基于简化脉冲耦合神经网络与拉普拉斯金字塔分解的彩色图像融合

针对图像空间分辨率低及分类精度不高等问题,提出一种基于简化脉冲耦合神经网络(S-PCNN)与拉普拉斯金字塔分解算法的彩色图像融合算法。首先,把RGB图像转换到HSI彩色空间中得到H、S、I三个分量,将H分量输入到S-PCNN模型中,利用S-PCNN对H分量进行特征区域聚类后,基于脉冲震荡频图和局部熵实现各源图像的H分量融合;然后采用拉普拉斯金字塔对S、I分量进行分辨率分解,根据不同融合策略对不同拉普拉斯金字塔图层中的S、I分量进行融合。最后,对融合后的H、S、I分量进行彩色空间逆变换,得到最终的RGB图像。实验结果表明,该融合算法在清晰度、空间频率、标准差方面优于传统的主成分分析(PCA)、脉冲耦合神经网络(PCNN)等算法,能很好地保留源图像的细节、纹理和主要特征信息,有效地提高了图像的融合效果。

基于归一化标量权重映射与融合金字塔的彩图对比度增强算法

为了解决当前对比度增强算法在图像纹理或高信号活动区域易出现颜色改变以及过度增强,且难以兼顾图像全局内容增强与局部细节增强等不足,提出了基于归一化标量权重映射与融合金字塔的图像对比度增强算法。基于2D方向偏导,定义对比度与亮度的度量模型,并以此构造标量权重映射模型;引入拉普拉斯金字塔分解机制得到图像的层次结构,再计算其权重映射的高斯金字塔;定义这两个金字塔的融合规则,得到融合金字塔;在图像度量模型与权重映射模型的引导下,利用融合金字塔完成图像重构。实验结果表明,与当前对比度增强算法相比,该算法的对比度增强质量最佳,失真度较小,没有影响颜色平衡,消除了过渡增强与人工饱和度的引入。该算法能够较好地增强彩图对比度。

一个基于三值位平面分解的盲数字图像水印算法

为了有效地保护数字图像的知识产权,提出一种新的、基于三值位平面分解的数字图像盲水印算法。对原始图像进行3级小波分解,将待嵌入的水印图像按高斯—拉普拉斯金字塔分解方法分解成3层。为了减少误差,不直接将分解得到的图像作为水印,而是保留前两层差值矩阵中的负值,并对这两个含有负值的矩阵进行三值位平面分解,将分解得到的位平面作为嵌入水印的掩码信息,用三值系数抖动调制的方法嵌入到相对应的分辨率层次原始图像之中。实验结果证明,该方法在减少提取水印的误差方面效果显著,而且有很好的抗JPEG压缩特性,对常见的图像处理攻击也有较好的稳健性。

一种综合空域和时频域的数字水印算法

提出一种空域和时频域相结合的多分辨率灰度图像水印算法。该算法对原始载体图像进行离散小波分解,并对灰度水印图像先进行拉普拉斯金字塔分解再进行位平面分解。将水印图像位平面分解系数嵌入到原始图像的水平和垂直分量上,水印嵌入小波系数的位置由具有混沌特性的Arnold映射确定,从而实现水印的盲提取。实验结果证明,该算法对图像的普通处理,如噪声、滤波、剪切、JPEG压缩和旋转等,均具有较好的鲁棒性。