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。

基于双树复Shearlet变换与改进PCNN的图像融合算法

为了克服双树复小波变换(dual tree complex wavelet transform,DTCWT)在图像融合中对方向选择性较差,难以很好地反映源图像的细节信息等不足,提出了一种新的双树复剪切波变换(dual-tree complex shearlet transform,DTCST)与自适应双通道脉冲耦合神经网络(adaptive dual-channel pulse coupled neural network,ADCPCNN)的图像融合方案。首先,利用形态学对源图像处理,对图像进行增强。再利用DTCST方法对增强图像完成分解,获得相应的低频、高频系数。然后,对于低频系数,定义了一种新的基于稀疏表示(sparse representation,SR)的融合规则。对于高频系数,利用边缘能量作为ADCPCNN外部输入,定义了一种ADCPCNN融合规则。最后,基于逆DTCST机制,输出融合图像。实验表明,与当前常用的图像融合方法比较,算法具有更高的融合视觉质量,所输出的图像更加清晰,较好保持了源图像的细节与纹理。

Shearlet域变换与复扩散方程结合的SAR图像降斑

针对大多数降斑算法不能很好地在实现区域平滑的同时保持图像细节边缘这一问题,提出了一种新的复扩散方程,结合Shearlet变换给出了一种模极大值边缘检测方法.将获得图像边缘与降斑平滑的结果相结合,在有效实现降斑平滑的同时保持了图像的边缘.实验结果表明,该方法对SAR图像中的点目标、边缘和纹理具有较好的保持能力,在有效降斑的同时,更多地保留了图像的边缘和细节.

基于Shearlet变换的泊松噪声图像复原问题研究

为了解决泊松噪声图像的复原问题,几种正则化方法已被提出,其中最著名的是全变差(TV)模型,但TV模型会引起阶梯效应。总广义变差(TGV)是全变差的推广,用TGV作为正则项来恢复泊松图像,可以消除阶梯效应,但图像的边缘细节信息不能很好地保持。为了克服这个缺点,基于TGV和Shearlet变换,该文提出了一种新的正则化模型,并用交替方向乘子法(ADMM)求解。数值结果有效地展示了该模型在保持图像边缘细节上的优越性。

马尔可夫模型与Shearlet变换结合的SAR图像超分辨率复原方法

为了不改变成像硬件条件,通过软件方法提高SAR图像分辨率,提出一种马尔可夫随机场(MRF)模型和Shearlet变换相结合的超分辨率复原方法。该方法分为两个过程,训练过程和学习过程。在训练过程中,首先对训练库中的高、低分辨率图像进行Shearlet变换,提取不同方向、不同分辨率的中、高频信息,然后对不同方向的中、高频信息进行分块。在学习过程中,使用Shearlet变换提取待复原图像的中频信息并对其分块,然后在训练库的辅助下,使用MRF建立图像特征模型,最后通过最大后验概率(MAP)估计出各个方向的高频信息,将估计出的高频信息和待复原的低分辨率图像叠加到一起进行Shearlet反变换,最终获得高分辨率图像。通过对真实SAR图像的处理结果表明,无论是主观的视觉效果还是客观的指标上,本文提出的方法都取得较好的结果,优于传统插值方法以及目前最新的基于稀疏表示的超分辨率方法。

双树复小波变换下的数字图像鲁棒性水印方法

为提高数字图像的峰值信噪比,提出基于双树复小波变换的数字图像鲁棒性水印方法。利用双树复小波变换对原始输入图像进行分解,结合小波函数与图像重构条件,降低输出信息的冗余度,并通过计算各子图的高频变量,确定水印嵌入位置,以此为依据,根据嵌入强度因子与水印嵌入密钥实现水印的嵌入,通过图像水印序列的解扩与反置乱操作,对图像水印进行提取,继而完成水印的嵌入与提取过程。实验结果表明,所提方法的峰值信噪比较高,具有良好的鲁棒性。

