基于非抽样Contourlet变换的自适应阈值图像增强算法

提出了一种基于非抽样Contourlet变换的自适应阈值图像增强算法,首先对图像进行非抽样Contourlet变换得到不同尺度不同方向上的变换系数,然后由变换系数自适应地确定阈值和调整增强函数,并对变换系数做增强处理,最后对增强处理后的变换系数进行反变换,实现图像增强.实验结果表明,与其他基于变换域的算法相比,该算法可以得到更好的增强效果.

基于非抽样Contourlet变换的红外图像和可见光图像融合算法

分析了非抽样Contourlet变换(nonsubsampled contourlet transform,NSCT)的原理和优点,针对红外图像和可见光图像的特征,提出了一种新的基于NSCT图像融合算法,应用NSCT对图像进行多尺度、多方向分解,低频子带采取区域能量加权法融合,带通子带采取区域方差加权法融合,最后将融合的系数进行NSCT逆变换得到融合图像.实验表明,与其它融合算法比较,该算法融合图像效果较好.

基于非抽样Contourlet变换的医学图像融合算法

分析了非抽样Contourlet变换(Nonsubsampled Contourlet Transform,NSCT)的原理,提出了一种新的基于NSCT的医学图像融合算法,应用NSCT对CT和MRI图像进行多尺度、多方向分解,低频子带采取区域能量加权法融合,带通子带采取模最大融合,最后将融合的系数进行NSCT逆变换得到融合图像。实验表明,与其它融合算法比较,该算法融合图像效果较好。

非抽样Contourlet变换的低频数字水印

非抽样Contourlet变换(NSCT)是一个平移不变、多尺度、多方向的变换,在图像处理中具有一定的优越性,提出一种基于非抽样Contourlet变换的数字水印算法,低频系数集中了图像的大部分能量,在低频嵌入水印可以提高鲁棒性,为了满足不可见性,对低频系数进行8×8的分块,根据每一块的能量以及人类视觉特性进行自适应的嵌入水印,实验结果表明算法具有很好的鲁棒性和不可见性,能够有效地抵抗JPEG、噪声等攻击。

利用非抽样Contourlet变换的抗旋转攻击水印算法

对原始图像进行非抽样Contourlet变换得到不同尺度方向上的子带,利用该变换的多方向性和冗余性在特定子带上嵌入水印信息。为了平衡水印的不可感知性和稳健性之间的矛盾,依据人类视觉的感知特性自适应地嵌入水印。检测时使用基于相关的盲检测。为了提高变换域水印算法抵抗旋转攻击的能力,利用Radon变换和双谱分析来进行角度校正。实验结果表明,该算法在满足不可见性条件下对旋转、加噪、剪切和JPEG压缩等常见处理有较强的鲁棒性。

一种基于非抽样LP的Contourlet变换图像去噪方法

由于提高Contourlet变换冗余性可以抑制去噪结果中的伪Gibbs现象,因此为了提高变换冗余度和避免数据量过大,以进行快速有效的图像去噪,提出了一种基于非抽样LP的Contourlet变换图像去噪方法。该方法首先对带噪图像进行非抽样LP多尺度分解;然后对各子带图像进行临界抽样的DFB分解,再采用尺度相关的分层模型对各子带图像进行阈值处理;最后对处理后的子带图像进行DFB和LP重建,以得到去噪后的图像。与同类型有关方法进行的对比实验表明,在去噪后图像的PSNR值上,该方法比常规Contourlet变换方法至少提高1dB;在完成时间方面,该方法比其他改进方法快1倍以上。

基于非抽样Contourlet变换的最佳软阈值图像去噪

研究了小波变换在图像处理中的缺陷,以及Contourlet变换在图像处理中产生伪Gibbs失真的原因。为了在多尺度分析框架下改进图像去噪的效果,提出了一种基于非抽样Contourlet变换的图像去噪算法,利用非抽样Contourlet变换的多尺度多方向性以及平移不变性,对加噪图像进行非抽样Contourlet变换得到变换系数,然后对变换系数采用分层最佳软阈值处理,最后将其反变换得到去噪后的图像。实验结果表明,与Contourlet变换图像去噪算法相比,该算法可以达到更好的效果。

