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。

稀疏表示和非下采样Shearlet变换相结合的多聚焦图像融合

针对多聚焦图像融合过程中源图像未精确配准带来的伪吉布斯现象,提出一种稀疏表示和非下采样Shearlet变换相结合的图像融合方法.该方法首先利用非下采样Shearlet变换对源图像进行多尺度分解,低频系数采用稀疏表示进行融合,为了提高算法效率和更好地逼近低频系数,将初始融合的低频子图直接作为训练样本自适应构造过完备字典,高频系数采用改进拉普拉斯能量和取大的融合规则,然后重构低高频融合系数得到最终的融合图像.通过和多种融合方法进行对比实验,本文方法融合结果无论从主观视觉还是客观评价上都能得到很好的效果.

基于非下采样Shearlet变换的磁瓦表面裂纹检测

针对磁瓦表面裂纹缺陷图像背景不均匀、对比度低和存在纹理干扰等特点,提出了一种基于非下采样Shearlet变换(Nonsubsampled Shearlet transform,NSST)的裂纹检测方法。首先对原始图像进行多尺度、多方向NSST分解,得到一个低频子带和多个高频子带,然后利用各向异性扩散和改进的γ增强方法对高频子带进行滤波和增强;同时利用二维高斯函数对低频子带进行卷积操作来构造高斯多尺度空间,估计出图像的主要背景,并通过背景差法得到均匀的低频目标图像。最后通过重构NSST系数得到去噪和增强后的均匀目标图像,利用自适应阈值分割和区域连通法提取裂纹缺陷。实验结果表明,所提方法检测准确率达92.5%,优于基于形态学滤波方法、基于Curvelet变换方法和基于Shearlet变换方法等现有磁瓦表面裂纹检测方法。

非下采样Shearlet变换耦合边缘制约的遥感图像融合算法

为了解决当前遥感图像融合算法因忽略了区域中像素点的边缘特征而导致融合图像中存在块效应以及模糊效应的不足,在非下采样Shearlet变换的基础上,设计了基于边缘制约模型的遥感图像融合算法。首先,将多光谱(MS)图像经过IHS分解,提取相应的亮度分量。然后,通过非下采样Shearlet变换,将全色(PAN)图像与亮度分量进行分解,获取各自的高频系数与低频系数。再通过图像的空间频率特征,建立低频系数的融合函数,对低频系数进行融合。并利用图像的区域平均梯度特征与图像区域中像素点的边缘能量特征,构造了边缘制约模型,对高频系数进行融合。最后,将融合后低频系数、高频系数经非下采样Shearlet逆变换和IHS逆变换,获取融合图像。实验结果显示,与当前遥感图像融合方法相比,所提算法的融合图像具有更高的清晰度,更好地保持了图像的光谱特性,消除了块效应以及模糊效应。

基于非下采样Shearlet变换与差异度量的遥感图像融合算法

为了解决当前基于加权平均机制的遥感图像融合算法忽略了图像像素间的差异性,易导致融合图像出现振铃及光谱失真等问题,设计了非下采样Shearlet变换耦合差异度量的遥感图像融合算法。引入亮度-色调-饱和度(IHS)变换,获取多光(multi-spectral,MS)图像中的亮度I成分;借助非下采样Shearlet变换,计算出I分量及全色(PAN)图像对应的低频及高频系数;再利用结构相似度(SSIM)函数,对低频系数的差异性实施度量,从而构建了差异度量法则,根据低频系数间的差异性采取不同的低频系数融合策略,实现低频系数的融合;考虑图像的平均梯度信息,构建高频系数融合机制,完成高频系数的融合。基于非下采样Shearlet逆变换,对融合的高频及低频系数实施处理,获取融合结果。实验结果显示,较已有的遥感图像融合方法而言,所提技术具备更高的融合效果,其输出结果含有更大的信息熵值和更低的光谱偏差度。

基于非下采样Shearlet变换与模糊对比度的合成孔径雷达图像增强

针对合成孔径雷达(SAR)图像在成像和传输过程中引入噪声和干扰从而导致图像清晰度下降、细节丢失等问题,提出了一种非下采样Shearlet变换(NSST)与模糊对比度的SAR图像增强算法。首先,原始图像经NSST分解成一个低频分量和若干个高频分量;然后对低频分量进行线性增强以提高整体对比度,对高频分量采用阈值法进行增强以去除图像中的噪声;接着对处理后的两部分分量进行NSST反变换得到重构图像;最后采用模糊对比度算法对重构图像进行增强,提高图像细节信息和层次感,得到增强后的图像。对40幅图像的实验结果表明,与直方图均衡化、多尺度Retinex增强算法、基于Shearlet变换和多尺度Retinex的遥感图像增强算法、基于剪切波域改进Gamma校正的医学图像增强算法相比,该算法的图像峰值信噪比至少提升了22.9%,均方根误差至少降低了36.2%,能明显提升图像的清晰度,使图像的纹理信息更加清晰。

