线性模型与 boxfilter 积分图实现2.1 导向滤波的核心假设局部窗口内的线性变换导向滤波与双边滤波最大的区别在于它引入了引导图 I 和输入图 p 的分离。输出 q 被约束为引导图 I 在局部窗口 w_k 内的仿射变换q_i a_k * I_i b_k对任意 i ∈ w_k其中 a_k、b_k 是窗口 w_k 内的恒定系数。求解这两个系数就是最小化观测 p 与输出 q 在窗口内的重构误差并加上正则化项防止 a_k 过大E(a_k, b_k) Σ_{i∈w_k} [ (a_k * I_i b_k - p_i)^2 ε * a_k^2 ]这是带岭回归的最小二乘问题。令偏导为 0得到a_k ( (1/|w|) * Σ_{i∈w_k} I_i*p_i - μ_k * p̄_k ) / ( σ_k^2 ε ) b_k p̄_k - a_k * μ_k其中 μ_k、σ_k^2 是引导图 I 在窗口 w_k 内的均值与方差p̄_k 是 p 在窗口内的均值。因为一个像素 i 被多个窗口覆盖最终输出要取所有覆盖窗口的 a_k、b_k 的均值q_i ā_i * I_i b̄_i这里有一个容易忽略的边界条件引导图 I 和输入 p 不必是同一幅图。这正是 GFF 用于图像融合的关键——用源图像的梯度结构作为引导去细化另一幅图或权重图的空间分布边缘位置通过 I 的方差 σ_k^2 来感知方差大的地方 a_k 接近 1边缘被完整保留方差平坦的区域 a_k 趋近 0退化成一个局部均值滤波器。2.2 boxfilter 的积分图加速原理导向滤波的计算瓶颈在窗口内均值和方差。直接滑窗求均值复杂度是 O(N·r^2)窗口半径 r 一变大就不可用。boxfilter 通过积分图把任意矩形窗口的求和变成 O(1) 操作。这份压缩包里的 boxfilter.m 实现了一个典型的积分图风格 box filterfunction imDst boxfilter(imSrc, r) % BOXFILTER 对 imSrc 做半径为 r 的滑动窗口求和 % 输出尺寸与输入一致边界做重复填充 (replicate) [hei, wid] size(imSrc); imDst zeros(size(imSrc)); % 累积和 —— 对每一列做行方向的累加 imCum cumsum(imSrc, 1); % 下边界的窗口和 下侧累积和 - 上侧累积和扣除窗口外的部分 imDst(1:r1, :) imCum(1r:2*r1, :); imDst(r2:hei-r, :) imCum(2*r1:hei-1, :) - imCum(1:hei-2*r-1, :); imDst(hei-r1:hei, :) repmat(imCum(hei, :), r, 1) - imCum(hei-2*r:hei-r-1, :); % 再对每一行做列方向的累加得到二维窗口和 imCum cumsum(imDst, 2); imDst(:, 1:r1) imCum(:, 1r:2*r1); imDst(:, r2:wid-r) imCum(:, 2*r1:wid-1) - imCum(:, 1:wid-2*r-1); imDst(:, wid-r1:wid) repmat(imCum(:, wid), 1, r) - imCum(:, wid-2*r:wid-r-1); end整个函数只有两次 cumsum 和若干次矩阵切片没有任何 for 循环。第一遍按行累加第二遍按列累加两次差分后每个像素拿到的就是它周围 (2r1)×(2r1) 邻域的和。边界用 repmat 扩展等效于 MATLAB 图像处理里常见的 replicate 填充策略。需要注意的是cumsum 输出是 double单精度图像直接传入时 MATLAB 不会报错但大图超过 2000×2000时 double 累积和可能出现浮点精度扰动轻微到肉眼不可见但如果你对比数值结果建议先用 im2double 归一化再做。2.3 guidedfilter.m 的调用约定与参数边界包里的 guidedfilter.m 是导向滤波的主函数核心实现如下function q guidedfilter(I, p, r, eps) % I: 引导图 (double, [0,1]) % p: 输入图 (double, [0,1])可以是权重图或待平滑图像 % r: 窗口半径通常取 2, 4, 8 % eps: 正则化系数控制边缘保持的敏感度 [hei, wid] size(I); N boxfilter(ones(hei, wid), r); % 窗口内像素个数 mean_I boxfilter(I, r) ./ N; mean_p boxfilter(p, r) ./ N; corr_I boxfilter(I .