基于NSST与PCNN的水下图像融合方法研究

针对在海洋环境中采集到的水下图像由于光的散射与吸收作用导致的成像模糊以及退化的问题,提出了一种NSST与PCNN相结合的水下图像融合方法,在改变通道补偿方式的基础上分别进行Gamma校正得到对比度增强图像以及图像锐化处理得到细节信息增强后的图像,将两图像运用NSST变换分别得到低频子带系数和带通子带系数,使用基于区域能量自适应加权融合规则将低频方向子带系数融合;采用带通子带系数作为外部激励,刺激PCNN神经元点火,经脉冲发生区域选用像素较大的脉冲输出,使带通子带系数融合;对融合低频子带系数和带通子带系数分别做NSST逆变换,获得重构图像。通过实验结果以及客观评价可知,WNPF算法解决了水下图像色彩失真的问题,同时图像清晰度得到了提升。

基于Levy-SOA自适应阈值分割和改进引导滤波的NSST图像增强

针对电气设备红外图像对比度不高、含噪声等问题,提出了一种非下采样剪切波变换(non-subsampled shearlet transform,NSST)域下的红外图像增强算法。首先,通过NSST将图像分解为低频分量和高频分量。然后,利用基于Levy-海鸥优化算法(Levy-seagull optimization algorithm,Levy-SOA)的自适应阈值分割算法将低频分量分割成背景区域和目标设备区域,并分别对其进行直方图均衡化处理和线性增强;利用改进引导滤波算法对高频分量进行去噪处理。最后,对处理后的低频分量和高频分量进行NSST重构,得到最终的增强图像。实验结果表明,所提算法在一定程度上改善了图像视觉效果,保证了图像本身的质量,有助于后续电气设备的温度状态评估、异常分析、故障定位和诊断。

基于NSST和NSGA-III的红外和可见光图像融合

针对图像融合方法容易丢失源图像结构信息的问题,该文提出一种基于非下采样剪切波变换(Non-Subsample Shearlet Transform,NSST)和第三代非支配排序遗传算法(Non-dominated Sorting Genetic Algorithm III,NSGA-III)的红外和可见光图像融合方法.首先,将源图像进行NSST变换得到低频和高频子带图像;其次,针对低频图像,设计了一种新的基于NSGA-III的融合规则,先使用区域能量法对图像进行预融合,以预融合图像作为参考图像,再通过NSGA-III算法进行优化获得融合低频图像;针对高频图像,用绝对值取大规则.最后,利用NSST逆变换重构融合图像.算法性能在TNO数据集上进行验证,并与其他先进的融合算法进行比较,定性与定量的结果均表明,提出的方法目标突出,并保留了源图像更多的结构信息.

基于图像能量和NSST的电力设备发热定位方法

为了解决现有红外检测技术中电力设备发热点定位不够准确的问题,基于图像能量和非下采样剪切波变换,提出了一种实时监测方法。结合红外图像灰度与温度的关系,使用了图像能量算法和种子生长算法对红外图像进行分割;同时在分析终端使用非下采样剪切波变换融合可见光与红外图像,提高了发热区域的定位精准度;对发热特征进行分析,减小了误判、漏判情况出现的概率。研究结果表明,所提方法为电力设备故障发热区域定位提供了有效信息,可用于在线监测与故障定位。

基于NSST-SR的GIL局部放电光电图谱融合算法

为解决气体绝缘输电线路局部放电光电联合检测过程中因信号缺失对模式识别造成干扰的问题,提出一种基于非下采样剪切波变换(non-subsampled shearlet transform,NSST)和稀疏表示(sparse representation,SR)的光电图谱融合算法,将光学局放相位分布(phase-resolved partial discharge,PRPD)图谱和特高频局部放电PRPD图谱通过NSST分解为低频和高频子带图,基于最大绝对值和SR进行子带图融合,然后经过NSST逆变换得到融合图谱。最后,提取图谱特征并降维,代入K近邻、支持向量机、朴素贝叶斯和决策树分类器进行模式识别,并与其他融合算法效果进行对比。实验结果表明:不论样本总体数量大小、样本训练集与测试集相对数量比例大小,该文提出的算法均能较完整地融合两种源图谱的信息,局放模式识别准确率高于单一NSST算法或SR算法。在小样本(150)情况下,准确率可达89.2%,样本足够大时,准确率最高可达98.5%;当训练集样本数小于测试集样本数时,准确率依旧在70.0%以上,最高达88.0%。该文提出的融合算法可为提高气体绝缘输电线路局放模式识别准确率提供参考。