基于复剪切波变换与VGG19模型的医学图像融合方法

针对传统医学图像融合方法存在的细节信息不够清晰、边缘信息易丢失和图像失真等缺点,以及深度学习网络缺乏足够的训练数据集等问题,提出了一种基于复剪切波变换和预训练网络模型VGG19的多模态医学图像融合方法。首先,利用复剪切波变换提取医学图像边缘和纹理信息,并得到多尺度、多方向的子带系数。然后,使用加权局部能量和修正的拉普拉斯算子对低频子带系数进行融合;引入预训练的VGG19提取多层特征图,结合加权评估规则来获取高频子带的融合结果。最后,对融合的高频和低频子带,施加复剪切波逆变换重构融合图像。实验表明,该方法得到的融合图像,不仅可以清晰地显示图像的细节信息和边缘信息,而且能够有效抑制伪影和失真现象的产生,在主观视觉比较和6种客观评价指标下能够达到更佳融合效果。

联合VMD和Shearlet变换的去噪方法研究

地震数据中的噪声信号会很大程度上降低地震数据的信噪比,对后续的处理和解释工作造成一定的难度,因此研究一种去噪方法具有十分重要的意义。本文构建一种变分模态分解(Variational Mode Decomposition,VMD)和Shearlet变换联合去噪的方法,首先通过VMD将地震数据分解为一系列不同中心频率分布的模态分量(Intrinsic Mode Function,IMF),然后使用Shearlet变换对含噪的IMF分量进行去噪并对处理后的分量进行重构,最终达到去噪目的。该方法引入基于稀疏表示的地震数据去噪方法,兼顾VMD和Shearlet变换的优点,可以有效去除噪声。经过合成信号、模型及实际数据测试结果表明,本文方法处理合成信号结果显示,与VMD和小波变换方法相比,信噪比分别提高1.69、1.87,均方误差数值上减少近一半,在去除噪声的同时能更好地保留地震数据特征,提高地震资料的信噪比。

通用径向复指数变换的图像鲁棒水印算法

针对图像水印对噪声和几何攻击的鲁棒性差的问题,文中提出了一种通用径向复指数变换的鲁棒水印算法。该算法通过调整选取的通用径向复指数变换的变换系数幅值大小并嵌入图像,在提取水印过程,通过水印图像计算变换系数,从而获得水印。实验结果显示了通用径向复指数变换的参数取不同值时,该水印算法对噪音、滤波和几何攻击的鲁棒性,验证了通用径向复指数变换的参数适当选取时,该水印算法对中心修剪攻击的鲁棒性更强。

基于改进复连续小波变换识别桩身损伤位置

为了对在役桩基的安全性进行测试和评估,通过引入K均值聚类算法和快速傅里叶变换提出了基于改进复连续小波变换的桩身损伤位置识别方法。首先,借助K均值聚类算法计算入射波和反射波引起的能量集中点在时频面上对应的时间坐标;其次,针对响应信号进行快速傅里叶变换,然后根据傅里叶频谱图中首尾两个峰值点对应的频率坐标确定相位角映射图中“交叉点”的频率查找范围。由于时间和频率坐标范围的精确确定,桩身的损伤位置也得以精准定位。最后,通过一个桩基有限元模型和桩基动力试验验证了基于改进复连续小波变换的桩身损伤位置识别方法的有效性。研究结果表明:该方法能够精准定位桩身的损伤位置且降低了干扰点的影响。

基于四元数极性复指数变换的图像复制-粘贴篡改检测算法

在面对复制-粘贴(Copy-Move)篡改检测时,图像经过压缩、缩放、旋转和加噪等篡改操作处理后会导致检测性能的急剧下降甚至检测失败。本研究提出一种基于四元数极性复指数变换(quaternion polar complex exponential transform,QPCET)和改进PatchMatch的篡改检测算法。将待测图像进行重叠分块之后,计算各分块的四元数极性复指数变换不变量,并作为每一块的特征向量,构成特征矩阵。特征向量的初步匹配通过改进的PatchMatch算法完成,再通过随机抽样一致(random sampling consistency,RANSAC)算法去除错误的匹配块。在此基础上,使用形态学运算对标记区域进行处理,最终确定篡改区域。仿真结果表明,该算法可以有效检测图像中的Copy-Move篡改,并且对图像旋转、缩放、加噪和JPEG压缩等篡改区域后处理操作具有较好的鲁棒性。

