非下采样离散小波变换多聚焦图像融合

图像融合在军事、医疗等领域有广泛的应用,图像融合技术是指采用特定的算法将两幅或者多幅图像融合成为一幅新的图像。针对离散小波变换图像融合算法中下采样环节在每次滤波后一半的系数被丢弃导致缺乏平移不变性,使得融合算法易受到源图像误配准影响的问题,提出了一种基于非下采样离散小波变换的图像融合算法,采用窗口融合规则,并对融合系数进行一致性检测,弥补下采样环节的不足,提高融合效果。通过对基于离散小波变换和基于非下采样离散小波算法的图像多聚焦融合仿真研究表明,非下采样离散小波变换算法具有平移不变性,而且具有较高融合图像互信息和峰值信噪比,融合效果优于离散小波变换图像融合算法。

基于线性正则变换的非均匀采样信号重构方法

提出了一种新的基于线性正则变换的非均匀采样信号的重构方法.根据周期非均匀采样信号模型的特点,提出了一种新的非均匀线性正则变换;研究所提出信号的离散非均匀线性正则变换谱与其连续谱的关系,并根据此关系提出了一种线性正则变换域基于周期非均匀采样信号点重构算法;为验证推导结果,采用一维周期非均匀采样信号进行仿真,仿真结果表明,重建信号与原始信号基本一致.

基于非下采样contourlet变换的彩色图像增强算法

现有的大多数彩色图像增强算法在提高图像整体对比度的同时,不能很好地增强图像的边缘细节、保持色彩信息,针对这种现象,提出一种结合DCT变换和非下采样contourlet变换的彩色图像增强算法。算法根据非下采样contourlet变换后不同子带的特点对低频子带和高频子带采用不同的增强方法进行处理。为了修复增强过程中产生的颜色偏移,对增强后的图像进行了颜色修复。最后通过简单锐化即可达到很好的效果。由实验结果可知,算法提高了图像整体对比度的同时保留了完整的边缘细节信息,具有更好的色彩保真度,从视觉效果和性能指标上来看都优于curvelet变换的方法和DCT变换的方法。

非均匀采样莫尔条纹信号的分析与处理

为了动态、实时地测量光电编码器在变速转动情况下的细分误差,提出了一种莫尔条纹信号的非均匀采样分析与处理方法。利用傅里叶级数原理构造了实际情况下的莫尔条纹信号方程,根据编码器在不同转速下的实时采样,揭示了莫尔条纹信号的非均匀采样特征。鉴于信号采样的非均匀性,采用曲线拟合的最小二乘法重构莫尔条纹信号,利用离散傅里叶变换算法分析重构信号并求出波形参数。通过信号参数与细分误差的关系式,测量了编码器动态细分误差。采用该方法对21位绝对式光电编码器莫尔条纹信号进行了分析和处理,两次测试得到其动态细分极值误差为+3.21″、-4.69″和+3.45″、-4.81″。实验结果表明,该方法可以有效地分析和处理编码器在非匀速转动下产生的变频莫尔条纹信号,精确地测量编码器的动态细分误差,为工作现场编码器误差的实时检测与修正奠定了基础。

基于非均匀采样的信号频率、幅值和相位检测

分析了单频和多频信号经非均匀采样的离散傅里叶频谱,推导出频率、幅值、相位的计算表达式,解决了目前文献中未提及的基于非均匀采样方法的幅值和相位检测问题。此外,提出一种基于多路并行非均匀采样的信号检测方法,通过合并多路非均匀采样信号频谱,使谱估计结果趋于原信号的真实频谱,进而实现信号检测。数值仿真显示,提出的方法可实现信号的频率、幅值、相位的精确检测,可以突破奈奎斯特频率限制、抗混叠能力强,且计算复杂性小。