基于NSST的多尺度SURF异源图像配准算法

针对To F与可见光异源图像配准效果不佳的问题,提出一种基于非下采样剪切波和尺度不变特征变换改进的异源图像配准算法。首先将To F和可见光图像分解为多尺度图像;然后以多尺度图像和原图像为基础,使用Sift算法进行特征点提取,将提取的特征点进行统一的粗匹配,最后使用RANSAC算法对匹配特征点提纯,进一步筛选特征点,完成配准。实验结果表明,该算法具有较强的鲁棒性。

基于乌鸦搜索算法和自适应BM3D的NSST域电气设备红外图像增强

为了解决红外图像对比度低、模糊、含噪声等问题,本文提出基于信息熵准则乌鸦搜索算法和三维块匹配(block matching 3D,BM3D)自适应去噪的电气设备非下采样剪切波变换(non-subsampled shearlet transform,NSST)红外图像增强方法。通过NSST变换将图像分解为不同频率的2个部分。低频图像主要为设备特征,高频子带主要为噪声。针对低频图像中的背景干扰问题,提出乌鸦搜索算法进行分割得到设备前景和环境后景,前者经灰度扩增得到前景增强图,后者经直方图均衡得到后景增强图。针对高频子带中的噪声干扰问题,提出BM3D自适应去噪算法用于去噪。通过实验可知,基于乌鸦搜索算法和自适应BM3D的图像增强算法针对图像分割细节处理、多余杂音的过滤以及对比度的提高均有显著效果。

NSST域电气设备红外图像增强处理算法设计

针对现有电力设备红外故障检测系统采集的图片较模糊、部分设备体积较大无法精准定位故障点等问题,设计了一种基于Jaya算法改进Otsu阈值分割和多尺度的NSST域电气设备红外图像增强算法。通过非下采样剪切波变换将原始红外图像转化成高频域和低频域两部分进行增强,将增强后的各分量逆变换后合成最终完整的增强图像。实验结果表明,该文算法能够提高红外图像对比度,过滤电力设备红外图像噪声,对电力设备热故障的检测与故障定位做出贡献。

基于NSST域增强的直流XLPE电缆局放识别方法

针对直流交联聚乙烯(XLPE)电缆局放信号图的对比度差和边缘清晰度低,影响电缆缺陷识别率的问题,提出一种基于非下采样剪切波变换(NSST)域增强的直流电缆局放识别方法。首先采用NSST对不同缺陷类型的电缆局放信号图进行分解,得到低频子带图和高频方向子带图,其中,低频子带图进行布谷鸟优化多尺度Retinex算法(CS-MSR)增强处理,高频方向子带图进行亮度保持动态模糊直方图均衡算法(BPDFHE)增强处理。然后对NSST各子带图进行加权重构,得到增强的直流电缆局放信号图。最后提取直流电缆局放信号图中每个子带图的最大放电次数、平均放电时间间隔、平均放电量等共计72个特征参数,并代入到线性核支持向量机(L-SVM),高斯核支持向量机(G-SVM),多项式核支持向量机(P-SVM)和多核支持向量机(M-SVM)识别模型中进行分析。实验结果证明:基于NSST域增强的直流电缆局放信号图与原始信号图相比,在M-SVM情况下,整体缺陷识别准确率提高9.46%以上。运用新提出的方法进行局放识别时,信号图细节更加丰富,且提高了电缆局放信号图的缺陷识别率,为直流电缆局放缺陷识别提供了新的思路。

