基于NSCT域滚动引导滤波与自适应PCNN的医学图像融合

针对传统CT和MRI医学图像融合后存在边缘轮廓模糊、纹理细节丢失等问题,提出基于NSCT域结合相位一致性滚动引导滤波与改进参数自适应双通道PCNN的图像融合方法。首先,采用相位一致性滚动引导滤波对CT源图像进行增强,提高骨骼轮廓结构清晰度。然后,通过NSCT变换分解增强后的CT和MRI源图像得到低频子带和高频子带。低频子带系数采用改进参数自适应双通道脉冲耦合神经网络融合策略,明显改善了软组织的纹理细节模糊效果;高频子带系数采用加权求和修正拉普拉算法融合,提升了融合后图像的细节、纹理等信息。最后,通过逆NSCT变换重构出融合图像。通过五组对比实验表明,所提方法的AG、CC、SF、MSE以及CEN客观评价指标分别平均提高了13.30%、6.71%、4.40%、40.23%、19.16%,说明该融合方法在处理纹理细节、边缘轮廓、结构相似性以及图像像素方面性能更好。

结合滚动引导滤波和相位信息的红外与可见光图像配准

针对红外与可见光图像尺度差异大、图像较模糊,且图像中可提取的特征点数量不足以及特征分布不均匀易导致现有配准算法失效的情况,提出一种结合滚动引导滤波和相位信息的红外与可见光图像配准方法。利用滚动引导滤波构建尺度空间,在不增加耗时的前提下尽可能保持图像边缘信息;提出一种改进的Shitomasi角点检测算法,提取具有尺度不变性且分布均匀的强角点;在特征描述阶段,给出一种新的加权函数进行频率扩展,以得到更显著的相位一致性信息,实现更准确的图像特征描述。实验结果表明,该配准方法对存在9倍尺度差异的红外与可见光图像仍能实现准确配准,且对多组图像对的配准RMSE误差均保持在2像素之内。

基于滚动引导滤波与FT算法的色织物疵点检测

针对色织物疵点检测纹理背景对检测结果影响大的问题,提出一种滚动引导滤波和频率调谐显著性相结合的色织物疵点检测算法。采用滚动引导滤波在保留疵点区域的同时抑制色织物的纹理背景;应用频率调谐视觉显著性算法得到全分辨率的显著图;使用迭代阈值分割将显著图二值化,并运用形态学运算去除孤立的像素点,疵点检测效果较好。认为:该算法能够有效抑制织物的纹理,对疵点区域精准分割。

基于滚动引导滤波的红外与可见光图像融合算法

针对红外与可见光图像融合时,易产生细节丢失、噪声抑制不佳等问题,本文提出了一种改进的滚动引导滤波融合算法。该算法充分利用了滚动引导滤波边缘和局部亮度保持特性,在通过均值滤波将输入图像分解为基础层与细节层的基础上,结合滚动引导滤波与高斯滤波获取输入图像的显著图,利用不同尺度参数的引导滤波对显著图优化得到权重图,将权重图作为权重分别指导基础层与细节层的融合,最后联合融合后的子图重构得到融合图像。针对3类测试数据进行的融合实验表明,与非下采样轮廓波变换、基于引导滤波、基于显著性检测的两个尺度的图像融合等经典方法相比,本文方法得到的融合图像不但从主观视觉效果上细节信息更丰富、目标对比度加强,并且在非线性相关信息熵、相位一致性等6项客观评价指标上均具有较好的效果。

基于多尺度细节补偿的滚动引导滤波去雾

针对雾霾天气下拍摄的图像对比度低、细节信息丢失、严重影响户外视觉系统分析工作等问题,利用基于暗原色先验的引导滤波算法对雾天图像进行初步复原,并通过改进经典的伽马变换和滚动引导滤波算法分别对图像对比度的增强和多尺度细节补偿问题开展研究。结果表明:所提方法不仅能够更好地复原场景结构信息、自适应提高图像对比度,同时还能够有效丰富图像多尺度纹理细节,主观视觉效果与客观评价指标验证了算法的有效性。

