非下采样Contourlet变换域多聚焦图像融合方法

针对同一场景的多聚焦图像融合问题,提出基于脉冲耦合神经网络(PCNN)的非下采样Contourlet变换(NSCT)域融合方法.将源图像经过NSCT变换生成的低通子带系数和带通方向子带系数输入PCNN,将各神经元迭代产生的点火频数构成点火映射图.采用接近度函数描述点火映射图邻域特性的关联程度,根据邻域接近度为融合图像选择相应的子带系数,通过NSCT逆变换得到融合结果.实验分析表明,新的融合方法在很大程度上保留了多聚焦图像的清晰区域和特征信息,具有比经典小波变换、Contourlet变换和常规NSCT方法更好的融合性能.

非下采样Contourlet域自适应阈值面的磁瓦表面缺陷检测

为提高磁瓦表面缺陷人工检测效率、防止缺陷漏检,针对经典缺陷检测算法不能很好地提取颜色暗、对比度低的磁瓦图像缺陷问题,提出一种非下采样Contourlet域自适应阈值面的磁瓦缺陷自动检测方法.该方法根据非下采样Contourlet变换(NSCT)子带系数所在不同区域的特性,采用线扫描的方式对NSCT系数进行阈值处理,给出不同尺度、不同方向的归一化自适应阈值面;并与原始NSCT各子带归一化系数对比分割,以实现对磁瓦图像NSCT系数逐列自适应修正;最后重构NSCT系数提取出磁瓦缺陷.实验结果表明,文中方法能够有效地去除磁瓦表面纹理,提取出磁瓦表面缺陷的准确率可达95%.

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。

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。

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。

基于非下采样Contourlet域局部高斯模型和MAP的SAR图像相干斑抑制

对SAR图像应用非对数加性模型,通过研究SAR图像中同质区域在非下采样Contourlet域的分布特性,提出对非下采样Contourlet域中、与同质区域相对应的平稳区域的非对数加性噪声使用高斯分布建模.基于该模型,利用局部滑动窗口和对非对数加性噪声方差的自适应估计,在最大后验准则的基础之上求得真实信号的非下采样Con-tourlet系数.由于未对图像进行对数变换,本文算法很好地保持了原始图像的辐射特性,相干斑被有效地抑制,均匀区域很少有伪吉布斯效应,同时边缘纹理清晰.无论视觉效果还是客观评价指标本文算法都优于许多现存的抑斑算法.

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。

基于斑点方差估计的非下采样Contourlet域SAR图像去噪

合成孔径雷达(SAR)图像固有的相干斑噪声严重影响图像质量,使得SAR图像的自动解译十分困难.本文联合SAR图像的统计特性和非下采样Contourlet对SAR图像细节信息的良好刻画能力,提出一种新的非下采样Contourlet域SAR图像去噪算法,通过估计到的各个高频方向子带的斑点噪声方差和变换系数模值的局部均值,对非下采样Contourlet变换系数进行判定,保留信号系数,抑制斑点噪声系数,实现SAR图像去噪.仿真实验结果表明,本文方法在斑点抑制的同时可以有效保持细节信息.

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。

基于活性测度和闭环反馈的非下采样Contourlet域图像融合

基于人类视觉系统和源图像特性,该文提出一种非下采样Contourlet域图像融合算法,并讨论了分解层数和方向分解数对融合结果的影响。低通子带引入闭环反馈策略自适应获取近似最优融合权值;高通子带则基于区域能量定义像素活性测度,以有效增强图像的对比度,并保持细节信息。实验结果表明:该文提出的图像融合新算法具有较好的鲁棒性,融合图像边缘的清晰度和连续性也较理想。

基于非下采样Contourlet的多传感器图像自适应融合

提出了一种基于非下采样Contourlet变换的多传感器图像自适应融合方法,采用黄金分割法搜索最优的低频融合权值,自适应地对多传感器图像的低频子带系数进行融合.非下采样Contourlet变换是一种新的图像多尺度、多方向的表示方法,适合表达具有丰富细节信息及方向信息的图像,且该变换具有平移不变性,可以避免一般方法对融合图像引入的振铃效应,它的高频方向子带捕获了多传感器图像的显著特征,文中采用同一尺度下方向子带信息和取大的规则对高频系数进行融合.实验结果表明,与基于拉普拉斯塔、小波、平稳小波和Contourlet变换的方法比较,文中所提出的方法可以获得较好的融合效果.