非抽样Contourlet变换的盲数字水印

根据非抽样Contourlet变换的特性,提出一种非抽样Contourlet变换域的盲水印算法,算法选择在具有最大能量的中高频子带中嵌入水印,在对水印进行加密后,利用密钥生成PN序列,根据水印值的不同PN序列嵌入宿主图像的方式也不同。提取水印不需要原始图像,利用NSCT变换系数与PN序列的相关性系数提取水印,实现盲提取。实验证明算法具有一定的不可见性和鲁棒性,具有很强的抗JPEG压缩的鲁棒性。

基于非抽样Contourlet变换的高定位精度认证水印算法

本文提出了一种基于非抽样Contourlet变换的高定位精度图像自适应认证水印算法。对原始图像进行非抽样Contourlet变换,选取低频子图分块后进行奇异值分解,通过自适应量化修改奇异值嵌入经混沌置乱后的二值水印信息。整个分解过程没有任何抽样环节,各尺度下各方向子带均与原始图像具有相同的尺寸,从而提高了篡改定位的精度,增加了水印的嵌入量。水印的提取只需要由混沌初值和量化参数构成的密钥,保证了算法的安全性。同时该水印算法对JPEG压缩稳健,对恶意操作敏感。

基于非抽样contourlet变换的图像增强方法

针对实验图像光照不均、对比度低、噪声大等特点,提出一种基于非抽样contourlet变换的图像非线性增强算法.首先对原图进行非抽样contourlet变换,分解为低频和高频子带;然后对低频子图进行自适应直方图处理,以增强像素的对比度,对高频系数采用分层阈值处理和分段非线性变换;最后将其反变换得到增强的图像.仿真实验结果表明:此算法不仅增强效果好,鲁棒性强,而且具有较大的实用价值.

基于人类视觉系统的非抽样Contourlet变换域图像隐写算法

为提高图像信息隐藏的容量和隐蔽性,对比分析了非抽样Contourlet变换(NSCT)和Contourlet变换各自的优缺点和适用范围,提出了一种基于NSCT和人类视觉系统(HVS)的图像隐写方案。通过对人眼的视觉掩蔽效应进行建模,在NSCT分解的最精细尺度的各方向子带中,对不同系数分别嵌入不同的秘密信息量。仿真实验表明,新的算法相比小波域中的隐写方案,隐写的嵌入量至少提高了70000 b,峰值信噪比(PSNR)提高约4 dB,较好地兼顾了隐写在不可见性和嵌入容量上的要求,较小波域中的隐写方案具有更好的应用前景。

基于非抽样Contourlet变换的人脸特征点提取

提出了一种基于非抽样Contourlet变换的,从二维人脸图像自动提取人脸特征点的方法。非抽样Contourlet变换不仅可以提取图像的几何信息,而且能将这种信息分解到不同的方向上。但在一些方向的子带上,主要集中了一些对特征点提取无用,甚至是干扰的几何信息,如皱纹、体表标志等。所以先用非抽样金字塔分解和积分投影变换将嘴、鼻子、眼睛和眉毛从源图像中分割出来,再分别对每一个部分作非抽样Contourlet变换,提取出有用几何信息所在子带,最后根据这些子带提取出人脸特征点。实验表明,该方法有效抑制了噪声、皱纹等的影响,并能较精确地提取出人脸的特征点。

一种基于非抽样contourlet变换的图像增强方法

针对基于传统RGB(red,green,blue)模型的图像增强算法难以控制图像色调信息的弱点,提出一种非抽样contourlet变换和HSV(hue,saturation,value)模型相结合的方法,采用基于人眼视觉特性的HSV模型分解图像,保留H分量,并利用非抽样contourlet变换对图像的V分量进行分解,保证平移不变性.实验结果表明:该文方法不仅使得图像清晰度明显提高,视觉效果好,而且信噪比高.