基于Shearlet变换的地震随机噪声压制

地震勘探中的噪声对地震信号产生严重的畸变和干扰,常规的地震去噪方法已经不能满足当前高精度地震勘探的要求。提出了基于Shearlet变换的地震数据去噪方法,Shearlet变换是一种新的多尺度变换方法,具有多方向、多分辨率及最佳稀疏逼近性质,并且计算效率高。Shearlet变换在去除随机噪声的同时能最大程度保留有效信号,有效地提高信噪比。利用Shearlet变换阈值去噪法与其他地震去噪方法分别对不同信噪比的合成地震记录和实际地震记录进行对比,结果表明Shearlet变换具有更强的去噪能力和更高的运算效率。

基于Shearlet变换的自适应图像融合算法

针对多聚焦图像与多光谱和全色图像的成像特点,结合Shearlet变换具有较好的稀疏表示图像特征的性质,提出了一种新的图像融合规则.并基于此融合规则,提出了基于Shearlet变换的自适应图像融合算法.在多聚焦图像的融合算法中,分别对聚焦不同的图像进行Shearlet变换,并基于本文提出的融合规则,对分解后的高低频系数进行融合处理.通过与多种算法的比较实验证明了本文提出的算法融合的图像具有更高的清晰度和更加丰富的细节信息.在多光谱和全色图像的融合处理中,提出了一种基于Shearlet变换与HSV变换相结合的图像融合方法.该算法首先对多光谱图像作HSV变换,将得到的V分量与全色图像进行Shearlet分解与融合,在融合过程中对分解系数选用特定的融合准则进行融合,最后将融合生成新的分量与H、S分量进行HSV逆变换产生新的RGB融合图像.该算法在空间分辨率和光谱特性两方面达到了良好的平衡,融合后的图像在减少光谱失真的同时,有效增强了空间分辨率.仿真实验证明,本文算法融合的图像与传统的多光谱和全色图像融合算法相比,具有更佳的融合性能和视觉效果.

基于Shearlet变换稀疏约束地震数据重建

地震数据重建是地震数据处理流程中关键步骤之一,重建效果的好坏直接影响到后续的多次波消除以及偏移成像效果。为了获得更好的重建效果,提出了以压缩感知为理论基础,采用jitter欠采样的Shearlet变换稀疏约束地震数据重建方法。将Shearlet变换与凸集投影(POCS)算法结合起来在动校正预处理后对地震数据进行重建,增强了地震数据在Shearlet域的稀疏性。理论分析和实际地震数据验证结果表明,该方法可以在部分地震数据缺失的情况下取得很好的重建效果,有效地解决了假频问题。

基于Shearlet变换的图像去噪算法

针对传统变换域去噪算法的不足,提出一种基于Shearlet变换的图像去噪算法。该算法首先在Shearlet变换理论基础上实现了一种分解和重构的方法,然后用Monte-Carlo方法对高频系数进行估计,最后通过阈值函数进行收缩去噪。实验结果表明,该算法在抑噪和保持边缘的同时,取得了较好的视觉效果和更高的PSNR值。

基于压缩感知技术的Shearlet变换重建地震数据

基于预测滤波方法进行地震数据重建的误差偏大,基于波动方程进行地震数据重建的计算量较大,基于某种变换的地震数据重建精度偏低。为此,利用基于压缩感知技术的Shearlet变换重建地震数据。基于信号的稀疏性,在欠采样的情况下,首先根据地震数据的缺失情况设计采样矩阵,然后使用Shearlet变换将地震数据稀疏化,再采用正交匹配追踪算法在Shearlet域中完成对稀疏系数的重建,最后通过Shearlet反变换实现地震数据重建。实验结果表明,基于压缩感知技术的Shearlet变换能够很好地重建地震数据,且重建精度高于基于压缩感知技术的Fourier变换、离散余弦变换、小波变换和Curvelet变换。

