这篇文章可以说结果好到令人拍案叫绝，处理后细节也好了，色偏也好了，更主要是那些评价指标仿佛都是为它设计的，一个比一个好，本文就详细地介绍一下水下图像融合算法。
1.首先先分别进行两次处理
①对原图进行白平衡处理——详细地可以看它的代码，代码是改良的灰度世界，个人觉得是一个灰度世界+一个直方图均衡。处理结果作为输入一。
②对白平衡后的图进行亮通道自适应直方图均衡化
（亮通道：CIElab颜色模型的l通道；自适应：不是针对整幅图像的处理，而是不图像分成各个块进行处理，这样不在一块的暗的地方不会对亮的地方造成影响，处理完成后再对块直接进行过度）该项作为输入二。
左图为输入一，右图为输入二
3.不同权重
本文的权重用了四种，而这四种的用途是为了说明图一和图二组合怎样好。
①全局对比度：拉普拉斯用于亮通道，提高全局的明暗对比。
②局部对比度：图像亮通道点减去以该点为核心做的低通二项核卷积，最后取平方。
h = 1/16* [1, 4, 6, 4, 1];
Wcont1 = imfilter(R1, transpose(h)*h, 'replicate', 'conv');
Wcont1 = (R1 - Wcont1).^2;
③采用加入曝光图保护中间色调的显著图
function sm = saliency_detection(img)
%
%---------------------------------------------------------
% Read image and blur it with a 3x3 or 5x5 Gaussian filter
%---------------------------------------------------------
%img = imread('input_image.jpg');%Provide input image path
gfrgb = imfilter(img, fspecial('gaussian', 3, 3), 'symmetric', 'conv');
%---------------------------------------------------------
% Perform sRGB to CIE Lab color space conversion (using D65)
%---------------------------------------------------------
%cform = makecform('srgb2lab', 'whitepoint', whitepoint('d65'));
cform = makecform('srgb2lab');
lab = applycform(gfrgb,cform);
%---------------------------------------------------------
% Compute Lab average values (note that in the paper this
% average is found from the unblurred original image, but
% the results are quite similar)
%---------------------------------------------------------
l = double(lab(:,:,1)); lm = mean(mean(l));
a = double(lab(:,:,2)); am = mean(mean(a));
b = double(lab(:,:,3)); bm = mean(mean(b));
%---------------------------------------------------------
% Finally compute the saliency map and display it.
%---------------------------------------------------------
sm = (l-lm).^2 + (a-am).^2 + (b-bm).^2;
④暴露权重
离中间值0.5越近，权重越大，越远，权重越小。（防止曝光不足/过曝）
4.组合
可以看出左图输入图一整体色调啥的比较好，而右图输入图二画面感很差，可是它的优点就在于它的边缘很好。现在的问题就是如何把输入一的画面感和输入二的细节结合起来，这样解决方法就来了——图一和图二不同权重的组合+不同尺度的组合。
不同权重——一个输出图的像素点是由图一乘以自己的权重+图二乘以自己的权重得到的。（后续还有一个拉普拉斯变换）
不同尺度——把图像分成几个尺度，对每个尺度都处理一次，然后再把多尺度合回原单一尺度。（这一步真的起到的作用多大？不好说。）
本文融合用到的金字塔：
拉普拉斯金字塔——金字塔上一层尺寸是下一层1/4。图像经过卷积和下采样操作会丢失部分高频细节信息（这个是图像金字塔的核心，不同尺度可以理解为不同距离看它，远距离看图比近距离当然模糊了，我们用模糊和清晰来代表远近看图的区别）。拉普拉斯金字塔是高斯金字塔上下两层同一尺寸的差值，这里的同一尺寸指上层图像进行上采样后，尺寸恢复到降采样之前，也就是下层的尺寸。
归一化权重（为了图一和图二合起来为1，不超过1）
% calculate the normalized weight
W1 = (Wlap1 + Wcont1 + Wsal1 + Wexp1) ./ (Wlap1 + Wcont1 + Wsal1 + Wexp1 + Wlap2 + Wcont2 + Wsal2 + Wexp2);
W2 = (Wlap2 + Wcont2 + Wsal2 + Wexp2) ./ (Wlap1 + Wcont1 + Wsal1 + Wexp1 + Wlap2 + Wcont2 + Wsal2 + Wexp2);
将图进行拉普拉斯金字塔拆分
% calculate the gaussian pyramid
level = 5;
Weight1 = gaussian_pyramid(W1, level);
Weight2 = gaussian_pyramid(W2, level);
然后在每个金字塔层进行组合
for i = 1 : level
r_py{i} = Weight1{i} .* R1{i} + Weight2{i} .* R2{i};
g_py{i} = Weight1{i} .* G1{i} + Weight2{i} .* G2{i};
b_py{i} = Weight1{i} .* B1{i} + Weight2{i} .* B2{i};
end
将组合好的值恢复回原图
for i = level : -1 : 2
[m, n] = size(g_py{i - 1});
g_py{i - 1} = g_py{i - 1} + imresize(g_py{i}, [m, n]);
end
G = g_py{1};
这就是融合的全过程，通过正个流程下来，学习了一种新的方法，如何将两个优点不同的图进行组合生成更好的图？？？可以用这种方法