一种基于NSST和字典学习的红外和可见光图像融合算法

近年来随着多尺度分析和压缩感知成为研究的热点,字典学习算法在图像融合领域得到了广泛应用,但是其算法应用于可见光和红外图像的融合,容易出现块状噪声,边缘有振铃现象。基于此,本文提出了一种基于非下采样剪切波变换(NSST)和字典学习的红外和见光图像融合算法研究,对NSST分解的低频分量利用滑动窗口得到图像块序列,并对其进行零均值化后再稀疏分解,选择区域能量的融合规则,高频子带选择拉普拉斯能量和的融合规则。仿真结果表明,本文的算法在视觉和客观评价指标上优于现有几种融合算法。

基于Contourlet域HMT模型的图像融合

针对小波域隐马尔可夫树融合速度较慢、方向信息少的缺点,提出了一种图像融合新算法.首先将待融合图像进行Contourlet分解得到低频系数和高频方向系数,低频系数采用模极小值的规则融合,高频方向系数经过Contourlet域隐马尔可夫树训练后求得边缘概率密度函数,与原系数相乘得到新的方向系数,然后采用局部内积的规则对高频系数融合.对融合后的系数进行逆Contourlet变换,从而得到融合后的图像.由于Contourlet域隐马尔可夫树模型在细尺度方面能够跨越几个相邻的方向子带,方向子带间具有与尺度相似的统计模式,因此该算法不仅能提高建模精度,而且能降低运算的复杂度(减少了参数数目).仿真实验表明,相比Contourlet和小波域同类算法,这种算法能够得到更加清晰光滑的融合图像;标准差、平均梯度、平均交叉熵等统计指标均比小波域隐马尔可夫树有显著改善,训练速度提高了17倍左右,且能够快速融合采用小波域隐马尔可夫树算法比较困难的图像.

基于RDU-PCNN和NSST的红外和可见图像融合算法

针对可见光和红外图像的融合容易出现块状噪声、边缘有振铃现象等不足,提出了一种基于区域双通道脉冲耦合神经网络(RDU-PCNN)和非下采样剪切波变换(NSST)的红外和见光图像融合算法。首先对待融合的可见光和红外图像进行NSST分解得到低频系数和高频方向系数,低频系数采用RDU-PCNN的规则融合,高频方向系数采用离散余弦变换(DCT)的融合规则,对融合后的系数进行逆NSST,从而得到融合后的图像。仿真结果表明,与其他5种目前流行或者较为先进的算法相比,本文的算法在视觉和客观评价指标上优于其他算法。