基于改进的最大熵算法与滚动引导滤波的图像融合算法

随着应用环境的改变,大多数红外与可见光图像融合算法的工程化部署能力普遍较差,存在目标提取不充分、细节丢失、算法复杂、效率低和适用性差等问题。针对上述问题,提出了一种基于改进的最大熵算法与滚动引导滤波的红外与可见光图像融合算法。首先,使用改进的最大熵算法对红外目标进行提取,并利用滚动引导滤波的尺度感知和边缘保持特性将可见光图像和红外图像分解为基础层和细节层;然后,提取出的红外目标和可见光基础层图像通过基础层融合规则得到基础层融合图像;最后,基础层融合图像通过细节层融合规则得到最终的融合图像。实验结果表明,所提算法的融合图像目标明确、纹理清晰、细节信息丰富,且算法简单高效、适用性强。相比其他4种对比算法,所提算法在主、客观评价上均有优势,具有一定的工程化部署能力。

基于滚动引导滤波器和卷积稀疏表示的红外与可见光图像融合方法

针对红外与可见光图像在融合过程中目标物体的边缘模糊导致细节丢失的问题,提出一种基于滚动引导滤波器(RGF)和卷积稀疏表示(CSR)的红外与可见光图像融合方法。首先,利用RGF和高斯滤波器对配准后的源图像进行多尺度分解;其次,针对基础层,通过构建对比显著图和权重矩阵进行融合;然后,针对细节层,利用交替方向乘子方法(ADMM)求解卷积稀疏系数,采用CSR融合规则完成特征响应系数融合;最后,经过重构得到融合结果图。实验结果表明,所提方法能够克服在目标物体的边缘处模糊导致细节信息丢失的问题,较好地保留源图像的对比度和边缘纹理信息,同时提高了多个客观评价指标。

基于图像增强和滚动引导滤波的红外与可见光图像融合

针对红外与可见光图像融合易发生热目标亮度损失、可见光图像细节信息丢失的问题,提出一种基于图像增强和滚动引导滤波的多尺度融合算法。首先,提出一种自适应图像增强方法,提高可见光图像的整体亮度,并保持细节处的对比度。然后,根据特征的不同将源图像分解为三层,采用基于引导滤波的显著性提取方法得到亮度层;利用滚动引导滤波良好的尺度感知和边缘保持特性,并结合高斯滤波得到基础层和细节层。最后,对亮度层采用像素值取大的融合规则,提出一种新的最小二乘优化方案对基础层进行融合,使用修正拉普拉斯能量和作为清晰度的度量对细节层进行融合。实验结果表明,与其他融合方法相比,所提方法在主观评价和客观评价上都有较好的表现。

滚动引导传播滤波下的图像纹理平滑

针对当前一些局部保构滤波方法在图像纹理平滑和结构保持上的不足,本文提出了一种新的在滚动引导传播滤波下的方法.该方法首先利用块平移和改进的相对全变差技术,构造了一种新的纹理移除结构图像,然后以此图像作为引导图进行滚动引导传播滤波,实现图像的结构恢复.在滤波的过程中使用通路上的所有像素信息定义新的权值函数,不再直接使用两个像素点间的空间距离和像素值差异来定义权值,这样不仅能够更全面的利用图像的局部信息,而且削弱了预定义空间邻域大小对滤波结果的影响.实验结果表明该方法相对于传统局部滤波方法,在有效移除图像纹理的同时,能更好的保留图像自身的边缘结构.

基于纹理滤波和颜色聚类的提花织物纹样自动提取方法

为了提高提花织物纹样提取的准确性,消除织物组织结构对提取结果的干扰,文章提出了一种基于纹理消除滤波算法和密度峰聚类算法的纹样提取方法。通过统计图片区域梯度信息分离提花织物组织纹理区域和图案边缘结构,并利用非极大值抑制获得纹样边缘结构作为滚动引导滤波器的引导图,经过多次迭代计算实现织物纹理滤波。然后将图片从RGB颜色空间转换为CIELab颜色空间,利用密度峰聚类算法对织物色彩空间分割聚类,最终提取出织物纹样。实验结果表明,文章提出的方法快速准确地实现了提花织物纹样的自动分割与提取。

融合Sobel算子的SAR图像结构优化方法

针对传统滚动引导滤波算法在处理SAR图像时,面对较多琐碎纹理效果欠佳,容易产生虚假边缘的问题,提出融合Sobel算子自适应计算图像中每个像素点的梯度,反映图像的边缘强度来指导滚动引导滤波参数的调整,从而优化滚动引导滤波的结果。通过传统算法和改进算法对雷达图像处理的边缘强化和细节纹理提取的对比结果表明,提出的利用Sobel算子来进行滚动引导滤波参数的调整有着明显提升,能有效地支撑雷达图像的后续处理,为图像的强散射结构提取提供了一种新的方法。