* I, r) ./ N; corr_Ip boxfilter(I .* p, r) ./ N; var_I corr_I - mean_I .* mean_I; cov_Ip corr_Ip - mean_I .* mean_p; a cov_Ip ./ (var_I eps); b mean_p - a .* mean_I; mean_a boxfilter(a, r) ./ N; mean_b boxfilter(b, r) ./ N; q mean_a .* I mean_b; end参数 r 控制局部窗口大小决定权重图的空间平滑范围eps 是正则项控制边缘保持强度。eps 越大a_k 被压得越小滤波结果越接近普通均值滤波eps 越小边缘越锐利但权重图中的孤立噪点也更容易被保留。一般设置 eps 0.1^2 或 0.2^2而不是直接用 0.1、0.2——因为 a_k 的分母是方差 σ_k^2方差本身是像素值平方量级图像归一化到 [0,1] 后典型方差在 0.010.1 之间eps 取 0.010.04 才有区分度。一个常见误用是把 I 和 p 都传成同一幅灰度图。这样 GFF 退化为边缘保持的平滑器对图像融合本身没有意义。GFF 的用法是p 传显著性权重图I 传源图像或其灰度版本让滤波结果同时拥有源图像的边缘结构和权重图的显著性分布。3. 仿真包的文件结构与脚本分工3.1 load_images.m 与测试图像对的命名规律解压后目录里最容易被忽略的是 load_images.m。它做的事情是从 sourceimages 文件夹批量读取图像对而不是手动 imread。常见的实现是正则匹配前缀一致的文件function [imgA, imgB, names] load_images(imgdir, pattern) % imgdir: 图像文件夹路径 % pattern: 文件名前缀如 zebra、comic、lena d dir(fullfile(imgdir, [pattern, *.tif])); names {d.name}; % 按文件名排序确保 A/B 顺序稳定 [~, idx] sort(names); d d(idx); imgA im2double(imread(fullfile(imgdir, d(1).name))); imgB im2double(imread(fullfile(imgdir, d(2).name))); end注意这里用 im2double 而不是 double因为很多 tif 是 8-bit 或 16-bit 存储直接 double 读出来取值范围不是 [0,1]会让 eps 参数失去可读性。3.2 GFF.m 与 Script.m 的职责边界这个包的设计沿用了典型的「主脚本 核心函数」分离结构。Script.m 是调度者负责三个事情设置全局参数r、eps、遍历图像对、收集融合结果写入 results 目录。GFF.m 是算法本体输入两幅源图和参数输出融合图。文件清单对应的职责如下文件类型职责Script.m主脚本参数配置、循环调用、结果保存GFF.m算法函数权重图生成 导向滤波细化 加权合成guidedfilter.m底层函数导向滤波核心计算boxfilter.m底层函数积分图快速窗口求和load_images.m工具函数批量读取图像对sourceimages/数据目录alpha、beta_1、lena、zebra、comic 等源图results/输出目录*_gff.tif 融合结果有个命名上的坑值得提醒alpha、beta_1 这两个名字在项目里不是算法参数而是两组测试图像的前缀。第一次跑通代码时我一度以为它们是权重系数翻脚本才发现它们是 sourceimages 里的实际图像文件。你在看包内容时不要被误导。3.3 复现运行的完整步骤由于代码基于脚本组织运行非常简单cd 4GFF导向滤波器的图像融合的MATLAB仿真 # 在 MATLAB 命令行窗口执行 # Script运行完成后results 目录下会生成 sale_gff.tif、zebra_gff.tif、lena_gff.tif、comic_gff.tif、alpha_gff.tif 五个文件。