基于稀疏表示和NSCT-PCNN的红外与可见光图像融合

针对小波变换容易造成细节信息丢失、非下采样轮廓波变换(NSCT)分解的低频子带系数不稀疏以及红外与可见光图像融合结果综合性能不佳的问题,提出了一种基于稀疏表示和NSCT-PCNN的红外与可见光图像融合算法。首先将源图像进行NSCT分解,获得低、高频子带;其次,利用K奇异值分解(K-SVD)算法对低频子带进行字典训练,实现低频子带的稀疏表示和低频稀疏系数的融合;然后,利用高频子带的空间频率激励脉冲耦合神经网络(PCNN),选择较大点火次数的系数作为高频子带的融合系数;最后对低、高频子带融合系数进行NSCT逆变换,得到融合的图像。实验结果表明,该算法在视觉效果和客观指标方面均具有较大优势,且融合结果综合性能优于现有算法。

结合稀疏表示与神经网络的医学图像融合

临床辅助诊断对医学图像视觉效果提出了较高的要求,但非下采样轮廓波变换(NSCT)分解获得的低频子带系数不具有稀疏性,不利于保持源图像的细节信息。针对上述问题,提出了一种结合稀疏表示与脉冲耦合神经网络(PCNN)的医学图像融合算法。首先,通过NSCT将源图像分解成低、高频子带系数;其次,利用K奇异值分解(K-SVD)法训练低频子带系数获取过完备字典D,利用正交匹配追踪(OMP)算法稀疏编码低频子带系数,完成低频子带稀疏系数的融合。然后,利用高频子带的空间频率激励脉冲耦合神经网络,根据点火次数选择高频子带的融合系数。最后,将融合的低、高频子带系数通过NSCT逆变换重构出融合的医学图像。实验结果表明:对于边缘信息传递因子Q^(AB/F)指标,该算法灰度和彩色图像融合结果相比于对比算法约提升了34%和10%,且融合结果综合性能优于现有算法。

基于S+P变换和EZW编码的图像压缩算法

嵌入式零树小波是根据标准小波变换的空间多分辨率特征将重要节点与零树根进行编码来完成图像压缩的编码算法,但标准小波变换对图像的边缘、轮廓以及纹理等特征信息的表达不具有稀疏性,不能够较好地表达图像的细节信息。针对标准小波变换的缺陷,新算法根据S+P变换能够实现整数到整数的变换,将EZW和S+P变换结合起来,提出了一种基于S+P变换改进的EZW编码算法,即使用S+P变换替换标准小波变换,完成图像的低损耗压缩。实验结果表明:相对于经典的EZW编码算法,基于S+P变换改进的EZW编码算法在压缩比、编码效率以及峰值信噪比等性能方面都具有较大的改善。

基于数码图像的能见度反演技术研究

针对现有的图像能见度测量方法存在预处理工作量大,参数误差修正困难等问题,引入卷积神经网络(CNN),提出了一种基于数码图像的白天能见度反演技术。首先利用图像采集设备采集不同场景下能见度图像;然后将图像直接作为输入,相应的能见度值作为标签训练神经网络,网络输出为预测的能见度值;最后以CJY-1G能见度仪的测量结果为基准,分别将不同场景下不同能见度范围内卷积神经网络方法和黑体像素方法(DPA)的预测值与其进行对比。实验结果表明,CNN方法测量结果优于DPA方法,且以大片森林为黑体目标物的场景更适合能见度反演研究,在能见度低于5km时,测量结果较为准确,卷积神经网络方法和CJY-1G测量结果相关性较好。