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。

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。

基于静态小波变换的提升框架分解

静态小波变换的最大优点是具有平移不变性。该文基于小波变换的多相表示,利用多采样率滤波器理论中上(下)采样算子与滤波器的等效易位关系,提出了将传统的静态小波变换由懒惰小波变换经过有限步交替的提升和对偶提升结构来实现的方法。由于提升框架容易实现逆变换,故在处理边界中具有更大的灵活性。分析表明,与标准算法相比,通过提升分解,可减少一半计算量。

基于灰色关联度的提升小波域图像融合算法

针对多聚焦图像,提出了一种基于提升静态小波变换(Lifting Stationary Wavelet Transform,LSWT)和灰色关联度相结合的图像融合算法。首先将待融合的两幅图像分别进行提升静态小波变换,低频分量采用平均法融合。其次针对低频分量和各个方向的高频分量,分别计算以每个像素为中心的方块的能量和均值。然后按照一定的融合规则,分别得到高频分量融合后的值。最后进行提升小波逆变换,得到融合后的图像。实验结果显示,该方法融合效果较好,优于传统算法。

多源视频序列噪声抑制融合算法

提出一种新的红外与可见光视频序列噪声抑制融合算法。首先采用图像分块结合局部加权信息熵的方法对红外图像进行目标区域分割;然后对已配准的红外与可见光源图像利用本文作者提出的新融合规则仅在目标区域进行融合;最后将融合后的目标区域与可见光图像的背景相结合。与传统融合算法的对比实验表明:该算法在抑制噪声的同时能更好地实现两类源图像的优势互补,具有实时性高和对噪声的鲁棒性好等特点。

一种新的自适应消噪方法

基于小波变换的自适应消噪方法为雷达信号的滤波提供了一种可行的办法。考虑到离散小波变换(DWT)不具有平移不变性,而静态小波变换(SWT)又不能很好地分析信号的高频部分,提出了一种新的自适应消噪方法。它根据CWT的提升方法,得到静态小波包的提升实现方法,并设计出适合本系统的确定最优小波包分解树的相应步骤,利用引入了更多动量因子的权系数迭代公式对各子带进行自适应匹配,并将匹配结果二次自适应,得到拟合的原信号。仿真中将其与其它两种基于小波的自适应方法进行了比较,表明该方法可在适当减小计算量的同时,进一步改善系统的滤波性能。

静态小波域内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)的多聚焦图像融合方法。对经LSWT分解得到的不同频域子带系数采用不同的系数选择方案。在融合低频子带系数时考虑到人眼视觉对图像局部对比度比较敏感的特性,引入了一种新的局部特征对比度的概念,并给出了低频子带系数的选择方案。在融合高频子带系数时,充分考虑到人眼视觉对图像边缘细节比较敏感的特性而对单个像素的亮度不敏感的特性,引入了一种适应于高频子带系数的特征对比度的概念,设计出一种基于特征对比度的系数选择方案。实验证明,算法相对于传统的基于图像对比度的图像融合方法,能够提取更多的有用信息并注入到融合图像中,得到视觉效果更好,更优量化指标的融合图像。

改进区域分割的多聚焦图像融合方法

针对传统多尺度几何分析方法在图像融合时易损失清晰度以及融合规则选取复杂的缺点,提出一种改进基于区域分割的多聚焦图像融合方法;首先,根据提升静态小波变换快速获得初始融合图像,并对初始融合后的图像进行Normalized Cut算法处理以获得不同的分割区域,然后分别对原始图像进行NSCT变换并计算每个分割区域内高频分量系数的绝对值之和,最后选取绝对值最大的区域为融合后区域,并通过遍历每个分割区域获得融合后的多聚焦图像;数值试验证明,本算法不但融合规则选取较传统多尺度分析融合算法简单,还能够有效克服清晰度损失的缺点,具有有效性。

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。

基于提升静态小波-分数阶傅里叶变换的LFM识别

提出了一种基于提升静态小波(SWT)-分数阶傅里叶变换(FRFT)的识别算法。该算法提高了FRFT的精确定位能力,并且在建立滤波前后小波系数非线性关系的基础上,提出了软硬阈值折中消噪法。算法首先找出每个分数阶次对应的最大值点,将这些最大值组成曲线的模通过提升SWT变换转换到小波域;利用折中消噪法消去其低频系数噪声,从而估计出信号的低频部分在时间平移轴上的大概位置;然后对各层高频系数进行初滤波,剔除带外噪声,并采用折中消噪法进行二次滤波;最后重构信号并根据曲线峰值对其精确定位以识别各个参数。仿真结果验证了算法的有效性。

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。

基于多尺度积视觉特性的多聚焦图像融合算法

针对传统多尺度图像融合算法不能有效抑制噪声的缺陷,提出一种基于提升静态小波变换(LSWT)多尺度积的多聚焦图像融合算法,并在LSWT域中引入了局部可见度以及局部视觉特性对比度的概念.在融合低频子带系数和各高频子带系数时,分别提出了基于局部可见度和基于多尺度积的局部视觉特性对比度的系数选择方案.实验表明,该算法不仅能有效抑制噪声对融合算法的影响,而且能够得到比传统方法视觉效果更好和更优量化指标的融合图像.