基于无下采样Contourlet变换的图像融合算法

针对目前最新发展的无下采样Contourlet变换,同时具有方向性、各向异性和平移不变性的特点,提出了一种新的基于无下采样Contourlet变换图像融合算法。首先对原始图像进行无下采样的Contourlet变换,得到高频和低频图像系数;然后根据它们的系数特性,采用一种新的加权融合规则对其进行融合。实验证明,此方法相对于传统的变换法,取得更优的融合结果。

基于无下采样Contourlet变换的图像融合

无下采样Contourlet变换(nonsubsampled contourlet transform,NSCT)是基于Contourlet变换的一种扩展,可以对图像进行灵活的多尺度、多方向和平移不变性分解。本文提出了一种基于NSCT的图像融合算法。首先对图像进行NSCT变换;然后对变换得到的低频和高频分量系数分别采用三种不同的融合规则进行融合处理;最后重构图像得到融合结果。文中给出了实验结果,通过对结果的分析比较,表明该方法的性能较传统的基于小波变换或基于Contourlet变换的融合方法有了一定的提高,融合效果更好。

基于复无下采样轮廓波和Gaussian小波支持向量回归的红外目标图像背景抑制

针对存在背景干扰和噪声情况下的红外目标图像背景抑制问题,提出了一种基于复无下采样轮廓波变换(NSCCT)和Gaussian小波支持向量回归(SVR)的背景抑制方法。该方法对红外目标图像进行NSCCT,然后根据其系数的相关特性去噪,从而抑制了大部分背景杂波;采用Gaussian小波SVR对去噪后的红外目标图像进行处理得到预测图像,并用去噪后图像减去预测图像得到残差图像,即背景抑制结果。针对红外目标图像进行了大量实验,并与近年来提出的3种背景预测方法,即基于最小二乘支持向量回归(LS-SVR)、基于SVR及基于最小二乘的红外目标图像背景抑制方法进行了比较,结果表明所提出的方法去噪效果好,背景抑制性能更优。

基于无下采样小波-Contourlet变换的图像融合算法

针对目前最新发展的无下采样Contourlet变换,同时具有方向性、各向异性和平移不变性的特点,并结合多孔小波变换的优点,提出了一种新的基于无下采样小波-Contourlet变换图像融合算法。通过对航空图像进行无下采样小波-Contourlet变换的多分辨分解得到高频和低频系数,并根据不同分解面的系数特性,采用不同的加权融合规则进行融合。实验结果表明,此方法相对于传统的变换法,取得了更佳的融合结果。

结合无下采样Shearlet模极大值和改进尺度积的有噪图像边缘检测

为从噪声污染的图像中提取出更为清晰、连续的边缘,进一步改善边缘检测效果,本文提出了一种基于无下采样Shearlet模极大值和改进尺度积的边缘检测方法。首先对含噪图像进行多尺度、多方向无下采样Shearlet变换(Non-subsampled Shearlet Transform,NSST),得到图像在NSST域的高频系数;然后选取相邻的两个较大尺度的高频系数进行改进的尺度积运算,并经NSST模极大值处理得到边缘二值图像;最后使用区域连通方法去除二值图像中的孤立点,得到准确的边缘图像。大量实验结果表明,与小波模极大值、小波尺度积、基于无下采样Contourlet变换(Non-subsampled Contourlet Transform,NSCT)模极大值和尺度积、NSST模极大值等4种边缘检测方法相比,本文提出的方法具有更强的抗噪能力,且有效地避免了纹理的影响,检测出的边缘完整清晰,连续性好。

无下采样轮廓波变换纹理图像检索系统

针对基本轮廓波变换纹理检索系统检索率较低的问题,提出了一种无下采样轮廓波变换(NSCT)纹理图像检索系统。该系统采用的轮廓波变换由无下采样拉普拉斯金字塔级联无下采样方向滤波器构成,特征向量采用子带系数的能量和标准偏差连接而成;以Canberra距离为相似度度量标准。比较了基于同样架构的基本轮廓波变换和NSCT纹理检索系统的性能。实验结果表明:在特征向量长度、检索时间、所需存储空间基本相同的情况下,NSCT检索系统比基本轮廓波变换检索系统具有更高的检索率;NSCT分解结构参数以及图像类型对于平均检索率也有较大的影响。

基于无下采样Contourlet变换的SAR图像去噪

提出了一种基于无下采样Contourlet变换(NSCT)的合成孔径雷达(SAR)图像去噪方法。首次在理论上证实了SAR图像取对数后无下采样Contourlet系数服从广义高斯分布,从而提出采用贝叶斯阈值方法估计不含噪声的无下采样Contourlet系数,达到去除噪声的目的。仿真和实际实验结果表明,该方法在噪声平滑、边缘和纹理保护等方面优于其他方法。由于无下采样Contourlet变换不进行下采样,该方法能够避免其他进行严格下采样的变换去噪时所引入的人工痕迹。