非均匀采样光电编码器莫尔条纹信号分析方法

为实现高精度光电编码器非匀速转动时动态细分误差的检测,提出了一种基于非均匀采样的莫尔条纹光电信号分析方法.首先,利用曲线拟合的最小二乘法将采集到的编码器非均匀信号数据重构出真实的信号波形.然后,根据离散傅里叶变换算法分析重构信号,同时推导出信号的频率、幅值和相位的计算表达式,运用软件仿真评估算法可行性.最后,采用该方法对某21位绝对式光电轴角编码器精码信号进行分析,根据信号参数与细分误差的关系获得动态细分误差,其细分极值误差为+2.41"和-3.08".实验结果表明,该方法利用信号重构和傅里叶变换算法得到信号参数,真实的反应了莫尔条纹信号质量,在编码器非匀速转动时,可有效地测量动态细分误差,为实际工作现场编码器精度误差的实时检测奠定了基础.

使用非均匀采样复原理论进行裂纹修复的混合分辨率多视角图像超分辨(英文)

混合分辨率模型是多视角视频编码用来降低比特率的一种重要描述方法,本文提出了一种新的实现图像/视频序列的超分辨方法。在多视角框架中,使用相邻高分辨图像的高频信息对当前视角的低分辨图像进行高频成分补充,从而实现超分辨。邻域高分辨图像帧的投影图包含裂纹,本文使用了非均匀采样复原理论对其进行了修复,投影图中的其它空洞则由原始低分辨图像帧的上采样图像进行了填充。接着使用空洞填充反变换方法以及DCT离散余弦变换对图像进行频率分解,将投影图的高频成分与原始低分辨图像的低频成分进行融合,再经过IDCT离散余弦反变换即得到了最终的超分辨图像。实验仿真数据结果表明,该方法得到的超分辨图像比传统的插值上采样图像以及基于DCT的上采样图像无论是主观和客观评价,均有明显的改善。

基于衬底温度和贝叶斯估计的红外非均匀性校正（英文）

分析了红外焦平面阵列(IRFPA)基于定标的非均匀性校正法(NUC)和基于场景的NUC算法各自的优势和问题,在此基础上提出了联合非均匀性校正方法。根据上电时刻焦平面衬底的温度值,从FLASH中提取事先存储的对应温度区间的增益和偏置校正参数,初步消除探测器的非均匀性。通过分析初步校正后图像残余非均匀性噪声的特性,提出了一种自适应非均匀性校正算法NSCT,对经过NSCT分解后的子带图像,利用贝叶斯阈值逐点进行信号方差和噪声方差估计,计算出残余非均匀性噪声后并加以去除。实验结果表明,该算法能有效提高校正精度,并具有更强的环境适应性。

基于NSUDCT的红外与可见光图像融合

针对同一场景的红外与可见光图像,提出了基于非下采样均匀离散Curvelet变换(NSUDCT)的图像融合方法。首先使用标记控制的分水岭分割(MCWS)算法对源图像进行区域分割,对各分割结果进行叠加得到联合区域图。然后对源图像进行非下采样均匀离散Curvelet分解,分解后的低频系数采用区域对比度和区域标准差作为量测指标进行融合,高频方向系数使用基于局部能量的融合规则进行融合,并对融合系数做一致性检测。最后通过各频带融合系数重建得到融合图像。实验结果表明文中方法取得了比较好的视觉效果和量化数据,相比基于NSUDCT的像素融合方法,此文方法的熵值提高了9.87%,交叉熵减少了68.04%,互信息提高了80%。

基于阶梯波的周期非正弦电压精密测量——阶梯波研究之四

经典傅里叶变换要求采样数据必须布满整个周期。以周期非正弦波分析为例,提出一种利用规则分布的部分采样数据仍可进行傅里叶变换的新方法。以阶梯波为参考的差分测量用于周期非正弦波,在每个阶梯波台阶上丢弃起始和结束部分的采样以克服过渡过程和吉布斯现象后,高频分量的傅里叶变换将产生明显偏差。为克服这种偏差,将傅里叶变换的基函数(三角函数)作同样的离散,组成相应的影响矩阵,其逆矩阵将能恢复准确结果。由于影响矩阵的阶次是最高谐波次数的2倍,一般情况下求逆十分困难,并需要较大存储空间。提出了使影响矩阵成为稀疏因而简化运算的条件。进一步讨论了基于阶梯波的差分采样所需要的限幅条件在周期非正弦电压下的表现及其应对方法。模拟和演示实验结果表明,该方法可极大减少计算量,仍具有较高准确度。最后探讨了该方法扩展到一般采样缺失情况下的可能性。

