基于非下采样Bandelet变换的多聚焦图像融合

针对同一场景的多聚焦图像,提出了基于非下采样Bandelet变换(NSBT)的图像融合方法。首先求出源图像的平均图像,再利用该图像的小波系数计算出最优的几何流,进而构造出一组Bandelet基,然后将源图像通过这组基进行表示,对得到的系数按所对应的不同物理意义分别进行融合,最后将融合系数进行非下采样Bandelet逆变换得到融合图像。实验结果表明,与基于小波变换(WT)和非下采样小波变换(NSWT)的融合方法相比,本文所提方法取得了更好的视觉效果和量化指标。

基于非下采样轮廓波变换的遥感地物分割算法

针对遥感地物图像具有背景复杂且种类众多的特点,利用传统算法进行分割会导致边缘模糊、信息丢失及分割精度低的问题,提出了一种基于改进DeepLabV3+网络的语义分割算法。首先,在主干网络中引入改进后的特征提取网络CHRNet;其次,使用非下采样轮廓波变换(NSCT)算法重构空洞空间金字塔池化(ASPP)模块中的全局池化操作;最后,在模型编码和解码阶段添加无参数的注意力机制SimAM,加强模块间的特征传递,提高特征利用率。实验表明,在PASCAL VOC2012和WHDLD数据集上,改进算法的平均交并比(MIoU)分别达到了81.56%和64.2%,较原有算法分别提升了约4.61和2.8个百分点,改进算法在保证分割速率的同时,提升了分割精度。

一种非下采样轮廓波变换的机载SAR图像增强

针对机载合成孔径雷达(SAR)影像因入射角、侧视距离和后向散射系数差异导致的内部亮度不均衡、边缘细节特征模糊等图像质量问题,采用一种基于非下采样轮廓波变换(NSCT)的图像增强处理方法来提升视觉效果,增强图像质量。相对于传统图像增强算法,该方法能够更好地解决SAR影像的辐射差异:结构相似度与平均梯度表现最优,在较好保持原始影像信息的基础上,亮度不均匀现象得到有效改善,对机载SAR影像的视觉效果有很大的提高。

基于非下采样Shearlet变换耦合能量关联度的医学图像融合算法

为了克服当前较多医学图像融合方法在采用图像的能量信息融合图像时,忽略了不同图像能量的关联度,使得融合结果存在细节丢失现象和模糊现象等问题,提出了一种非下采样Shearlet变换(NSST,non-subsampled shearlet transform)耦合能量关联度的医学图像融合算法;借助NSST变换,在多尺度下对输入医学图像进行解析,获取其低频及高频子带系数;以图像的能量信息为依据,构造能量关联度函数,测量不同图像的关联程度;根据不同图像的关联度,设计不同的低频子带融合规则,获取信息含量丰富且连贯性较好的融合低频子带;在空间频率函数的基础上,注入图像的对角信息,使之成为多元空间频率函数,以计算图像的清晰度;引入标准差函数,计算图像的对比度;联合图像的清晰度和对比度信息,获取纹理及对比度等特征都较优良的融合高频子带;基于逆NSST变换,重构融合结果;主观和客观实验结果表明,较当前较为流行的医学图像融合技术而言,所提方法具备更高的融合质量,呈现出更多的纹理细节和更高的清晰度。

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。

非下采样Bandelets域图像去噪方法

针对Bandelets变换在图像去噪时产生图像边缘伪Gibbs现象的缺陷,提出一种利用Bayes收缩算法逐层估计噪声方差非下采样Bandelets域的图像去噪方法。实验结果表明,与基于Bandelets变换的去噪方法相比,该方法可以避免Bandelets变换中进行下采样而使图像不连续点处信息丢失导致的图像不稳定,较好地保持边缘细节,提高了峰值信噪比。

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Contourlet变换的多传感器图像融合

根据非下采样Contourlet变换同时具有多尺度多分辨分析和平移不变性质的特点,提出一种基于非下采样Contourlet变换的多传感器图像融合方法,将其应用于多传感器图像融合的两个重要领域——多聚焦图像融合和高分辨、多光谱图像融合,从视觉效果和信息量指标方面对融合图像进行主观评判和数值评价.实验中将本文方法与Contourlet变换、小波变换、主成分分析等方法进行了比较,结果表明本文方法得到的融合结果具有更优的视觉质量和量化指标,能很好地将源图像的细节信息融合在一起,拓广了NSCT的应用范围.

