簡介
本篇主要是書籍《圖像融合-算法與應用》第十張的筆記總結。
主要是記錄兩個基於多幀圖像迭代融合的算法：色散最小融合方法和峯度最大化融合方法。
前提準備
首先需要同一場景的K張圖像(可以是來自不同攝像頭或者同一攝像頭不同成像效果下拍攝);所有圖像size需要一致，假設爲MXN。
K張圖像可以組合成KXMXN的三維數據；融合圖像Y中每個像素Yij可以由K張相同座標位置下的K個像素分別以不同的權重疊加得到。融合
算法的核心就是計算出，得到融合圖像所需要的最優權重。
色散最小融合方法
該算法原理：1、首先需要有一張融合標準圖，也就是說理論上K張圖像，融合後能得到最好效果圖。
但是實際中不可能得到這個圖，所以算法中，用K張圖的均值模擬標準圖。
2、得到標準圖的零均值圖像。
獲取零均值圖像：(1)、將標準圖R1縮小1/8到R2。
(2)、小圖R2插值回原來大小，爲R3。
(3)、零均值圖像 = R1 - R3。
3、通過公式： 計算出標準圖像的色散常數。
公式中F爲標準圖零均值圖像，Df位色散常數。
實際算法使用中，可以求出K張輸入圖像的Df，K個Df求均值來模擬代替標準圖的Df。
4、首先設置所有的權重W都爲1/K，就是融合圖像Y爲K張圖像的均值，然後算出融合圖像Y的色散常數。
通過公式：，計算出融合圖像和標準圖的差距，也就是代價函數。
5、通過梯度下降法，更新圖像融合權重W，直到找到是得代價函數Jcm最小時候的圖像圖像，爲最佳融合結果。
峯度最大化融合方法
該方法的核心理論爲中心極限定理，即幾個獨立隨機變量的和的概率密度函數趨近於高斯分佈。而傳感器固有的噪聲以及不完
美的觀測條件都是獨立於真實圖像。
所以，一副圖像失真度越高，則該圖像越符合高斯分佈。所以我們所求的最佳融合圖象，應該是具有最小高斯性，算法中，通過
峯度來量化圖像的非高斯性。
峯度可以定義爲：， 公式中F表示爲融合圖象。
同樣的，首先設置所有權重W都爲1/K，得到第一張融合圖象爲K張輸入圖像的均值。接着更新權重W,通過梯度下降法迭代，直到得
到最大峯度的融合圖象，即爲最佳的融合圖象結果。
