基于张量低秩分解和非下采样剪切波变换的视频图像去雪方法

在雪天条件下,雪花会对视频监控系统造成遮挡,使部分重要景物信息无法被捕获,严重降低获取的视频图像质量,对后续目标检测与识别等高级图像处理造成强烈干扰。现有视频图像去雪方法普遍存在去雪效果不稳定,运算耗时长等缺陷。针对该问题,首先利用张量能充分挖掘视频图像中蕴含的空间位置信息的优势,通过张量低秩分解模型与三维全变分正则化相结合,将受到雪花污染的监控视频分解为静态背景层和运动前景层;然后,采用基于非下采样剪切波变换和数学形态学滤波方法,将运动前景层进一步分解为运动物体层和雪层;最后,将静态背景层和运动物体层进行重构,得到最终去雪后的视频图像。实验结果表明,该方法能够有效去除视频图像中的雪花干扰,清晰保留景物边缘信息,在处理效果和运算效率上均优于现有先进算法。

非负矩阵分解结合非下采样剪切波变换的遥感图像融合

文章提出了一种基于非负矩阵分解(NMF)和非采样剪切波变换(NSST)的图像融合方法。该方法通过将NMF和NSST相结合来实现图像融合,以此提取图像的共性信息和结构信息,从而获得更清晰、自然、准确的图像融合结果。具体地,我们使用NMF方法来分解多幅输入图像,并获取它们的共性部分和个性部分。通过NMF的分解,原始图像可以表示为一个非负矩阵V的乘积,其中V包含原始图像的像素值,同时包含若干列代表图像的基矩阵。在我们的方法中,共性部分对应于图像所共有的信息,而个性部分对应于图像的个别特征。接着,我们使用NSST方法对共性部分和个性部分进行分解,以便获得不同尺度和方向的图像信息。NSST是一种基于剪切波变换的多尺度分析方法,能够很好地保持图像的结构信息,并抑制伪吉布斯现象。最后,将分别经过NSST处理的共性部分和个性部分进行融合,从而获得一幅整合了图像的细节和特征的输出图像。该融合方法可以很好地处理不同类型、尺寸和分辨率的图像,并在处理复杂情况时表现出良好的效果。为了验证所提出的方法的性能,我们在不同数据集上进行了实验,并与其他常用的图像融合方法进行了比较。实验结果表明,我们提出的方法取得了良好的融合效果。因此,本文所提出的方法在图像融合领域中具有广泛的应用前景。

基于非下采样剪切波变换的FSVM图像去噪算法

以非下采样剪切波变换为基础,提出了一种模糊支持向量机图像去噪算法,其中非下采样剪切波变换能够获得噪声图像的高频子带,对高频子带系数进行模糊分类,利用自适应阈值处理含噪子带系数,达到去噪效果。实验结果表明,本文算法在图像去噪方面表现良好。

基于非下采样剪切波变换的医学图像融合算法

为了解决单一模态医学图像的局限性,提出了一种基于非下采样剪切波变换(NSST)的多模态医学图像融合方法.该方法利用NSST将待融合的医学图像分解成低频系数和高频系数,并利用区域能量加权(WLE)的方法对分解后的低频系数进行融合,使用区域能量和平均梯度加权的方法对分解后医学图像的高低频系数进行融合,采用NSST逆变换重建融合后的图像.选择信息熵、平均梯度和空间频率3个参数作为融合图像的客观评价参数,结果表明,该方法取得的融合结果比离散小波、轮廓波和非下采样轮廓波变换等传统方法更好,计算效率更高.

基于非下采样剪切波变换域方向信息测度的多聚焦图像融合方法

根据非下采样剪切波变换(non-subsample shearlet transform,NSST)在图像融合领域的优势和多聚焦图像的成像特点,将NSST运用于多聚焦图像融合。在NSST变换域中,利用方向信息测度能够突出图像边缘纹理特征以及降低图像噪声,将其运用在高频子带系数的融合规则中,并对传统的低频融合策略进行改进,将低频系数和高频系数的融合图像进行NSST的逆变换,得到融合图像。计算机仿真实验表明,相比于传统的剪切波变换的融合策略,本文提出的图像融合方法提高了图像的融合质量,增加了图像的信息量,并能降低图像噪声,具有一定的有效性和实用性。

