SML与侧窗滤波的Framelet域医学图像融合方法

针对医学融合图像中病灶信息不清晰的问题,提出了一种框架变换(framelet transform,FT)域的医学图像融合方法。针对待融合医学源图像进行FT变换,分别获得一幅低频子带图像和一系列高频子带图像;构建改进型拉普拉斯能量和模型,实现低频子带图像中主体信息的融合,并得到对应的低频子带融合图像;构建改进型侧窗滤波模型,实现高频子带图像中的细节和纹理信息的有效融合,并获得高频子带融合图像;针对低频子带融合图像和高频子带融合图像进行FT逆变换,从而获得最终融合结果图像。仿真实验结果表明,与近年的代表性方法相比,基于该方法生成的融合图像无论在主观视觉效果还是客观评价指标方面均具有显著的优势。

基于改进拉普拉斯能量和的快速图像融合

为了得到优质的融合图像,提出了一种改进的拉普拉斯能量和(New Sum of Modified Laplacian,NSML)多聚焦图像融合算法。该算法在传统SML计算每个像素点的变步长拉普拉斯算子值仅有的水平和垂直方向的基础上,增加了斜对角线上的四个方向。同时通过分析NSML算法的计算过程,发现存在大量的重复计算,从而提出了基于积分图像的快速NSML图像融合方法。该方法通过简化NSML的计算过程,大大减少了图像融合处理过程消耗的时间,提高了图像融合的效率。实验结果表明,快速NSML方法在达到极佳融合图像质量的同时,提升了算法的实时性。

大型高功率激光装置下装系统的碰撞检测

分析了大型高功率激光装置在线可替换单元装校过程的特殊性,建立了基于区域划分的下装系统的方向包围盒,在包围盒的计算中引入闵可夫斯基和的概念,并在其基础上对分离轴的选择进行优化组合,结合碰撞的局部性原理,构建了一种动态的OBB(Oriented Bounding Box)层次树检测方法,经过中国大型高功率激光装置下装系统的装校仿真实践,结果表明这种划分区域的连续检测方法高效可靠。

基于多子空间直和特征融合的人脸识别算法

多个子空间直和能保证多个子空间数据融合时多个子空间得到的特征向量相互两两正交,融合数据采用该特征表示时冗余最小,更有利于分类识别。本文基于多子空间直和进行特征融合,提出了一种新的人脸识别算法。通过2DPCA算法,首先分别计算所有训练样本归一化后正脸、左侧脸及右侧脸图像的协方差矩阵的各P个最大特征值对应的P个相互正交的特征向量,然后通过选取3个子空间的部分满足直和条件的特征向量组成各自的特征空间(投影空间),再将样本正脸、左侧脸及右侧脸图像分别向各自特征空间投影得到3个特征矩阵,最后将此3个特征矩阵融合为该样本的特征矩阵用于最近邻分类器进行分类识别。最终通过本文3组实验数据的对比说明了该算法能减少计算量并且提高了识别率。

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。

基于度量级融合的论文元数据提取方法

针对现有的元数据提取方法提取精度不高且适应能力较差的问题，本文提出一种基于度量级融合的论文元数据提取方法。首先，提取论文首部的特征，利用已标注的数据集对HMM、SVM和CRF三种统计学习方法进行训练，生成相应的元数据提取模型；然后，根据贝叶斯判决理论推导出和规则，并利用和规则对三种提取模型产生的后验概率进行融合决策，实现论文元数据的提取；最后，通过设定时间段和文档数阈值，采用基于时间段统计的方法动态更新三种提取模型，以确保模型的有效性。在不同的数据集上对各种提取方法的性能进行了实验对比，结果表明，本文提出的方法不仅提高了元数据提取精度，而且具有较强的适应能力。

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。

一种基于遗传算法的自适应多聚焦图像融合新方法

提出一种基于遗传算法的自适应分块多聚焦图像融合新方法,该融合算法的主要思想是选择拉普拉斯能量和sum-modified-Laplacian(SML)作为衡量图像子块清晰的度量,边缘信息保留值作为适应度函数,最终运用遗传算法自动搜寻到最优子块大小实现图像的融合。实验结果表明:本文提出的融合方法性能明显优于传统的图像融合方法。

基于复合激励模型的Surfacelet域多聚焦图像融合方法

针对基于传统多尺度分析对图像分解得到的方向子带数量较少,抑制噪声能力弱,融合图像边缘连贯性不好的缺点,本文提出一种基于Surfacelet变换和复合激励模型的多聚焦图像融合方法。通过分别将两幅图像经Surfacelet变换后得到若干不同频带子图像,该方法根据低频子带和高频子带的特点,建立复合激励模型,即分别把改进的拉普拉斯能量和与空间频率作为复合型PCNN的外部激励,采用复合型PCNN优选融合系数,改善融合效果。获取的融合图像的灰度级分布更加分散,图像纹理连贯,细节突出。实验结果表明,该算法克服传统多聚焦图像融合方法的缺陷,客观评价指标显示本方法优于Laplace、DWT和PCA等传统图像融合方法。

稀疏表示和非下采样Shearlet变换相结合的多聚焦图像融合

针对多聚焦图像融合过程中源图像未精确配准带来的伪吉布斯现象,提出一种稀疏表示和非下采样Shearlet变换相结合的图像融合方法.该方法首先利用非下采样Shearlet变换对源图像进行多尺度分解,低频系数采用稀疏表示进行融合,为了提高算法效率和更好地逼近低频系数,将初始融合的低频子图直接作为训练样本自适应构造过完备字典,高频系数采用改进拉普拉斯能量和取大的融合规则,然后重构低高频融合系数得到最终的融合图像.通过和多种融合方法进行对比实验,本文方法融合结果无论从主观视觉还是客观评价上都能得到很好的效果.