sale_gff.tif 在源文件列表里也出现过说明它同时被用作参考结果这在对比实验里很常见先跑一次参考配置把标准输出存下来后续调参后与它做数值对比。如果 MATLAB 报「未定义函数或变量」优先检查当前文件夹是否在 MATLAB 路径上。右键文件夹 → Add to Path → Selected Folders然后再跑 Script.m。另一个高频问题是 tif 文件是 multi-page TIFFimread 默认读第一帧如果源图是多帧堆叠需要 imread(filename, idx) 指定帧号。4. 权重图生成与多聚焦融合实战4.1 显著性度量从梯度响应到可融合的权重图GFF 的融合流程分三段分解显著性、细化权重、加权合成。第一步对每幅源图像计算显著性图常见做法是拉普拉斯滤波的绝对值加上局部方差加权。这个包里的实现思路接近function S saliency(img, r) % 拉普拉斯滤波响应作为基础显著性 h fspecial(laplacian, 0.5); resp imfilter(img, h, replicate); % 局部窗口内的方差进一步强化显著区域的置信度 local_mean imfilter(img, ones(2*r1)/(2*r1)^2, replicate); local_var imfilter((img - local_mean).^2, ones(2*r1)/(2*r1)^2, replicate); S abs(resp) .* (1 local_var); end这里的核心逻辑是拉普拉斯响应大的地方是边缘或纹理密集区属于人眼敏感区域乘以 (1 local_var) 是对平滑区域降权避免大面积低频区域在权重图中获得过高的均匀响应。求完两幅显著性图后对其做规范化让同一位置的两幅源图权重和为 1S1 saliency(imgA, r); S2 saliency(imgB, r); W1 S1 ./ (S1 S2 1e-12); % 加极小值防止除零 W2 1 - W1;直接拿 W1、W2 做加权平均也能出一个结果但权重图边界通常带锯齿或孤立点直接合会出现「撕裂感」。4.2 GFF 细化权重与融合合成这是 GFF 方法的核心卖点。把粗权重图 W 作为导向滤波的输入 p把源图像的灰度版本作为引导图 Ifunction F GFF(imgA, imgB, r, eps) % 使用源图自身的灰度结构引导权重图细化 gA rgb2gray(imgA); % 若源图为灰度图则跳过 gB rgb2gray(imgB); % 粗权重 S1 saliency(gA, r); S2 saliency(gB, r); W1 S1 ./ (S1 S2 1e-12); W2 1 - W1; % 导向滤波细化引导图为源图像灰度输入为粗权重 W1_refined guidedfilter(gA, W1, r, eps); W2_refined guidedfilter(gB, W2, r, eps); % 重新归一化保证 W1 W2 1 sumW W1_refined W2_refined 1e-12; W1_refined W1_refined ./ sumW; W2_refined W2_refined ./ sumW; % 逐通道加权合成 F zeros(size(imgA)); for c 1:size(imgA, 3) F(:, :, c) W1_refined .* imgA(:, :, c) W2_refined .* imgB(:, :, c); end end关键点在归一化步骤guidedfilter 的输出不保证和为 1即使输入 W1 W2 1因为两幅图的引导图不同各向导滤波的线性系数不同输出和会偏离 1。如果不做二次归一化融合结果会出现全局亮度偏移——这是复现 GFF 类算法最容易踩的坑论文里很少写这一步但代码里必须有。4.3 融合质量的客观验证方法跑完融合不是终点要量化验证效果。对多聚焦融合比如 zebra、lena 图像对最常用的三个指标是结构相似度 SSIM、互信息 MI 和边缘保持度 Qabf。