基于非下采样剪切波变换域的图像增强方法

提出了一种基于非下采样剪切波变换域的彩色图像增强方法。首先,该方法对原始彩色图像进行非下采样剪切波变换,并利用Naka-Rushton视觉适应方法对变换图像进行了增强,然后根据Weber-Fechner对比定律来实现局部对比增强。最后,在更改响应值之后逆向变换生成最终增强图像。对若干彩色图像进行了实验测试,在视觉分析和背景方差等方面,对提出方法与其他两种常用彩色图像增强方法的结果进行了比较。比较结果显示,相较于其他两种常用方法,提出方法的增强效果更好。

基于简化自适应脉冲耦合神经网络模型和非下采样剪切波变换的多模态图像融合算法研究

目的:提出一种简化自适应脉冲耦合神经网络(PCNN)模型和非下采样剪切波变换(NSST)的CT和MR图像融合算法,用于PCNN模型构建融合规则。方法:采用NSST变换将已配准的CT和MR图像分解成高频和低频子图像,分别采用基于平方差之和与方向梯度特征之和的PCNN模型融合低频子图像;而高频子图像采用绝对值取大与方向梯度特征之和进行融合。采用NSST逆变换重建融合图像,选取哈佛大学脑图库8组临床实例的CT和MR图像进行仿真试验,仿真算法为本研究算法和5种基于NSST变换的融合算法,采用互信息、空间频率、标准差、边缘强度和相似度对融合图像质量进行评估。结果:定性分析与其他5种基于NSST变换的算法相比,基于图像融合算法获得的融合图像对比度、清晰度和边缘强度均最佳;本研究算法所得定量结果中互信息为2.71%~13.63%,空间频率为12.25%~73.69%,标准差为1.86%~26.33%,边缘强度为0.37%~29.90%,相似度为0.37%~67.07%,均比5种基于NSST变换的算法有不同程度提升。结论:基于简化自适应PCNN模型和NSST变换的融合算法性能优越,是一种可行的CT和MR图像融合算法。

基于非下采样剪切波变换的元素分布与形貌信息融合方法在触头表面微观分析上的应用

针对观察单模态图像难以对触头表面进行完整评价的问题,为将所有相关信息从多种模式有效部署到单个图像中,该文提出一种基于非下采样剪切波变换(NSST)的元素分布与形貌信息融合方法。对于扫描电子显微镜&X-射线能谱仪(SEM&EDS)记录的触头表面的元素分布与三维非接触式分析系统记录的表面微观形貌信息,首先在鲸鱼优化算法(WOA)的帮助下,采用基于B样条配准方法;其次应用一种新的加权能量融合规则,实现了具有不同分辨率的多模图像的融合;最后从融合触头图像中圈定出不同元素分布。通过融合结果,该文分析了触头材料转移和微观形貌,研究了触头表面元素分布,为分析触头表面结构变化、分析并定位表面聚集膜以及准确地计算接触电阻奠定了基础。

非下采样剪切波变换域下遥感图像融合

多光谱图像与全色图像的融合已被广泛应用于提高后续图像处理效果以满足图像进一步应用的需要,本文提出了一种在非下采样剪切波变换域中基于区域清晰度加权和导向滤波相结合的遥感图像融合方法。利用剪切波变换将多光谱图像的亮度分量与全色图像分别分解为低频子带和高频子带;针对高低频子带的特点分别设计高低频子带融合规则;对融合系数取剪切波逆变换和亮度-色度-饱和度逆变换得到融合图像。与6种典型融合方法通过9种包含光谱和空间质量评价的指标进行比较,实验结果表明:本文方法在主观视觉效果和客观评价方面都达到了极好效果,在提升空间分辨率的同时有效的保留了光谱信息。

基于非下采样剪切波变换的PET/SPECT和MR图像融合

目的针对PET/SPECT伪彩色图像空间分辨率低而MR灰度图像空间分辨率高的融合问题,探究一种新方法来提升PET/SPECT和MR图像的融合质量。方法对待融合图像进行非下采样剪切波变换(nonsubsampled shearlet transform,NSST),得到各自的低频子带和高频子带,然后采用绝对值取大规则去融合高频子带,采用本文提出的基于Haar小波的能量(Haar wavelet based energy,HWE)规则去融合低频子带,最后对融合后的高、低频分量进行逆NSST从而获得融合图像。采用40组脑PET/SPECT和MR图像对本文所提出方法进行测试,并与其他典型的融合方法进行比较。结果本文方法与基于DTCWT,NSCT,NSCT-SR和NSST的融合方法进行测试,结果表明,本文方法在4个指标上最优,1个指标上次优。结论本文方法在PET/SPECT和MR图像的融合中具有优越性,可提升此类医学影像在辅助临床诊断和放疗手术计划中的精准性。

