基于改进Contourlet变换的遥感图像融合算法

针对基于Contourlet变换的遥感融合图像空间分辨率较低的问题,提出了一种基于改进的Contourlet变换(MCT)的遥感图像融合方法。首先,对多光谱图像进行亮度-色调-饱和度(IHS)变换,得到其亮度、色调、饱和度三个分量;其次,取多光谱图像的亮度分量,与直方图匹配后的全色图像进行改进的Contourlet变换,分别获得低频子带系数与高频子带系数;然后,对低频子带系数采用平均法进行融合,对高频子带系数采用新改进的拉普拉斯能量和(NSML)作为融合规则进行融合;最后,把融合结果作为多光谱图像的亮度分量,通过IHS逆变换得到融合的遥感图像。将所提方法与基于主成分分析(PCA)和Shearlet的方法、基于PCA与小波的方法以及基于非下采样Contourlet变换(NSCT)的方法相比,所提方法在清晰度评价指标平均梯度上分别提高了7.3%、6.9%和3.9%。实验结果表明,所提方法提高了Contourlet变换的频率局部化特性和分解系数利用率,在保持多光谱信息的基础上,有效地提高了遥感融合图像的空间分辨率。

基于非下采样Contourlet变换的医学图像融合方法

针对传统多尺度变换的医学图像融合问题,提出一种基于非下采样Contourlet变换的医学图像融合新方法。在低频子带系数的选取上,根据医学图像的特点,考虑到相邻低频子带系数之间存在的相关性,采用基于区域能量的融合规则;在选择带通方向子带系数时,充分利用非下采样Contourlet变换的方向特性,采用改进拉普拉斯能量和作为带通方向子带系数的融合规则。实验结果表明,与传统融合方法相比,该方法避免了图像失真,达到了良好的图像融合效果。

NSCT域内基于自适应PCNN的图像融合新方法

论文结合非下采样contourlet变换(NSCT)的平移不变性、多尺度、多方向特性和脉冲耦合神经网络(PCNN)的同步脉冲发放、捕获特性,提出在NSCT域中基于PCNN的图像融合框架。对于低频子带,利用改进拉普拉斯能量和作为特征激励PCNN;对于高频方向子带,采用改进的空间频率作为PCNN的外部激励;同时利用各子带图像的平均梯度自适应调节PCNN的链接强度,最后,选取具有较大点火次数的系数作为融合图像的系数,经逆NSCT变换重构融合图像。实验结果表明本文方法无论在主观视觉还是客观评价标准上都要优于传统的基于小波变换、contourlet变换、PCNN的图像融合方法。

提升静态小波域内多聚焦图像融合算法

针对同一场景的多聚焦图像融合问题,提出了一种新的基于提升静态小波变换(Lifting Stationary Wavelet Transform,LSWT)的多尺度积图像融合算法。该方法在选择融合图像的低频子带系数时定义了一种新的改进拉普拉斯能量和(Sum Modified-laplacian,SML),设计了一种基于拉普拉斯能量和的加权与选择相结合系数选择方案;当选择高频子带系数时,根据多尺度积具有放大图像边缘特征弱化噪声的特点,在LSWT多尺度积的基础上给出了局部拉普拉斯算子和(Local Modified Laplacian,LML)的概念,并提出了基于多尺度积局部拉普拉斯算子和的系数选择方案;实验结果表明,该算法不仅能充分提取源图像信息注入到融合图像中,而且能有效抑制噪声的影响,得到比传统融合方法更优的视觉效果。

提升静态小波与自适应PCNN相结合的图像融合算法

提出了一种新的基于提升静态小波变换与自适应PCNN相结合的图像融合算法。该方法定义一种图像单个像素的清晰度作为PCNN的链接强度,使得PCNN能根据像素清晰度的变化来自适应地调整链接强度的大小,接着对图像经提升静态小波分解得到的低频子带系数的改进拉普拉斯能量和及高频子带系数的单个像素的灰度值,分别作为自适应PCNN神经元的外部输入,并根据点火次数来确定图像融合系数。最后由提升静态小波变换的逆变换得到融合图像。实验表明,该方法在视觉效果和客观评价指标上都优于传统的基于小波变换、提升静态小波变换、提升静态小波-PCNN的图像融合算法。

非采样Contourlet变换的多尺度积图像融合算法

为了得到优质的融合图像,提出了一种新的基于非采样Contourlet变换(Nonsubsampled Contourlet Transform,NSCT)的多尺度积图像融合算法。分别讨论了低频子带与各高频子带系数的选择方案。当选择融合图像的低频子带系数时定义了一种新改进的拉普拉斯能量和(Sum modified-laplacian,SML),设计了一种基于新改进拉普拉斯能量和的加权与选择相结合系数选择方案;在选择各高频方向子带系数时,根据多尺度积具有放大信号边缘特征,降低信号噪声的特点,提出了一种基于NSCT方向多尺度积的系数选择方案,从而不仅能恰当地选择出融合图像的NSCT各方向子带系数,有效保留图像的细节特征,而且能抑制噪声对融合算法的影响。实验结果表明,该方法优于基于小波变换和提升静态小波变换的图像融合算法,得到视觉效果更好,客观评价更高的融合图像。