如果只想快速验证用 MATLAB 内置函数即可% 对比融合结果 F 与两幅源图的 SSIM 均值 s1 ssim(F, imgA); s2 ssim(F, imgB); fprintf(SSIM with A: %.4f, with B: %.4f\n, s1, s2); % 计算融合图与源图的互信息越高说明保留的信息越充分 mi1 mutualinfo(F(:), imgA(:)); mi2 mutualinfo(F(:), imgB(:)); % 自定义互信息计算 function mi mutualinfo(x, y) % 量化到 256 级用联合直方图近似互信息 xq round(x * 255) 1; yq round(y * 255) 1; h histcounts2(xq, yq, 0:256, 0:256); pxy h / sum(h(:)); px sum(pxy, 2); py sum(pxy, 1); mi sum(pxy(:) .* log2(pxy(:) ./ (px(:, ones(1,256)) .* py(ones(256,1), :)) 1e-12)); end观察三个关键位置zebra 图的条纹边缘是否出现模糊过渡comic 图的卡通轮廓线是否出现重影lena 图的头发丝区域是否丢失高频纹理。这三个区域分别对应边缘保持、形状保真、纹理细节三类指标任何一类出问题都说明参数设置不当。5. 参数灵敏度分析与快速 GFF 扩展5.1 r 与 eps 对融合边界的实际影响用 zebra 图像对做一次小扫描就能看出参数规律。固定 r 4 时eps 从 0.01 调到 1效果差异非常明显eps 0.01 时权重图几乎没被平滑融合边界上出现大量像素级椒盐噪声eps 0.1 时边缘干净条纹过渡自然这是推荐区间eps 1 时 a_k 被过度抑制滤波器退化成局部均值zebra 条纹边缘出现 2 到 3 像素宽的模糊带。反过来固定 eps 0.04 调 rr 2 时权重图细节丰富但孤立点偏多适合小尺寸图像r 8 时权重图平滑但细条纹内部可能被「拉平」导致融合结果丢失部分高频纹理。经验法则r 取图像短边长度的 1% 到 2%eps 取 0.04 到 0.16 之间然后用 SSIM 微调。5.2 用降采样把 GFF 加速到实时边缘导向滤波本身就是 O(N)瓶颈在多次 boxfilter 调用。对 1080P 图像一次 guidedfilter 包含 5 次 boxfilter每次都要处理 200 万像素MATLAB 里的总耗时大约在 0.5 到 1 秒量级。如果做视频帧融合或批量处理可以把引导图和输入图同步降采样再上采样回原尺寸function q fast_guidedfilter(I, p, r, eps, s) % s: 降采样倍数常用 4 I_sub imresize(I, 1/s, bilinear); p_sub imresize(p, 1/s, bilinear); r_sub max(round(r / s), 1); % 在小图上做导向滤波 q_sub guidedfilter(I_sub, p_sub, r_sub, eps); % 双线性上采样回原分辨率 q imresize(q_sub, size(I), bilinear); end降采样前注意用 imresize 的 bilinear 走一遍抗锯齿。这个近似并不损失太多边缘质量导向滤波的空间支撑范围很大低频权重图在 1/4 分辨率下依然保留了主要结构边缘细节由引导图 I 在反向映射时重新引入。实测控制在 1/4 尺度后权重图细化的耗时降到原来的 1/16 左右适合需要批量融合红外与可见光图像对的场景。5.3 把 GFF 迁移到红外与可见光融合红外与可见光图像融合与多聚焦不同源图像之间没有「对齐后逐像素可替换」的关系而是红外突出热目标、可见光提供纹理背景。GFF 处理这类任务时引导图应取可见光的梯度图输入权重图取红外显著性图让可见光结构的边缘去约束红外权重的分布% 可见光梯度作为引导 I_guide imgradient(rgb2gray(vis_img), sobel); % 红外图像的显著性作为待细化输入 W_ir saliency(infrared_img, r); % 用可见光结构引导红外权重 W_refined guidedfilter(I_guide, W_ir, r, eps);这样热目标的显著性权重被可见光边缘重新「钉」在正确位置红外图里常见的边缘偏移被有效校正。alpha_gff.tif 这组输出大概率就是同类模态组合的融合结果值得对照源码细读一次。本文还有配套的精品资源点击获取