基于DWT结合NSCT的快速图像融合算法

将图像的高频信息和低频信息分开考虑,它们有各自的融合规则.首先通过离散小波变换获得高频系数部分,非下采样轮廓波变换获得低频和高频信息进行初步融合,最后与离散小波变换的结果进行二次融合.实验结果表明,与几种优秀算法比较,此算法表现出更好的视觉融合效果和更短的运行时间.

基于NSCT和DFRFT的数字水印算法研究

为了有效地克服外界攻击对数字水印的破坏性,增强数字水印的鲁棒性,提出了一种基于非下采样轮廓波变换(Nonsample Contourlet Transform,NSCT)与离散分数阶傅里叶变换(Discrete Fractional Fourier Transform,DFRFT)相结合的数字水印算法。首先,通过Logistic置乱处理水印信号,增强水印的安全性;然后,对宿主图像进行NSCT分解,对其中的低频分量进行DFRFT分解;最后,将置乱的水印图像嵌入到DFRFT分解系数中,从而进一步加强水印的不可见性和鲁棒性。实验结果表明,该算法不仅具有较好的鲁棒性,还可以有效地抵抗外界攻击。

一种图像数字水印算法研究

为实现数字水印的隐蔽嵌入,提高水印鲁棒性和信息量,基于小波离散变换(DWT)、非下采样Contourlet变换(NSCT)和奇异值分解(SVD)提出了一种数字水印算法。利用Arnold变换实现水印图像的置乱加密;通过NSCT处理载体图像得到大小相同的低频子带,对该低频子带进行小波分解,然后进行SVD;确定嵌入强度,并将置乱的水印信息嵌入到奇异值中,重构低频分量;通过小波逆变换和NSCT逆变换实现水印嵌入。实验结果表明,在保证水印嵌入信息量前提下,该算法能够满足水印的隐蔽性;同时可抵抗噪声、滤波、压缩、剪切、旋转等攻击,鲁棒性较强;PSNR值在30 d B以上,NMSE值均在0.2以下。所述图像数字水印算法具有很好的鲁棒性、不可见性以及抵抗各种攻击的能力,对数字产品的版权保护具有促进作用。

农业图像NSCT-DWT域自适应滤波增强算法

将非下采样轮廓波变换(nonsubsampled contourlet transform,NSCT)与离散小波变换(discrete wavelet transform,DWT)相结合,提出了1种针对农业图像的NSCT-DWT域自适应滤波增强算法。首先对图像进行NSCT分解与重构获得空间域原始图像的背景和细节图像;然后将改进的Pal-King模糊增强算法应用于增强背景图像;对于细节图像则进行3层二维离散小波变换,对高频系数采用一种基于自适应阈值的改进型阈值函数模型进行去噪,系数重构获得去噪后的细节图像;最后对增强后的背景图像与去噪后的细节图像进行叠加。结果表明,该算法对农业图像处理效果优于2类已有的小波阈值去噪算法。