基于高斯曲率优化和非下采样剪切波变换的高密度混合噪声去除算法

为提高矿井混合噪声图像的可观测性,提出了基于高斯曲率优化和非下采样剪切波变换的高密度混合噪声去除算法.使用局部高斯曲率优化混合噪声图像,抑制椒盐噪声对噪声分布的影响,使混合噪声分布近似为高斯噪声分布.使用非下采样剪切波变换分解高斯曲率优化图像,实施自适应硬阈值收缩降噪,去除混合噪声中的高斯噪声成分.最后,迭代使用局部高斯曲率优化和非下采样剪切波变换降噪去除残余噪声,直至输出图像梯度能量满足停止条件.实验表明,本文算法能够有效地去除高斯噪声和椒盐噪声构成的高密度混合噪声,且有效抑制了剪切波变换降噪引起的伪吉布斯现象,有效地降低了矿井图像的噪声.

基于非下采样剪切波变换—参数自适应脉冲耦合神经网络的属性融合裂缝预测方法

常用的叠后地震属性主要有相干体(描述波形相似性)、曲率体(表征构造应力引起的地层弯曲程度)、倾角体(刻画地层构造变化特征)等,但仅仅依靠单一属性很难准确地预测地下裂缝分布情况。为此,提出一种基于非下采样剪切波变换(NSST)—参数自适应脉冲耦合神经网络(PA-PCNN)的属性融合裂缝预测方法,该方法基于NSST分解算法,将多种属性数据分解为高、低频子带,将融合后的多尺度、多方向高、低频子带进行数据重构,得到最终的多属性融合结果,可进一步提取裂缝的轮廓及细节信息。具体步骤为:①提取描述相同尺度裂缝的多种地震属性(相干、曲率及倾角等属性),通过NSST将多种属性分解为高、低频子带,其中高频子带包含更多的裂缝细节信息,低频子带可更好地刻画裂缝轮廓且具有丰富的能量信息。②对高频子带运用PA-PCNN模型进行融合,无需人工设置参数,得到更全面的高频数据;结合八邻域的改进拉普拉斯算子加权和与局部能量加权方法对低频子带进行融合,使低频数据更好地保留细节及能量信息,以得到丰富的低频数据。③通过逆NSST方法有效地完成属性融合裂缝预测。运用所提方法对M区属性数据进行测试,并对比了不同方法的属性融合裂缝预测结果,证明基于NSST—PAPCNN的属性融合裂缝预测方法能够更有效地预测裂缝。

基于改进的双边滤波与非下采样剪切波变换的图像去噪

图像去噪一直是数字图像处理领域研究的热点之一。近年来,针对小波变换的不足,提出了一种基于变换域的多尺度几何理论分析——剪切波变换(Shearlet Transform)。结合剪切波变换的特点,提出了一种基于非下采样剪切波变换的图像阈值去噪方法。然后,将非下采样剪切波变换与改进的双边滤波结合,提出了一种基于改进的双边滤波与非下采样剪切波变换的图像去噪方法。将该算法跟传统的双边滤波去噪方法进行对比,实验结果表明,所提算法很好地保护了图像的边缘信息和细节信息,提高了峰值信噪比,明显减少了均方误差,去噪效果更佳。

基于非下采样剪切波变换域三变量模型图像去噪算法

结合非下采样剪切波变换域三变量阈值滤波和多分辨引导滤波,本文提出一种去除高斯白噪声的图像去噪的有效方法。在非下采样剪切波变换域中,以三变量非高斯模型对方向带通子带系数间相关性进行建模,采用最大后验估计理论推导出三变量收缩阈值函数。此外,对低频子带系数采用多分辨引导滤波进行平滑处理,以达到更好的噪声抑制效果。实验结果显示,本文所提去噪方法可以有效抑制噪声同时保留更多的图像细节信息,与其他滤波算法相比,该去噪算法可得到更高的客观数据及更好的视觉效果。

基于非下采样剪切波变换和导向滤波的遥感图像融合方法

提出一种新的基于非下采样剪切波变换和导向滤波的遥感图像融合方法,该方法首先对多光谱图像和全色图像使用非下采样剪切波分解,对分解后的高频图像采用绝对值最大法进行融合,对低频图像采用基于导向滤波的方法进行融合。该方法有效利用了导向滤波的边缘保持性,且减少了传统多尺度分解造成的伪吉布斯现象。通过GeoEye卫星数据进行仿真实验,结果表明:该方法使得融合后的图像能既能保持较好地光谱信息,又提升了图像的空间结构信息。