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。

基于双变量阈值的非下采样Contourlet变换图像去噪

系数阈值是流行的去噪方法,其中阈值方式与大小的选择是一个重要的技术问题。该文依据非下采样Contourlet分解系数与其父系数之间的相关性,给出非高斯双变量分布,对该模型应用Bayes估值理论推导得到相应的非线性双变量阈值函数,综合非下采样Contourlet分解和双变量阈值函数,提出一种基于双变量阈值的非下采样Contourlet变换图像去噪方法(NSCTBI)。对于被加性高斯白噪声污染的图像,实验中将NSCTBI方法与非下采样Contourlet变换、小波域双变量阈值去噪等方法进行了比较,结果表明在大多数情况下,NSCTBI的PSNR结果相比这些方法高出0.5至2.3dB,在边缘特征方面保持了良好的视觉效果。

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Contourlet和扩散的图像去噪

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的性质,提出一种基于非下采样Contourlet变换和P-Laplace扩散相结合的图像去噪方法。该方法不但继承了非下采样Contourlet变换捕捉边缘信息的能力,而且在P-Laplace扩散去噪时具有保持图像边缘信息的优点。实验结果表明该方法具有较好的图像去噪效果。

基于非下采样Contourlet变换和PCNN的表面缺陷自动识别方法

基于多尺度几何分析的表面缺陷特征提取方法中,常用的可分离二维Wavelet基是各向同性的,无法有效表示图像的纹理和边缘,且通常对多尺度分解系数所提取的特征不全面.提出基于非下采样Contourlet变换(NSCT)和脉冲耦合神经网络(PCNN)的特征提取方法,并应用于冷轧带钢表面缺陷自动识别.首先用NSCT对缺陷图像进行多尺度多方向分解;然后将子带图像输入PCNN迭代点火,计算点火图的熵序列作为子图的特征,合并各子图特征得到原图的特征向量;最后用支持向量机进行分类识别.该方法能够全面准确提取缺陷图像信息,尤其是纹理边缘等方向信息,且方法可并行实现,PCNN不需要训练.利用从生产线现场采集的缺陷图像对文中方法进行了试验,识别率达95.44%.

一种利用非下采样Contourlet变换的纹理检索方法

为提高基于内容的图像检索系统中纹理特征提取的有效性,提出了又一种纹理图像检索方法。该方法利用非下采样Contourlet变换对图像进行分解,提取不同子带和不同方向变换系数矩阵的均值和方差为特征向量,作为数据库中纹理图像的索引,并利用两种不同的相似度函数计算图像之间的相似度,建立了一套基于示例查询图像的纹理图像检索系统。实验结果表明,与小波包等特征提取方法相比,该方法不仅能降低特征向量维数,而且能取得更高的检索准确率和检索速度。

结合统计分布和非下采样Contourlet变换的红外小目标检测

在分析存在背景和噪声干扰下的红外小目标检测方法的基础上,提出了一种时空结合的红外小目标检测算法。首先,基于相邻帧背景图像灰度值变化的特点,提出了基于三阶中心矩统计分布确定小目标区域方法,接着对图像进行非下采样Contourlet变换(NSCT),定义子带的能量系数,并结合各个子带的能量系数得到各点的能量值,进而得到一个基于各点能量值的图像。最后,根据能量图像中小目标、背景及噪声的不同分布特点,利用阈值分割得到要检测的小目标。仿真实验结果表明,该方法能较精确地检测出红外小目标,具有较高的检测率和较小的平均虚警数;对单一背景和运动背景下的红外小目标进行检测,其检测率分别达到了98%和97%,平均虚警数仅为0.05和0.17,并且在小目标出现快速以及不规则运动时仍能进行有效检测。

基于非下采样contourlet变换的压缩感知图像重建

受传统采样定理限制,直接从信号采集系统得到高分辨率图像较困难,且信号获取过程会导致大量的采样数据.压缩感知理论指出可用特定测量矩阵将高维信号投影到低维空间上,求解数值优化问题准确重构原始信号,突破了传统采样定理的限制.传统压缩感知图像重建算法对所有系数测量,需进行多层小波变换保证图像质量,且小波捕捉方向信息有限,重建图像质量较差.故此提出采用非下采样contourlet变换(NSCT)做信号稀疏变换,并针对变换系数的特点,选择性的对系数测量,利用正交匹配追踪算法进行重构.实验结果表明,仅用单层NSCT变换可重建出高质量图像,克服传统算法需进行多层小波变换的缺点,降低采样和存储的数据量且重建的图像质量得到极大提升.