基于NSST-DWT-ICSAPCNN的多模态图像融合算法

为了增加融合图像的信息量,结合非下采样剪切波变换(Non-Subsampled Shearlet Transform,NSST)和离散小波变换(Discrete Wavelet Transform,DWT)的互补优势,提出了改进的多模态图像融合方法。采用NSST对两幅源图像进行多尺度、多方向的分解,得到相应的高频子带和低频子带;利用DWT将低频子带进一步分解为低频能量子带和低频细节子带,并利用最大值选择规则融合能量子带;采用改进连接强度的自适应脉冲耦合神经网络(Improved Connection Strength Adaptive Pulse Coupled Neural Network,ICSAPCNN)分别融合细节子带和高频子带,并对能量子带和细节子带进行DWT逆变换,得到融合的低频子带;采用NSST逆变换重构出细节信息丰富的融合图像。实验证明,提出的算法在主观视觉和客观评价方面均优于其他几种算法,且能同时适用于红外与可见光源图像、医学源图像的融合。

基于多尺度分解和改进稀疏表示的脑部图像融合

为克服单一模态脑部图像的局限性,进而突出病灶细节信息,提高视觉清晰度,降低时间成本,提出了一种NSST域下结合DWT和改进稀疏表示的算法框架。首先,NSST分解源图像获取高、低频分量,DWT对低频分量进一步分解生成对应的能量子带及细节子带。其次,利用SPCNN融合低频能量子带,多范数加权度量改进的稀疏表示融合低频细节子带,继而用逆DWT进行融合,并经SPCNN融合高频子带。最后,逆变换得到期望的脑部图像。从主观视觉和客观评价指标两个维度对结果进行综合评估,对比另外4种主流的活跃度水平计算方法,新推出的方法能够兼顾信息的数量和集中程度,效果最优。较之当前主流融合算法,新方法突出了病灶信息,提高了融合效率,降低了时间成本,在视觉效果和客观指标上均有显著优势,能够为临床诊断、教学起到辅助作用。

浅谈基于NSST-DCT的零水印算法

目前漫画作品侵权行为层出不穷,分析非下采样剪切波变换(NSST)和离散余弦变换(DCT)两者各自的特点,并将两者应用于漫画零水印算法中。同时,利用MATLAB进行仿真实验,检测该算法的性能,浅谈零水印中引入非下采样剪切波变换(NSST)和离散余弦变换(DCT)的优势。

天牛须算法优化的NSCT-DWT-SVD域鲁棒水印算法

为有效保护数字媒体的知识产权,提出一种基于天牛须搜索算法和NSCT-DWT-SVD的图像水印算法。该算法首先对原始图像进行非下采样轮廓波变换(NSCT),然后对得到的低频区域进行3级离散小波变换(DWT),得到逼近子图LL3,对其进行奇异值分解(SVD),并将SVD分解后的水印嵌入低频子带的奇异值矩阵中。最后采用天牛须算法(BAS)得到水印嵌入的最优强度因子。仿真实验并与其他文献的对比分析证明该算法不可见性和鲁棒性都较好。

基于多尺度分析的图像去噪方法研究

本文研究了两种新的基于多尺度分析的阈值去噪方法,分别是基于Curvelet变换的局部Winner滤波去噪和基于非下采样Contourlet变换的自适应阈值去噪,同时在估计子带系数方差的时候,设计了弧型窗口来完成,更符合Curvelet变换和Contourlet变换各向异性的特征,用文中方法进行图像去噪实验,提高PSNR值的同时,视觉效果也比较好,保留了图像本身的一些细节特征。

基于NSCT与DWT的PCNN医学图像融合

针对医学图像融合过程中出现的细节损失严重、视觉效果不佳问题,提出了一种基于非下采样轮廓波变换(NSCT)与离散小波变换(DWT)的脉冲耦合神经网络(PCNN)医学图像融合算法。首先,利用NSCT处理医学源图像,得到相应的低频和高频子带,并利用DWT对得到的低频子带进行处理。然后,利用PCNN对低频子带进行融合,将平均梯度和改进型拉普拉斯能量和作为PCNN的输入项,将信息熵与匹配度结合实现对高频子的融合。最后,利用多尺度逆变换将低频子带和高频子带图像进行融合。实验结果表明,所提方法能够有效提升融合图像的对比度并保留源图像的细节信息,在主观和客观评价上均有优良的性能表现。