无下采样轮廓波广义高斯纹理检索系统

针对轮廓波变换纹理图像检索系统检索率较低的问题,提出一种基于广义高斯分布和无下采样轮廓波变换的纹理图像检索系统.该系统采用的特征向量由无下采样轮廓波变换域各子带内系数广义高斯分布的尺度参数和形状参数连接而成,相似度度量标准使用K-L距离.实验结果表明:采用相同的系统结构和分解结构参数,在基本相同的检索时间内,无下采样轮廓波检索系统比基本轮廓波检索系统具有更高的检索率.

无下采样轮廓小波在图像融合中的应用

在无下采样Contourlet变换和小波变换的基础上,针对低、高频系数的特点,提出一种新的基于无下采样轮廓小波变换的图像融合算法。该算法对无下采样轮廓小波分解后的低频部分采用了选择与加权平均的融合规则进行融合,而对各层高频系数采用局部区域加权平均融合规则进行融合。实验结果表明,该方法在包含信息量、清晰度上都有明显的提高。

结合无下采样Shearlet变换和改进尺度积的边缘提取

为了解决遥感图像边缘提取中的伪边缘现象,提出了一种基于无下采样Shearlet变换模极大值和改进数学形态学的边缘提取算法。首先,通过无下采样Shearlet变换对目标遥感图像提取高频分量和低频分量;针对小尺度边缘系数受噪声影响过大,对相邻2个尺度较大的高频系数进行改进,得到尺度多方向的高频系数。然后,采用非模极大值抑制方法对高频系数进行处理,提取高频分量的目标边缘;采用改进的数学形态学方法对低频分量进行处理提取低频目标边缘。最后,将高低频边缘提取结果加权融合,并使用区域连通法去除孤立噪声点,得到最终边缘提取结果。实验表明,与Canny算法、基于NSCT模极大值+Canny算法、基于NSCT模极大值+数字形态学3种算法相比,该算法提取的目标边缘轮廓不仅完整清晰,连续性好,还具有较强的抗噪性。

一种基于无下采样Contourlet变换的多聚焦彩色图像融合算法

提出了一种基于无下采样Contourlet变换和YIQ颜色空间的多聚焦彩色图像融合算法。对变换得到的高低频分量,根据各自的物理意义采用不同的融合规则进行融合处理,其中对高频分量的Y分量采用基于区域绝对值的融合规则,对I、Q分量采用改进的区域对比度融合规则。通过实验验证了这种改进算法的可行性、有效性和稳定性。

基于无下采样Contourlet变换和独立分量分析的红外弱小目标检测

针对存在背景干扰和噪声情况下的红外弱小目标检测问题,提出一种基于无下采样contourlet变换(NSCT)和独立分量分析(ICA)的检测方法。首先原始图像减去通过快速ICA分离出的背景图像,再经NSCT去噪,接着利用新型Top-hat变换滤波得到预处理图像;然后采用基于类内方差及背景与目标面积差的阈值选取方法来分割预处理图像。针对红外小目标图像进行了大量实验,并和基于快速ICA、基于NSCT的红外目标检测方法进行了比较,结果表明所提出的方法抗噪性强,具有更为优越的检测性能。

基于无下采样Contourlet变换和人眼视觉系统的稳健盲水印算法

提出一种基于无下采样Contourlet变换(NSCT)和人眼视觉系统(HVS)的自适应稳健盲数字水印方案,该方案在NSCT域中对人类视觉系统的特性进行建模,利用人眼的视觉掩盖机制自适应嵌入水印序列。实验结果表明,该数字水印方案在保证人眼视觉不可见性的前提下,对包括噪声、JPEG压缩、图像剪切、滤波、图像扭曲等均具有很强的稳健性,并且检测水印时无需原始图像,是一种很有前途的盲水印方案。

基于非子采样Contourlet变换的多聚焦图像融合方法

非子采样Contourlet变换(NSCT),是针对Contourlet变换的一些局限性进行了改进,可以对图像进行灵活的多尺度、多方向和平移不变性分解.提出了一种基于NSCT的多聚焦图像融合方法.首先对多聚焦图像进行NSCT变换;然后对变换得到的低频分量系数采用改进的加权平均融合规则进行融合处理,对高频分量的最高层和其它层系数分别采用绝对值最大和改进的区域方差融合规则进行融合处理;最后重构图像得到融合结果;并给出了实验结果.对结果的分析比较表明,所提出的融合规则的效果优于常用的融合方法和参考文献的融合方法.