基于改进群稀疏正则化的稀疏角度图像重建

计算机断层扫描(Computer Tomography,CT)是临床医学中广泛使用的医学图像,可以清楚地显示人体的精细结构细节,为医生诊断疾病提供很大帮助。通过最近的研究表明,基于群稀疏正则化的联合代数重建技术(Simultaneous Algebraic Reconstruction Technique,SART)重建在稀疏角度采样背景下可以获得较好的性能。然而,群稀疏正则化在去掉伪影的同时,可能将边缘或细节过度平滑,使得对比度降低,无法获得符合人类视觉效果的高分辨率图像。因此,该文提出了一种基于改进群稀疏正则化的稀疏角度图像重建方法。首先对稀疏角度下的Shepp-Logan模型进行SART重建,再利用群稀疏正则化去除图像伪影,最后利用滚动引导滤波(Rolling Guided Filtering,RGF)进行对比度提升,再次作为SART的输入进行迭代。实验结果表明,该方法在视觉上以及PSNR(Peak Signal-to-Noise Ratio),MSE(Mean Squared Error)和FSIM(Feature Similarity)上均优于其他算法,并且在迭代初始阶段就具有较好的收敛性能。

三尺度分解和稀疏表示的红外和可见光图像融合

为提高对含噪声源图像的处理效果,以及提高融合图像的对比度、结构信息等,提出一种基于三尺度分解和稀疏表示的红外和可见光图像融合算法。首先,为增强对噪声的去除效果,并且维持源图像的结构和边缘特性,利用滚动引导滤波器对源图像进行分解,将源图像分解为基础层和细节层;其次,为充分利用基础分量中的细节和能量,同时降低模型的复杂性,构造结构-纹理分解模型,将基础层再次分解为基础结构层和基础纹理层。然后分析三个分量的不同特点,使用不同的融合规则对三个分量分别进行融合,针对细节分量,其含有主要的噪声成分,但含噪声程度又不一样,因此根据图像含噪声的程度自适应确定稀疏融合去噪参数,从而同时实现对细节分量的融合和去噪,并且能够有效地提高计算效率;针对基础结构分量,其包含的细节特征较少,直接采用基于视觉显著图的加权平均技术进行预融合;针对基础纹理分量,由于其包含了视觉上重要的信息或图像特征,如边缘、直线和轮廓等活动信息,能够反映出原始基础图像的主要细节,因此采用主成分分析方法进行预融合,最终通过重构细节、基础结构和基础纹理层来得到融合图像。为验证所提方法的有效性,选取了多组红外和可见光图像进行试验,并与近期的五种方法CNN、FPDE、ResNet、IFEVIP、TIF进行了对比,采用主观和客观的形式对结果进行分析。实验结果表明,同其他图像融合算法进行对比分析,该方法能够兼顾含噪声和无噪声图像的融合,在有无噪声的情况下均能够将源图像的细节、亮度和结构保留到融合图像中,而且能有效地消除噪声。

高光谱图像滚动引导递归滤波与地物分类

高光谱图像类内光谱变化较大,"同物异谱"现象普遍存在。利用原始地物光谱特征进行分类精度较低而且分类结果图中存在"椒盐现象"。为了获得好的分类结果,必须充分利用高光谱图像的光谱信息和空间信息,减少类内的光谱变化,并扩大类别间的光谱差异。为此,提出一种滚动引导递归滤波的高光谱图像光谱-空间分类方法。首先,利用主成分分析对高光谱图像进行降维;然后,利用高斯滤波对输入图像进行模糊化,消除图像中的噪声和小尺度结构;接下来,将模糊化后的图像作为引导图像,对输入图像进行边缘保持递归滤波,输出结果作为新的引导图像,重复迭代这个过程直至大尺度边缘被恢复;最后,利用提取的特征波段和支持向量机对高光谱图像进行分类。在两个真实高光谱数据集上进行了分类实验,结果表明本文方法的分类精度优于其他的高光谱图像分类方法。在训练样本极少的情况下,本文方法也能获得较高的分类精度。

基于多尺度细节的孪生卷积神经网络图像融合算法

图像融合将来自不同捕获条件或不同传感器的互补图像进行融合以提高图像的视觉质量。针对这一任务,本文提出一种改进的滚动引导滤波与神经网络相结合的多尺度融合算法。首先,使用孪生卷积神经网络学习图像特征,并以此获得包含源图像显著特征的权值映射图。随后,使用改进的滚动引导滤波对图像进行多尺度分解,结合信息熵使滚动引导滤波权重参数自适应化来实现多尺度自适应分解,并结合非线性映射增强图像细节信息。最后,采用局部能量与权值图相结合的自适应调整融合模式对多尺度图像进行融合。经实验对比,所提方法能够避免出现图像边缘圆晕效应,且能够更好地突出图像边缘、细节纹理特征。另外,与其他算法相比,本文所提出的算法在平均梯度、信息熵、视觉信息保真度以及空间频率等客观评价指标项上均取得了更优的性能表现。