基于非下采样Contourlet变换和稀疏表示的红外与可见光图像融合方法

针对非下采样Contourlet变换(NSCT)中低频子带系数稀疏度较低不利于融合的问题,提出基于NSCT和稀疏表示的图像融合方法。对红外与可见光图进行NSCT变换;对稀疏度较低的低频子带系数提取共有和特有系数,并按照特有系数的活动水平自适应调整权重融合;对稀疏度较高的高频方向子带系数,采用同一尺度下系数绝对值之和最大的方法进行融合。经NSCT逆变换后得到融合图像。实验结果表明,与传统基于变换的DWT、NSCT融合方法以及基于稀疏表示的SOMP、JSR算法比较,文中方法可以获得更好的融合效果。

非下采样Contourlet变换自适应图像去噪方法

提出了一种基于非下采样Contourlet变换的自适应图像去噪方法。首先对噪声图像进行非下采样Contourlet变换,得到各个尺度各个方向子带的系数,再根据该系数的能量自适应地调整去噪阈值。实验表明,与Contourlet多尺度阈值去噪、Contourlet自适应阈值去噪相比,该方法在保留图像边缘细节的同时,能提高图像的PSNR值,减少了Gibbs现象。

改进的非下采样Contourlet变换红外弱小目标检测方法

针对存在复杂背景干扰和噪声的红外图像弱小目标检测问题,提出了一种非下采样Contourlet变换(NSCT)的改进的红外弱小目标检测方法。首先对含弱小目标的红外图像进行预处理,然后利用NSCT进行变换,并利用改进的非线性映射函数和能量交叉融合相结合的方法实现了背景杂波的抑制,最后引入Otsu算法进行阈值分割分离出红外弱小目标。通过与同类弱小目标检测算法的对比实验,验证了该方法的有效性。

基于非下采样轮廓波变换的全色图像与多光谱图像融合方法研究

为了同时改善遥感图像的空间分辨率和光谱分辨率,提高遥感图像信息量,提出了一种基于非下采样轮廓波变换的全色图像与多光谱图像的融合方法。首先,对多光谱图像进行HIS变换,获取其亮度分量;分别对多光谱图像的亮度分量和全色图像进行非下采样轮廓波变换,获取其高低频系数;采用脉冲耦合神经网络算法和加权融合对高低频系数进行选取;最后,经过逆HIS变换和逆非下采样轮廓波变换获得最终融合后图像。实验结果表明,本文融合方法处理后遥感图像的光谱失真少,信息量和清晰度都优于其他传统遥感图像融合方法。

基于非下采样Contourlet变换的SAR图像增强

该文基于非下采样Contourlet变换(NSCT)和SAR图像的统计特性,提出一种SAR图像增强方法,给出一种基于非下采样塔型分解的斑点噪声方差估计算法和一种基于方向邻域模型的弱边缘增强算法。该文在不同方向子代进行斑点方差估计,利用局部方向统计信息对NSCT系数并进行强边缘、弱边缘和噪声分类并进行弱边缘的增强和噪声的抑制。实验结果表明,该方法在方向信息保留和斑点抑制上优于非下采样小波变换(NSWT)相应方法。

非下采样小波变换红外光谱数据去噪

为了降低噪声对实测红外光谱信号的影响,引入了一种非下采样小波变换的红外光谱数据去噪方法。采用非下采样小波变换对原始光谱信号进行多尺度分解,提取信号的多尺度细节特征;根据光谱信号和噪声在不同尺度上的差异,通过应用变分偏微分方程方法调整分解后的各子带系数;重构各子带就可以将原始光谱信号中真实信号和噪声分离,从而达到剔除噪声的目的。通过两组实验对比传统小波和该方法针对红外光谱数据的消噪效果,实验结果表明:非下采样小波变换在红外光谱数据去噪方面具有明显的优势,不仅能够有效地去除噪声,很好地保持信号的形状,并且均方误差较小;在实际的红外光谱数据处理中能够获得较好的去噪效果。

