基于NSST与自适应SPCNN的水下偏振图像融合

提出了一种基于非下采样剪切波变换(NSST)和参数自适应简化型脉冲耦合神经网络(SPCNN)相结合的水下偏振图像融合方法。对水下目标物进行图像采集获得目标物的线偏振度图像和偏振光强图像;对两幅图像进行NSST分解获得其多尺度和多方向子带系数,通过参数自适应SPCNN模型融合两幅图像的高频方向子带系数,采用基于区域能量自适应加权的融合方法融合两幅图像的低频子带系数;对融合后的高频方向子带和低频方向子带进行逆NSST重建融合图像。实验结果表明,与其他偏振图像融合方法相比,本文方法可以探测到水下目标物的更多细节和显著特征,主观视觉感受和客观评价方面都有较大的提升。

基于多尺度变换的水下偏振图像融合研究

为了改善了水下偏振图像存在的质量差、纹理细节模糊和对比度低等问题。提出基于区域方差的水下偏振图像融合算法。首先,利用532nm激光器拍摄不同角度的水下偏振强度图,计算相应的斯托克斯图像;然后,对Dolp-Aop图像进行同态滤波处理,将其和光强图像I进行三层小波分解(DWT);接着,将小波分解源图像产生的低频子带和高频子带分别采用不同的融合算法实现融合。仿真结果证明,本算法实现的融合图像与传统的融合算法相比,融合图像在对比度和清晰度上有明显提高。