信息检索中的两个数据融合方法比较

讨论一种常见的集成方法——距离平方和最小准则,指出该准则下由线性加权原理所得融合结果的优良性以及信息检索文献中的一个错误。然后通过分析基于距离之和最小准则所得融合结果的检索性能,发现由基于距离之和最小准则得到的融合结果距离原始检索结果最近。最后,通过实例验证了该方法的结果。

Shearlet变换和稀疏表示相结合的甲状腺图像融合

针对甲状腺肿瘤超声图像对比度低和SPECT图像边界模糊的特点,结合多尺度几何分析和单尺度稀疏表示的思想,提出了一种Shearlet变换与稀疏表示相结合的图像融合算法。首先,用该变换对已经精确配准的源图像进行分解,得到图像的高低频子带系数。对稀疏性较差的低频子带系数进行字典训练并求解其稀疏表示系数,并采用能量值取大的规则进行融合。高频子带系数采用区域拉普拉斯能量和的规则。最后,用Shearlet逆变换得到融合图像。实验结果表明,此算法在主观视觉效果和客观评价指标上优于多尺度融合方法和单尺度下基于稀疏表示的图像融合方法。

基于Q-Shift DT-CWT的多聚焦图像融合研究

提出了一种基于Q-Shift双树复小波变换的多聚焦图像融合算法.根据多聚焦图像的成像特点和变换后的高低频系数相关性,对高频系数采用"模值绝对值和取大"和对低频系数采用"局部区域标准方差取大"的融合准则,并对高频融合系数进行一致性检测,以实现尽可能直接选择源图像中的清晰区域系数作为融合图像对应位置的系数.实验结果表明,该融合方法获得了很好的融合效果,与小波变换相比,充分显示了近似的平移不变性和良好方向选择性等特性.

一种新的融合图像效果评价方法

目的寻求一种新的融合图像效果评价方法。方法定义了一个新的基于模糊积分的融合图像空间分辨率评价指标。在此基础上,引进原有的偏差指数,利用加权求和定义了融合图像效果评价方法。结果提出一种新的融合图像评价方法。结论新方法更适于进行多光谱图像和高分辨率图像的融合结果分析。

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。

基于复Shearlet变换耦合改进引导滤波的图像融合算法

为了提升图像融合性能,更好保留源图像信息和提高图像的空间连续性,抑制伪Gibbs效应,通过结合复Shearlet变换(CST)与引导滤波器(GF)的优点,定义了一种新的图像融合方案。首先,通过双树复小波变换(DTCWT)与Shearlet变换,构建了具有平移不变性的CST,利用CST对图像分解,输出低频、高频系数;对于低频系数,利用双尺度引导滤波融合,根据邻域像素之间的强相关性来进行权重优化,提高图像的空间连续性;而对于高频系数,利用改进的Laplacian能量和与引导滤波进行融合;最后,通过逆CST技术来获取融合图像。实验表明,与当前常用图像融合算法比较,对于LIVE数据集中任意尺寸为256×256像素的2幅多聚焦灰度图像(同一场景的左、右聚焦各一幅)而言,当Shearlet变换层数为4时,所提算法具有更好的融合视觉效果与客观评价,可较好地保留源图像的信息,且提高了融合图像的空间连续性,其融合图像的熵值、互信息以及边缘强度值更大,分别为5.97、5.88与0.72。

基于ShearLab 3D变换的3维PET/MRI图像融合

为了解决阿尔茨海默病3维正电子发射断层成像(PET)与核磁共振成像(MRI)相同位置强度不同问题,同时保留MRI大脑皮质、脑回沟、海马体等的萎缩情况,首先将两幅源图像在统计参量图(SPM)中预处理,再利用3维剪切波系统(ShearLab 3D)最优表达高维数据的能力对图像分解,生成低高频子带,并以方差作为阈值将高频子带分为中高频子带。低频子带使用3维扩展的加权局部能量与改进拉普拉斯算子的加权和加权的融合规则,并引入锐化矩阵为权重参量,使融合图像边缘清晰;中频子带以绝对值为活动度量增强图像的边缘信息;高频子带以3个3维底层特征加权融合规则增强图像的细节特征。最后,利用ShearLab 3D逆变换获得PET/MRI图像。结果表明,ShearLab 3D变换的融合结果整体优于空域和小波变换;ShearLab 3D方法中将不同融合规则对比分析,该算法融合结果的平均梯度、空间频率、边缘强度、综合熵分别提高了11.09%,22.58%,152.68%,0.58%,解决了边缘模糊、细节不清晰的问题。该研究为PET/MRI图像融合提供了参考。

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。

序列化融合的指纹匹配方法

在指纹识别中,利用细节点或纹线等单一指纹特征的识别算法来得到一个很高的识别性能比较困难。将不同的指纹匹配算法进行融合来获得较高的准确率已经成为当前研究的热点。提出了一种新的序列化融合的指纹匹配方法。利用基于细节点的指纹匹配算法对待识别指纹进行预判,对于不能确定其为同源或异源的,将再利用基于纹线的指纹匹配算法进行匹配,对两次的匹配得分进行融合,基于融合结果判断其为同源或异源。在指纹库FVC2002DB2上的实验结果表明,采用基于细节点的指纹匹配算法、基于纹线的指纹匹配算法、对上述两种算法的Sum融合方法、提出的方法得到的等错误率(EERs)分别为3.0%、4.9%、2.0%、1.9%,且相对于Sum融合方法,提出的方法在时间消耗上降低了64.64%。