shearlet变换和区域特性相结合的图像融合

为了提高多模医学图像或多聚焦图像的融合性能,结合shearlet变换能够捕捉图像细节信息的性质,提出了一种基于shearlet变换的图像融合算法。首先,用shearlet变换将已精确配准的两幅原始图像分解,得到低频子带系数和不同尺度不同方向的高频子带系数。低频子带系数使用改进的加权融合算法,用平均梯度来计算加权参量,以此来改善融合图像轮廓模糊度高的问题,高频子带系数采用区域方差和区域能量相结合的融合规则,以得到丰富的细节信息。最后,进行shearlet逆变换得到融合图像。结果表明,此算法在主观视觉效果和客观评价指标上优于其它融合算法。

基于Shearlet变换和多尺度Retinex的遥感图像增强算法

传统的小波变换、曲波变换和轮廓波变换无法对图像提供最优的稀疏表示,不能取得好的增强效果,为此,提出了一种基于剪切波(Shearlet)变换的图像增强算法。经Shearlet变换,图像被分解成低频分量和高频分量。首先,对Shearlet变换分解后的低频分量进行多尺度Retinex(MSR)调整,以减轻光照条件对图像的影响;其次,对各尺度、各方向上的高频系数采用阈值抑噪来消除噪声;最后,对重构图像进行模糊对比度增强,提高图像的整体对比度。实验结果表明该算法能够明显改善图像的视觉效果,突出图像的纹理细节且具有良好的抗噪性能。与直方图均衡(HE)、MSR、基于非下采样轮廓波变换(NSCT)的图像模糊增强(NSCT_fuzzy)算法相比,图像清晰度、信息熵、峰值信噪比(PSNR)均有一定的提高,且运行时间缩短为MSR的1/2和NSCT_fuzzy的1/10左右。

基于非下采样Shearlet变换的磁瓦表面缺陷检测

针对磁瓦表面缺陷对比度低,图像受不均匀背景和磨削纹理干扰大等问题,提出了一种基于非下采样Shearlet变换(non-subsampled Shearlet transform,NSST)的磁瓦表面缺陷检测方法。首先,对磁瓦图像进行多尺度多方向NSST分解,得到一个低频子带图像及多个频率和方向变化的高频子带图像。然后对缺陷在高低频域表现出的不同特征进行针对性的处理,在低频子带中分别计算行均值线图像和列均值线图像,将列均值线图像沿行均值线图像扩展,构造基于均值的自适应阈值对低频子带进行滤波,以去除不均匀背景;同时,利用同一分解尺度下各高频子带系数中微弱缺陷信号的方差较大,显著缺陷信号的能量较大,而噪声和背景干扰信号的方差和能量均较小的差异,构造基于Shearlet高频分解系数方差和能量的综合高频缺陷识别算子,滤除高频子带中的噪声和背景干扰。最后,对修正后的分解系数进行逆NSST重构,得到背景均匀,磨削纹理和噪声干扰被充分抑制的高对比度图像,并采用自适应阈值分割方法提取出缺陷区域。实验结果表明,该方法的假阳性率、假阴性率和检测准确率分别达到8.8%、5.0%和93.1%;本文算法在MATLAB仿真平台中平均运行时间为0.629 s;相较于现有的磁瓦表面缺陷检测算法,该方法能够有效地去除不均匀背景、磨削纹理和噪声干扰,检测结果更加准确,鲁棒性更强。

迭代离散Shearlet变换异类源遥感图像融合

Shearlet变换是一种多尺度几何分析算法,适用于遥感这类纹理丰富、边缘复杂的图像处理。提出了一种基于迭代离散Shearlet变换的图像融合算法,将源图像进行分解,得到图像的多尺度、多方向树型结构表示;对粗糙分量和带通细节分量分别采用不同的融合规,得到融合图像的树型结构表示;最后进行Shearlet反变换得到融合图像。仿真结果表明,提出的算法比基于Contourlet变换的图像融合算法有更好的效果,更有利于保留纹理和边缘信息。