基于离散平稳小波和非下采样方向滤波器组的纹理分类

结合小波变换的多尺度性和Contourlet变换的多方向性,提出了一种新的基于离散平稳小波变换和无下采样方向滤波器组(stationarywavelet transform and nonsubsampled directional filter banks,SWT-NSDFB)的纹理分类方法,采用具有平移不变性的离散平稳小波先进行多尺度分解;然后对每层分解得到的高频子带采用非下采样方向滤波器组进行多方向分解,再计算低频子带和各层方向子带的能量作为纹理特征;最后用支持向量机实现纹理分类。实验结果表明,该方法有效地提高了纹理分类的正确率,而且在小样本情况下,依然可以得到较好的结果。

基于NSCT和SQI的光照不变量及人脸识别

为了消除光照变化对人脸识别的影响,提出了一种结合无下采样轮廓波变换(Nonsub-sampled contourlet transform,NSCT)和自商图像(Self-quotient image,SQI))的光照不变量提取算法。该算法首先对图像进行伽玛校正,一定程度上减弱了不同光照条件的影响,然后使用NSCT对伽玛校正后图像进行多尺度多方向分析,使用自适应NormalShrink方法对各高频子带进行滤波,通过反无下采样轮廓波变换得到平滑图像,最后利用SQI提取光照不变量。在YaleB与CMUPIE人脸库上的实验结果表明:所提出的算法能够有效消除光照变化对人脸识别的影响,识别率高于多尺度Retinex(Multiscale Retinex,MSR)、SQI和对数全变差(Logarithmic totalvariation,LTV)等方法。

基于NSCT的红外图像小目标检测技术

红外图像小目标检测是精确制导武器的关键技术之一。将小波或Contourlet多尺度分析用于红外小目标检测具有一定的局限性。无下采样Contourlet变换(NSCT)是基于Contourlet变换的一种扩展,可以对图像进行灵活的多尺度、多方向和平移不变性分解。提出了一种基于NSCT的红外小目标检测算法。该算法首先对图像进行NSCT变换;然后利用能量法提取其局部纹理特征,并计算各点的特征向量与中心向量间的距离,得到一个相关的多尺度距离像;最后根据该距离像进行直方图统计,从而实现红外小目标的检测。与基于小波变换的红外小目标检测算法进行了比较。实验结果表明,该算法能较精确地检测出红外小目标,优于基于小波变换的方法。

基于方向区域的NSCT图像融合算法

提出一种新的基于方向区域的NSCT图像融合算法。算法首先对源图像进行NSCT分解,获得不同方向的高低频子带。其次对高低频系数,根据不同分解层的方向特性,按方向区域能量的规则进行融合。最后,通过反变换获得融合图像。该方法既保留了Contourlet变换方法的多尺度多方向特性,又具有移不变性。实验结果表明,提出的算法有效可行,对比常用的区域融合算法,获得了更好的融合效果。

基于区域分割的NSCT域SAR与全色图像融合算法

提出了一种基于多阈值分割和无下采样Contourlet变换(nonsubsampled Contourlet transform,NSCT)的SAR与全色图像融合算法。首先对降斑SAR图像作多阈值分割,并定义了区域均值比量测算子将SAR图像进行区域划分;然后采用NSCT对降斑SAR图像和全色图像进行多尺度、多方向分解,分解后的低频部分根据区域均值比量测算子进行区域融合,高频部分则采用区域与窗口邻域相结合的融合策略;最后对融合系数进行重构得到融合图像。实验结果表明,该算法的融合图像既可保持全色图像的空间分辨率,又可有效获取SAR图像的目标信息,融合效果优于小波变换法以及基于像素的NSCT法。

基于NSST和改进数学形态学的遥感图像目标边缘提取

为了从遥感图像中提取出更为准确完整的目标边缘,提出一种基于无下采样Shearlet模极大值和改进数学形态学的目标边缘提取方法。首先采用无下采样Shearlet变换(NSST)将图像分解成边缘细节丰富的高频分量和边缘细节较少的低频分量;然后结合不同分解程度下边缘像素点处的系数关系,对高频分量的各个子带进行模极大值检测,再经过双层掩膜筛选后得到高频边缘提取结果;对低频分量采用改进的数学形态学方法,得到低频边缘提取结果;最后将上述两部分融合,使用区域连通方法去除孤立点,得到最终的目标边缘图像。大量实验结果表明,与Canny以及其他4种同类边缘提取方法相比,本文方法所得边缘定位准确、完整清晰、细节丰富,且抗噪能力强,为后续遥感图像目标特征提取与识别奠定更好基础。