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.

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。

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.

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变换耦合能量相似制约的遥感图像融合算法

为了克服当前遥感图像融合方法存在的块现象和光谱扭曲等问题,引入了非下采样Contourlet变换(nonsubsampled contourlet transform,NSCT),设计了一种通过能量相似制约的遥感图像融合算法。利用HSV(hue,saturation,value)变换来处理多光谱(multi-spectral,MS)图像,从MS图像中提取对应的V成分,并通过NSCT变换计算出V成分及全色(panchromatic,PAN)图像的不同图像系数。利用区域能量函数来测量图像所含能量信息,并以图像间能量的相似性为依据,构建低频系数的融合模型,获取具有较好光谱特征的融合低频系数。利用空间频率函数来测量图像所具有的细节特征,以构建高频系数融合模型,获取具有较好清晰度的融合高频系数。最后,借助HSV和NSCT的逆变换,输出融合结果。实验结果表明,较现有融合技术而言,所提算法具有更好的融合效果,输出图像具备更好的光谱特征,有效降低了块效应。

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.

基于非下采样Contourlet变换的医学图像融合方法

针对传统多尺度变换的医学图像融合问题,提出一种基于非下采样Contourlet变换的医学图像融合新方法。在低频子带系数的选取上,根据医学图像的特点,考虑到相邻低频子带系数之间存在的相关性,采用基于区域能量的融合规则;在选择带通方向子带系数时,充分利用非下采样Contourlet变换的方向特性,采用改进拉普拉斯能量和作为带通方向子带系数的融合规则。实验结果表明,与传统融合方法相比,该方法避免了图像失真,达到了良好的图像融合效果。

基于区域分割和非下采样Contourlet变换的多聚焦图像融合算法

针对基于神经网络分割算法计算复杂、运算量大等问题,提出一种根据单焦距图像聚焦区域和失焦区域局部相对清晰度的不同进行区域分割的多聚焦图像融合算法。该算法有效结合了非下采样Contourlet变换(NSCT)在图像分解中的多尺度、方向性、各向异性和平移不变性等特点,利用各方向高频分量的聚类来对低频分量进行分割、融合。实验表明该算法是一种有效的多聚焦图像融合方法。

基于非下采样Contourlet变换和Zernike矩的医学图像检索

针对医学图像数据库,提出一种新的基于纹理和形状的图像检索方法。非下采样Contourlet变换具有多尺度多分辨率分析和平移不变性的特点,用来提取纹理特征。Zernike矩作为一种基于区域的形状描述子,具有良好的旋转不变性,用来提取形状特征.然后综合两种特征。对CT图像数据库进行检索实验,实验结果表明,该方法具有良好的检索性能,并具有平移、尺度、旋转不变性。

基于非下采样contourlet变换的图像边缘检测新方法

非下采样contourlet变换(nonsubsampled contourlet transform,NSCT)由于其平移不变性使得检测出的边缘定位准确。但是传统的基于非下采样contourlet变换的边缘检测结果中仍存在伪边缘,这是固定阈值选取不当所致。采用双阈值对高频子带中的模极大值进行筛选,用得到的两个矩阵进行补偿链接可以减少伪边缘。由于NSCT系数的结构特点,低频子带中也存在丰富的边缘信息,再用Canny算子对低频子带进行检测。仿真结果表明,基于双阈值的模极大值方法检测的高频子带细节丰富、定位准确、纹理清晰,Canny算子检测的低频图像边缘,轮廓完整连续,融合后的图像有效地抑制了噪声,消除了伪边缘。

基于非下采样Contourlet变换的医学CT图像去噪

为克服Contourlet变换的非平移不变性及频谱混叠等缺陷,提出了一种基于非下采样Contourlet变换的医学CT图像去噪方法。对含噪的CT图像进行非下采样Contourlet变换,得到不同尺度及各个方向上的变换系数,利用Context模型将每个尺度每个方向子带分级,不同分级采用相应的阈值去噪。实验表明,该方法适宜于处理含有更多高斯噪声的医学CT图像,与其他方法相比提高了PSNR值,更好地保留了图像细节,改善了医学CT图像的质量。