基于NSST和自适应PCNN的图像融合算法

针对红外和可见光图像的特点,本文提出了一种基于非下采样剪切波变换(NSST)和自适应的脉冲耦合神经网络(PCNN)相结合的红外与可见光图像融合的新算法。对经过NSST变换后的低频子带系数采用带高斯权重分布矩阵的局域方差和方差匹配度相结合的融合规则,对高频子带系数采用一种改进的空间频率作为PCNN输入,且采用改进的拉普拉斯能量和作为PCNN的链接强度,利用PCNN全局耦合性和脉冲同步性选择高频子带系数,最后经NSST逆变换后得到融合结果。实验结果表明,本文提出的算法与传统的图像融合算法相比不仅在主观视觉上取得较好的效果,而且在客观标准上也有了一定的提高。

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NSST域的自适应区域和SCM相结合的多聚焦图像融合

为了提高多聚焦图像的融合效果,结合多源图像之间的共享相似性,提出了一种基于非下采样Shearlet变换(Nonsubsampled Shearlet Transform,NSST)域的自适应区域与脉冲发放皮层模型(Spiking Cortical Model,SCM)结合的新型图像融合算法。首先用NSST分解源图像,然后计算边缘能量(Energy Of Edge,EOE),在自适应区域用投票加权法融合低频系数,高频系数由边缘能量作为输入的SCM点火图融合,最后通过逆NSST获得该融合图像。该算法既可以很好地保持源图像的信息,又可以抑制在变换域因非线性运算产生的像素失真。实验结果表明,该方法优于最新的变换域和脉冲耦合神经网络(Pulse Coupled Neural Network,PCNN)融合方法。

结合NSST和颜色对比度增强的彩色夜视方法

针对夜视图像彩色融合通常存在细节信息不够丰富、颜色对比度低的问题,为了获得更为理想的彩色融合效果,提出一种新的基于非下采样剪切波变换(Non-subsampled Shearlet Transform,NSST)和颜色对比度增强的彩色融合方法。首先,分别设计基于S函数和局部方向对比度的低频与高频融合规则,完成源可见光与红外图像在NSST域的融合;其次,将灰度融合图像赋给Y分量,源图像的差值信号赋给U和V色差分量,形成YUV空间的伪彩色融合图像。最后,选择一幅与待上色图像具有相似颜色分布的自然日光图像作为彩色参考图像,在YUV空间对伪彩色融合图像进行颜色对比度增强的非线性色彩传递。与近年方法相比,该方法所得彩色融合效果细节信息丰富、热目标突出。将该方法运用于彩色夜视领域,可有效增强场景深度感知和目标的可探测性。

基于NSST和稀疏表示的多源异类图像融合方法

针对SAR、红外和可见光图像的灰度差异性大,融合图像感兴趣目标不突出的问题,提出一种基于NSST和稀疏表示的多源异类图像融合方法。首先将训练图像进行NSST变换,在低频系数上构建多尺度学习字典;对SAR、红外和可见光图像进行NSST变换,利用滑动窗口分解低频系数为图像块序列,对图像块序列零均值化后再稀疏分解,采用稀疏系数绝对值取大的融合规则;高频子带系数采用局部方向信息熵显著性因子取大的融合规则;最后对融合系数进行NSST逆变换得到最终的融合图像。

基于MVOtsu和对数型模糊隶属度函数的电力设备NSST域红外图像增强

针对电力设备红外图像细节模糊、边缘不清等问题,提出了一种基于非下采样剪切波变换(nonsubsampled shearlet transform,NSST)域的电力设备红外图像处理方法。该方法采用NSST将原始图像分为高频部分和低频部分。为了精确分割低频电力设备与背景环境并提高二者对比度,低频部分设计了一种结合均值与方差的MVOtsu(mean and variation otsu)算法,并分别对设备和背景进行线性增强和直方图均衡增强。为了增强高频边缘细节,抑制非边缘噪声,高频部分提出一种对数型模糊隶属度函数,将隶属度值域下界拓展到0,解决经典Pal-King隶属度增强后逆映射时低灰度值区域扁平化问题。最后按照NSST变换合成增强结果。该算法与相关算法相比,边缘强度、信息熵、对比度、标准差等评价指标至少增长15.06%、2.03%、33.78%、1.28%。实验结果表明:文中算法能有效的提高电力设备红外图像整体对比度,对细节和边缘增强效果明显,便于人眼识别和智能故障定位,适用于变电站、巡线等多种环境红外图像增强处理。