基于非抽样Contourlet变换的多聚焦图像融合算法

文中研究了非抽样Contourlet变换(NSCT)的原理,以及其多尺度、局部化、方向性和各向异性等优点。提出了一种基于NSCT的多聚焦图像融合新算法。本算法将多聚焦图像进行NSCT分解,不同子带采用不同的融合规则,低频子带采用新的基于灰度形态学梯度算子的融合算法,并做一致性检测,带通子带采用基于区域能量的融合算法。最后将融合得到的系数进行NSCT反变换得到融合图像。实验结果表明,与其他融合算法相比较,该算法可以更有效地保留源图像信息和细节特征。

基于非抽样Contourlet变换的遥感影像道路提取

提出一种基于非抽样Contourlet变换的遥感影像道路提取算法.该算法首先对图像进行非抽样Contourlet变换得到不同尺度不同方向上的变换系数,再通过给定窗口大小分别计算各个尺度各个方向上的变换系数模在窗口内的局部最大值,然后比较各尺度在同一方向和同一窗口位置上系数模的最大值,取值最大的点作为特征点;同时利用自适应阈值对各个尺度各个方向上的系数模值进行二值化,消除小于一定面积的区域,筛选出特征点位于提取区域内的点;最后以筛选出的特征点为种子点,对道路进行Snake跟踪.实验结果表明:该文算法在道路提取的精确度、完整性方面比小波变换好.

非抽样Contourlet变换去噪滤波器设计的源相机识别

针对源相机识别和小波滤波器在获取残留噪声图像时会引入明显的场景噪声的问题,提出一种利用非抽样Contourlet变换(NSCT)进行模式噪声提取的新方案。首先根据源相机识别的过程,讨论小波滤波器在提取模式噪声上的不足,接着重点讨论设计基于NSCT滤波器进行模式噪声的提取。实验表明NSCT滤波器不仅使场景噪声得到明显的抑制,而且与小波滤波器相比,对来自三种不同相机的照片的平均识别率提高了近3.667%。

基于非抽样Contourlet变换的红外图像增强算法

提出了一种基于非抽样Contourlet变换的红外图像增强算法,利用非线性函数对红外图像Contourlet变换系数进行修正,以增强图像有益贡献的同时抑制噪声分量。实验表明,与传统的图像增强算法相比,该算法可以有效地增强红外图像的细节和纹理。

一种非抽样Contourlet变换的图像增强算法

文中研究了非抽样Contourlet变换的原理以及方向性和各向异性等特点。为了提高低照度图像的视觉效果,提出了一种非抽样Contourlet变换的图像增强算法。首先进行非抽样Contourlet变换,获取图像的强边缘系数和弱边缘系数,然后分别对强边缘系数和弱边缘系数进行融合增强,最后对增强系数采用非抽样Contourlet逆变换得到增强图像。实验结果表明了该算法在提高视觉质量上的有效性,且优于传统的方法。

基于非抽样contourlet和PCNN的图像凹点检测方法研究

在目标识别中,人眼并不凝视整幅图像,为了获得更多图像信息,人眼会在不同区域中进行凹点(foveation points)检测。然而,从某些方向上获得的凹点对实际目标的识别可能是无用或者干扰的信息。为此提出了一种基于非抽样contourlet变换(NSCT)和脉冲耦合神经网络(PCNN)的图像凹点检测方法,该方法在传统凹点检测方法中引入非抽样contourlet变换,充分利用了非抽样contourlet变换对图像处理的高度方向选择性。最后,对影响凹点选取的脉冲耦合神经网络输出函数这一数学模型及其阈值的选择问题进行了研究。

基于非抽样Contourlet域的局部特征描述子

为了得到鲁棒性较强的局部特征描述子,提出一种基于非抽样Contourlet(NSCT)域的局部特征描述子,该局部特征描述子在构造的过程中不需要估计主方向。首先,利用Hessian-Affine算子进行区域检测并进行规范化处理;其次,对规范化处理后的区域进行NSCT分解,得到不同尺度、不同分辨率的多个支持区域;然后,利用亮度序对支持区域进行划分;最后,对每个子区域进行描述并将每个区域的描述向量串联在一起,得到最终的特征描述子。大量的实验结果表明,提出的描述子在图像模糊变换、视角变换、仿射变换、线性亮度变化和JPEG压缩变换下具有良好的性能。