一种非下采样剪切波变换域结合生成对抗网络的低照度图像增强方法

针对低照度图像存在识别度不高、亮度低、信噪比低和细节模糊等问题,提出了一种非下采样剪切波变换(NSST)域结合生成对抗网络(GAN)的低照度图像增强方法。首先,收集弱光图像和正常光图像数据集,将图像进行RGB颜色空间到HSV颜色空间的变换处理,保持色度、饱和度分量不变,对亮度分量进行NSST多尺度分解,利用分解得到的低通子带图像构建训练集;其次,构建基于GAN的低频子带图像增强模型,并利用低频子带图像训练集对模型进行训练;然后,对待处理的低照度图像进行NSST分解,利用训练的模型增强低频子带图像,利用尺度相关系数去除各高频方向子带噪声,并通过非线性增益函数增强边缘系数;最后,将增强处理后的低频、高频子带图像进行NSST重构,并将重构图像恢复至RGB颜色空间。所提方法与常见的方法相比,就低照度图像增强而言,结构相似度平均提升了3.89%,均方误差平均降低了1.03%,且在对噪声图像增强时,峰值信噪比和连续边缘像素比保持在21 dB和88%以上。实验结果表明,所提方法不论从视觉效果还是图像质量客观评价指标上较常见方法都有较大提升,能有效改善低照度图像的低质问题,为后续的图像处理分析奠定基础。

基于非下采样剪切波变换和QR分解的鲁棒零水印算法

针对数字图像的版权保护问题,提出了一种基于非下采样剪切波变换(NSST,non-subsam-pled shearlet transform)和QR分解的零水印算法。首先,采用NSST对宿主图像进行分解;然后利用Logistic混沌系统从分解后的低频逼近分量中随机抽取出一幅子图,并将其分割成互不重叠的子块;最后对每一个子块进行QR分解,通过判断各个子块R矩阵中第1行元素向量的l1范数和所有子块R矩阵第1行元素向量l1范数的均值之间的大小关系构造零水印。实验结果表明,本文算法对添加噪声、滤波、JPEG压缩和剪切具有很强的鲁棒性,同时还能抵抗一定程度的旋转、缩放和平移(RST)几何攻击。

基于非下采样剪切波变换的国产高分遥感影像融合

针对高分遥感影像融合存在影像间相关性差、融合亮度差异明显的问题,提出了一种基于非下采样剪切波变换(NSST)的国产高分全色与多光谱遥感影像融合方法。选取高分一号、高分二号和高分七号遥感影像作为实验数据,通过强度-色调-饱和度(IHS)提取多光谱影像的亮度分量;利用NSST算法对亮度分量和全色影像提取高频和低频信息,并充分考虑高频和低频之间的关系,设计有效的影像融合策略;最终采用IHS和NSST得到融合影像。与Brovey、Gram-Schmidt(GS)、Hue-Saturation-Value(HSV)、Co-occurrence filtering(COF)等方法对比验证,通过主观和客观评价相结合的方式对融合影像进行综合评价,结果表明所提方法是一种可行的遥感影像融合方法。

基于CNN的非下采样剪切波域多聚焦图像融合

结合非下采样剪切波变换的时频分离优良特性,提出了一种基于卷积神经网络(convolutional neural networks,CNN)的非下采样剪切波变换(non-subsampled shearlet transform,NSST)域图像融合算法.首先对源图像进行NSST分解,其次对分解的低频系数进行基于CNN的融合策略.最后对分解的高频系数进行基于向导滤波(guided filtering,GF)的改进加权的拉普拉斯能量和(improved weighted sum of Laplace energy,IWSML)模取大融合策略,然后将根据不同融合规则融合后的频率系数进行NSST反变化获取输出的清晰目标图像.实验结果表明,该方法不仅可以获得更利于人眼接受的视觉效果图,且有效地提高了融合图像的客观性能评价指标.

基于剪切波变换的光学元件表面缺陷检测方法

针对精密光学元件表面划痕缺陷形态大小随机分布,难于检测的问题,提出了一种基于非下采样剪切波变换(NSST)和L0梯度最小化(LGM)的精密光学元件表面缺陷检测的方法。首先,采用NSST将被测元件表面数据分解为不同尺度、不同方向的子块;然后,在子块上基于自适应阈值使用LGM分离被测表面的纹理;最后,重构变换域子块,实现元件表面缺陷的检测。实验结果表明:对包含256×256数据点的表面,特征分离仅需要0.7862 s,满足元件的自动化处理的时间要求。与小波等方法相比,该方法能更准确地分离器件表面的纹理与缺陷,在光学元件表面缺陷检测方面效果更优。