基于NSST和自适应稀疏表示的紫外光与可见光图像融合

针对紫外成像仪中紫外光图像与可见光图像的灰度值特点及传统的图像融合方法在图像融合时存在紫外光斑信息丢失的问题,提出一种基于非下采样剪切波变换(NSST)和自适应稀疏表示的紫外光与可见光图像融合方法。首先用NSST变换分解源图像,得到低频子带系数和高频子带系数;然后采用邻域标准偏差取大的融合规则融合低频子带系数,生成近似融合图像;根据自适应稀疏思想指导高频子带系数的融合;最后通过逆NSST变换重构得到融合图像。实验结果表明,该方法在保留可见光背景信息的基础上,很好地融合了紫外光斑信息,改善了图像的主观视觉质量,在客观评价指标上也有所提高。

Infrared polarization image fusion based on combination of NSST and improved PCA

In view of the problem that current mainstream fusion method of infrared polarization image—Multiscale Geometry Analysis method only focuses on a certain characteristic to image representation.And spatial domain fusion method,Principal Component Analysis(PCA)method has the shortcoming of losing small target,this paper presents a new fusion method of infrared polarization images based on combination of Nonsubsampled Shearlet Transformation(NSST)and improved PCA.This method can make full use of the effectiveness to image details expressed by NSST and the characteristics that PCA can highlight the main features of images.The combination of the two methods can integrate the complementary features of themselves to retain features of targets and image details fully.Firstly,intensity and polarization images are decomposed into low frequency and high frequency components with different directions by NSST.Secondly,the low frequency components are fused with improved PCA,while the high frequency components are fused by joint decision making rule with local energy and local variance.Finally,the fused image is reconstructed with the inverse NSST to obtain the final fused image of infrared polarization.The experiment results show that the method proposed has higher advantages than other methods in terms of detail preservation and visual effect.

NSST域下SPCNN与SR结合的多源图像融合

为了凸显不同源图像的不同特征,提出了基于图像特征的参数自动设定的SPCNN模型。结合稀疏表示,提出了一种适合多源图像融合的方法。首先源图像经NSST变换分解为高频系数和低频系数。对高频系数利用图像固有特征自动设置参数的SPCNN模型实现点火,并依据点火总次数和加权融合规则完成融合。对低频系数采用稀疏表示实现融合。最后,通过逆NSST变换重构图像。实验结果表明,本文所提融合方法优于其他5种经典方法,融合图像符合人眼视觉感知系统,结构清晰,细节明显。

基于NSST域方向性加权的多聚焦图像融合方法

传统区域特性方法在进行图像融合时,一方面,低频子带融合规则不能同时充分利用区域内能量信息和边缘信息,另一方面,高频子带融合规则没有充分利用子带的方向性信息。针对传统区域融合方法存在上述局限性的问题,提出了基于NSST域方向性加权的区域特性图像融合方法。首先对图像进行NSST分解,得到一个表征图像概貌的低频子带和多个表征图像细节的高频子带;针对低频子带含有轮廓能量的特点,提出采用基于区域能量匹配的空间频率融合规则,从能量和区域变换2个方面对邻域信息加以利用。针对高频子带含有方向性信息的特点,提出采用带有方向加权的改进拉普拉斯能量和的融合规则,并通过实例验证了该方法的有效性。

基于NSST多尺度自适应的Retinex低照度图像增强算法

目的在对低照度图像进行增强时,针对传统频率域方法由于尺度不够丰富而不能很好保留图像高频细节的问题,提出一种基于NSST多尺度自适应的Retinex低照度图像增强算法。方法首先将低照度图像转化至HSI颜色空间后,单独对I通道进行处理,实现对图像色彩信息的保真效果;然后对I通道进行Retinex算法得到反射分量,从而去除照度信息对图像亮度的影响;对反射分量进行伽马调整后,进行基于La(平均亮度)、Pa(平均对比度)、Ia(信息熵)等3个特征值的自适应NSST分解,从而得到最佳参数的高频分量。结果在主观观察和客观无参考图像质量评价中,文中算法的增强效果和评价得分都要优于其他算法。结论经过自适应参数优化之后,低照度图像的对比度得到了提高,可视性和图像质量都得到了显著提升。