基于插值与剪切波融合的图像超分辨率重建

针对单幅图像超分辨率重建问题,提出一种基于软判决自适应(SAI)-双三次(Bicubic)插值与平移不变剪切波融合的超分辨率重建算法。对源图像分别进行SAI插值和Bicubic插值,采用平移不变剪切波变换对2幅插值图像进行多尺度、多方向分解,得到低频及高频子带,对于低频子带,根据区域系数方差确定模糊相似度,结合改进的S函数确定自适应加权融合规则,对于高频子带,采用新改进拉普拉斯能量和与加权平均相结合的融合规则进行处理,将得到的融合系数进行剪切波逆变换,从而得到高分辨率重建图像。实验结果表明,与原有的SAI插值算法相比,该算法能提升重建图像的清晰度及峰值信噪比。

提升静态小波特征对比度多聚焦图像融合算法

针对多聚焦图像融合问题,提出了一种新的基于提升静态小波变换(lifting stationary wavelet transform,LSWT)的特征对比度图像融合方法。该方法对图像经LSWT分解得到的不同子带系数采用不同的融合方案。在选择低频子带系数时提出了一种基于改进拉普拉斯能量和的视觉特性对比度系数选择方案;而在选择融合图像的高频子带系数时,根据人眼视觉对图像局部对比度变换非常敏感的特性,提出了局部特征对比度的概念,设计了一种基于局部特征对比度的系数选择方案。实验证明,该算法相对于传统图像融合方法,能得到视觉效果更好、量化指标更优的融合图像。

自适应PCNN的形态小波多聚焦图像融合方法

为了解决传统形态小波图像融合方法在重构尺度信号时发生了位置错误和重构细节信号时发生了灰度值下溢的不足,提出一种有效的基于自适应脉冲耦合神经网络(PCNN)的形态小波多聚焦图像融合方法。通过形态小波对已配准的源图像进行分解;提出一种自适应的PCNN,用分解系数的改进拉普拉斯能量和(SML)作为PCNN对应神经元的反馈输入,用图像的清晰度作为对应神经元的连接强度,经过PCNN点火获得参与融合系数的点火映射图,通过判决选择算子指导系数的融合;经过形态小波逆变换得到融合图像。实验结果表明,该算法的融合图像具有良好的视觉效果及较高客观评价指标。

基于改进的非下采样剪切波变换多聚焦图像融合技术的研究

针对多聚焦图像融合的具体问题,文中提出一种基于改进的非下采样剪切波变换(NSST)的图像融合方法。NSST变换更加有利于保持图像的边缘和轮廓信息,同时保持了图像的平移不变性。在对原图像进行多尺度几何变换后,针对图像融合过程中源图像不同清晰指标,采用改进的绝对值取大的融合规则处理经过多尺度几何变换后的高频系数;采用基于区域加权的拉普拉斯能量和的方式处理低频系数,将得到的高、低频系数经过NSST逆变换最终得到融合图像,实验结果表明,对于多聚焦图像融合,文中提出的算法,不仅在主观视觉方面获得了良好的效果,而且在客观评价标准方面也优于传统的多聚焦融合算法。

基于NSCT和SLIP模型的红外与可见光图像融合

针对红外与可见光图像融合问题,提出了一种基于非下采样Contourlet变换(NSCT)和对数对称图像处理(SLIP)模型的图像融合方法。首先,对源图像进行NSCT分解,得到一个低频子带和若干高频子带;然后,基于SLIP模型计算低频融合系数,从而完整保留目标和背景信息,对于高频子带采用基于改进拉普拉斯能量和(SML)的融合策略,并利用贝叶斯准则和SLIP模型抑制噪声和增强边缘细节;最后,重构高频与低频子带,得到融合图像。试验结果表明,与近年提出的3种融合方法相比,该方法可有效提取源图像的红外目标与背景信息,融合图像边缘光滑且细节丰富,具有良好的视觉效果。

基于滚动导向滤波的单幅图像去雨算法

针对现有去雨算法存在去雨过度化、丢失细节信息的问题,提出基于滚动导向滤波的单幅图像去雨算法。首先,使用滚动导向滤波将图像分解为低频图像和高频图像;其次,对低频图像使用改进的拉普拉斯能量和规则,对高频图像使用滚动导向滤波权重图规则;最后,加权融合得到去雨图像。试验结果表明,此方法不仅可以显著保持去雨图像的结构信息与纹理细节,还能够大幅提升去雨图像的主观视觉效果与客观评价指标。

基于提升静态小波变换与联合结构组稀疏表示的多聚焦图像融合

为抑制传统小波变换在多聚焦图像融合中产生的伪吉布斯现象,以及克服传统稀疏表示的融合方法容易造成融合图像的纹理与边缘等细节特征趋于平滑的缺陷,提高多聚焦图像融合的效率与质量,采用一种基于提升静态小波变换(LSWT)与联合结构组稀疏表示的图像融合算法。首先对实验图像进行提升静态小波变换,根据分解后得到的低频系数与高频系数各自不同的物理特征,采用不同的融合方式。选择低频系数时,采用基于联合结构组稀疏表示的系数选择方案;选择高频系数时,采用方向区域拉普拉斯能量和(DRSML)与匹配度相结合的系数选择方案。最后经逆变换重构得到最终融合图像。实验结果表明,改进的算法有效地提高了图像的互信息量、平均梯度等指标,完好地保留图像的纹理与边缘等细节信息,融合图像效果更好。