基于非下采样Contourlet变换系数直方图匹配的自适应图像增强

由于非下采样Contourlet变换(NSCT)域图像增强方法需要手动调节参数,无法实现自适应增强,本文将直方图均衡化和NSCT域增强相结合,提出了一种基于NSCT系数直方图匹配的自适应图像增强算法。该算法首先对低对比度含噪原图像进行直方图均衡化,然后对原图和直方图均衡化后的图像分别进行NSCT分解,得到低频子带系数和各高频方向子带系数。对低频子带,将原图的低频子带系数直方图匹配到直方图均衡化后图像的对应系数直方图上。对各个高频子带,则先进行阈值去噪,再将原图的各个高频子带系数直方图匹配到直方图均衡化后图像的对应系数直方图上。最后,经NSCT重构得到增强后的最终图像。实验结果表明,本文方法增强效果明显优于直方图均衡化,与Contourlet变换增强法相比,实验所采用的两组图像的图像评价函数(EMEE)值分别提高了24.05%、16.97%、13.29%和20.63%,且与NSCT域非自适应增强法(人工选取参数)的处理效果相当。该方法无需手工调节参数,具有自适应性和实用性强的优点。

基于非下采样Contourlet变换和区域特征的医学图像融合

针对非下采样Contourlet变换具有多尺度分析及平移不变的性质,结合计算机断层成像(CT)和核磁共振(MRI)医学图像各自的成像特性,提出了基于非下采样Contourlet变换和区域特征策略来对低频、高频子带进行融合的医学图像融合方法;介绍了图像融合的评价标准,阐述了非下采样Contourlet变换的原理及实现;从视觉效果和客观数据指标方面对融合图像进行主观评判和数值评价。下颌骨系统CT和MRI图像的融合实验结果表明,该方法相对于小波变换和Contourlet变换方法,可有效综合这两种断层图像的有效信息和细节信息,融合后图像具有更优的视觉质量和量化指标。

基于非下采样轮廓波变换和直觉模糊集的红外与可见光图像融合

针对传统图像融合方法造成的边缘模糊、细节损失、图像对比度与清晰度容易降低等问题,利用非下采样轮廓波变换,提出一种基于直觉模糊集和区域对比度的红外与可见光图像融合算法.首先,使用非下采样轮廓波变换将源图像分解,分别得到源图像的高频和低频成分.其次,利用直觉模糊集灵活准确描述模糊概念的特性,构建双高斯隶属函数对低频成分进行融合;利用区域对比度详细描述图像纹理信息的特点,采用多区域特征对比度结合距离分析的融合规则,对高频成分进行融合.最后使用非下采样轮廓波逆变换得到融合图像.实验结果表明,与其它融合算法相比,该算法提高了图像对比度,保留了源图像中的边缘和细节信息,且得到的融合结果具有更优的客观评价值.

基于非下采样Contourlet变换和谱图理论的扩散去噪

提出了一种基于谱图理论的热扩散方程图像去噪方法。该方法用非下采样的Contourlet变换提取图像的边缘和轮廓等几何特征,并将提取的特征用来构造图的权重函数,将扩散方程建立在图上,用热核和拉普拉斯矩阵实现图像的去噪。仿真实验结果表明,该方法能够有效去除高斯噪声,较完整地保持图像中的边缘等细节信息,在去噪性能上优于其他的偏微分方程去噪方法。

基于非下采样Shearlet变换的磁瓦表面缺陷检测

针对磁瓦表面缺陷对比度低,图像受不均匀背景和磨削纹理干扰大等问题,提出了一种基于非下采样Shearlet变换(non-subsampled Shearlet transform,NSST)的磁瓦表面缺陷检测方法。首先,对磁瓦图像进行多尺度多方向NSST分解,得到一个低频子带图像及多个频率和方向变化的高频子带图像。然后对缺陷在高低频域表现出的不同特征进行针对性的处理,在低频子带中分别计算行均值线图像和列均值线图像,将列均值线图像沿行均值线图像扩展,构造基于均值的自适应阈值对低频子带进行滤波,以去除不均匀背景;同时,利用同一分解尺度下各高频子带系数中微弱缺陷信号的方差较大,显著缺陷信号的能量较大,而噪声和背景干扰信号的方差和能量均较小的差异,构造基于Shearlet高频分解系数方差和能量的综合高频缺陷识别算子,滤除高频子带中的噪声和背景干扰。最后,对修正后的分解系数进行逆NSST重构,得到背景均匀,磨削纹理和噪声干扰被充分抑制的高对比度图像,并采用自适应阈值分割方法提取出缺陷区域。实验结果表明,该方法的假阳性率、假阴性率和检测准确率分别达到8.8%、5.0%和93.1%;本文算法在MATLAB仿真平台中平均运行时间为0.629 s;相较于现有的磁瓦表面缺陷检测算法,该方法能够有效地去除不均匀背景、磨削纹理和噪声干扰,检测结果更加准确,鲁棒性更强。