基于非线性SIFT框架SAR图像匹配

针对基于尺度不变特征变换(SIFT)的图像匹配算法性能受到SAR图像中严重斑点噪声而性能降低的问题,提出了一种改进的非线性尺度构建的SIFT算法,主要改进在于:在尺度空间构建阶段,该算法通过将滚动引导滤波器嵌入到尺度空间构造的过程中来生成多尺度图像金字塔,在去除斑噪的同时并保持边缘的方面表现出了较其他尺度空间构建算法更好的效果;在特征检测阶段,提出了一种使用ROEWA算子和Harris-Laplace检测算子相结合的特征点检测算法,有效地抑制SAR图像中的虚假特征点,并准确地提取具有高位置精度和低误差率的不变特征点。3种不同类型的仿真和真实SAR图像对该算法进行了检验,并与其他2种基于SIFT的方法相比较,实验结果表明,该算法在匹配精度和内联点比率方面可以实现更好的性能。

基于卷积神经网络的红外与可见光户外图像融合

针对户外环境下红外与可见光图像融合效果不足的问题,提出一种基于卷积神经网络的红外与可见光户外图像融合方法。该方法先利用滚动引导滤波器对输入的红外图像进行预处理,过滤噪声并消除无用信息。然后,利用Curvelet变换将红外图像与可见光图像分解成高频系数与低频系数,利用基于卷积神经网络的深度特征融合规则融合高频系数,采用最小融合规则融合低频系数。实验结果表明,该方法的融合图像在主观视觉与客观定量两方面均获得了较好的结果。

基于FRGF和改进PCNN的红外可见光图像融合

为解决图像融合中边缘细节保留不理想的问题,本文提出了一种快速滚动引导滤波器和改进脉冲耦合神经网络相结合的红外可见光图像融合方法。提出的快速滚动引导滤波器可以较好地在保留边缘、细节纹理信息的同时有效提高运行效率。首先,利用快速滚动引导滤波和高斯滤波对源图像进行多尺度分解;其次,为了使基础层图像更好地突出轮廓信息,采用相似性匹配的融合规则对图像进行融合;然后,细节层采用改进参数自适应脉冲耦合神经网络规则进行融合;最后,经过多尺度重构得到融合结果图。实验结果表明,与其它5种融合方法相比,该算法不仅在视觉效果上得到了提升,而且能够充分保存图像的边缘和纹理等信息,极大地提高了运行效率。另外,该方法在客观评价指标上均优于对比方法。

基于细节信息提取的全色与多光谱图像融合方法

全色(Panchromatic, Pan)图像与多光谱(Multi-spectral, MS)图像融合的目的是生成具有高空间分辨率的多光谱图像。为了进一步提升融合图像的质量,提出一种基于细节信息提取的融合方法。首先,使用滚动引导滤波器与差值运算分别获取Pan与MS的高频分量。其次,采用自适应强度-色度-饱和度(AdaptiveIntensity-Hue-Saturation,AIHS)变换处理MS的高频分量与经像素显著性检测后Pan的高频分量,生成对应的强度分量(Intensity,Ⅰ),再将Pan与Ⅰ作差值运算获取细节图像。接着,采用引导滤波器计算Pan与MS的高频分量的差值,得到残差图像。最后,利用最速下降法将细节图像与残差图像注入到原始的MS图像中获得最终融合结果。实验结果表明,本文所提算法得到的融合图像能够取得较好的主观视觉效果,且客观定量评价指标较优。

基于深度特征提取的红外与可见光图像融合

针对红外与可见光图像融合算法中细节模糊、对比度低等问题,提出一种基于深度特征提取的融合算法。该算法模型具有较好的泛化性,通过迁移学习可应用于水利工程无人机自动巡检系统的安全监测。首先,利用滚动引导滤波对源图像进行多级分解。其次,针对基础层引入PCANet网络指导融合,针对细节层引入显著测量方法和引导滤波指导细节层融合。最后,将各融合部分进行叠加重构,得到融合图像。实验结果表明,该算法在主观视觉上具有细节信息丰富、高对比度的特点,在客观评价指标上也有较好的结果,尤其是标准差指标,较以往大部分方法领先幅度超过40%。