基于非下采样shearlet变换的微地震随机噪声压制

基于非下采样shearlet变换的微地震资料去噪方法,相比于其他多尺度变换方法具有更好的方向敏感性和最优稀疏表示性能,具有更强的去除随机噪声的能力,信号保真度更好。同时较传统的shearlet变换具有平移不变性,克服了伪吉布斯现象。利用非下采样shearlet变换阈值去噪法与小波和曲波阈值变换方法对微地震仿真和实际资料的随机噪声的压制进行对比分析,结果表明非下采样shearlet变换具有更好的去噪能力。

基于非下采样Shearlet变换与聚焦区域检测的多聚焦图像融合算法

为了提高基于多尺度变换的多聚焦图像融合中聚焦区域的准确性,提出了一种基于非下采样Shearlet变换(NSST)与聚焦区域检测的多聚焦图像融合算法。首先,通过基于非下采样Shearlet变换的融合方法得到初始融合图像;其次,将初始融合图像与源多聚焦图像作比较,得到初始聚焦区域;接着,利用形态学开闭运算对初始聚焦区域进行修正;最后,在修正的聚焦区域上通过改进的脉冲耦合神经网络(IPCNN)获得融合图像。与经典的基于小波变换、Shearlet变换的融合方法以及当前流行的基于NSST和脉冲耦合神经网络(PCNN)的融合方法相比,所提算法在客观评价指标互信息(MI)、空间频率和转移的边缘信息上均有明显的提高。实验结果表明,所提出的算法能更准确地识别出源图像中的聚焦区域,能从源图像中提取出更多的清晰信息到融合图像。

基于非下采样Shearlet变换与压缩感知的图像融合

针对非下采样剪切波变换(NSST)分解后图像的高频系数数据量较大且具有较大稀疏性的问题,本文提出一种基于NSST和压缩感知(CS)的图像融合算法。算法首先采用NSST对源图像进行分解;其次利用CS算法将NSST分解后的图像的高频系数进行压缩、融合及重构;然后利用"局部区域能量和局部区域方差"联合指导待融合图像的低频系数的融合;最后利用NSST逆变换重构融合图像。由于只需要对高频系数的压缩值进行融合,因此算法可以在不影响图像融合效果的同时加快代码的运行速度。仿真实验表明,该算法不需要原图像的先验知识就可以完成图像的融合,当图像的尺寸较大时,该算法牺牲了微小的融合图像质量,但却可以显著提高算法的运行速度,减小代码的时间代价,降低对硬件系统的要求。该算法对于融合系统的实时性要求提供了一种思路,具有较大的应用价值。

非下采样Shearlet变换与参数化对数图像处理相结合的遥感图像增强

针对部分遥感图像整体亮度偏暗、对比度较低的特点,为提高遥感图像的视觉效果和可解译性,提出了一种基于非下采样Shearlet变换(non-subsampled shearlet transform,NSST)和参数化对数图像处理(parameterized logarithmic image processing,PLIP)模型的遥感图像增强方法。首先,遥感图像经非下采样Shearlet变换分解成低频分量和高频分量;然后依据PLIP模型对其低频分量进行增强,提高图像的对比度;同时利用改进的模糊增强方法对高频分量进行增强,突显边缘细节信息。大量试验结果表明,与双向直方图均衡增强、基于平稳小波变换的增强、基于非下采样Contourlet变换的增强等5种图像增强方法相比,本文提出的方法在主观视觉效果和对比度、清晰度等客观定量评价指标两个方面均有优势,能更有效地提高遥感图像的对比度、增强边缘纹理细节信息,视觉效果更佳。

PCA结合非下采样Shearlet变换的遥感图像融合算法

为了提高遥感图像的融合质量(quality)及应用价值,解决融合中存在的光谱失真和空间细节损失问题,文章新提出了一种主成分变换(PCA)结合非下采样Shearlet变换(NSST)的遥感图像融合算法。首先利用PCA提取多光谱图像的第一主成分;然后引入加权最小二乘滤波通过全色图像获取空间细节信息,并将其注入第一主成分后与全色图像分别进行NSST变换;再对高频和低频系数分别采用基于相位一致性和基于局部拉普拉斯能量的规则进行融合;最后进行NSST逆变换和PCA逆变换得到融合图像。文章采用三种卫星数据进行验证,对比传统方法文章算法的融合质量明显提升,融合图像纹理清晰、色彩自然,且在多个客观评价指标上均达到较高水平。因此,文章算法对遥感图像具有较强适用性,能够在提高细节信息的同时,避免光谱失真。

基于非下采样Shearlet变换与剥离策略的可见光与红外图像融合算法

为了使可见光与红外融合图像能更好的表达目标信息,联合非下采样Shearlet变换与剥离策略,对其进行融合。首先,借助非下采样Shearlet变换,获取可见光与红外图像的高、低频成分。然后,通过Otsu阈值分割方法来构建剥离策略,将红外图像中的目标层与其背景层进行剥离,并以目标层为基础,利用图像的区域能量特征,对可见光图像与红外图像背景层的低频系数进行加权计算,并将结果与红外图像的目标层结合,以得到富含目标内容和背景内容的融合低频系数。引入区域方差函数,对图像的细节特征进行测算,通过构造方差加权因子,得到富含细节特征的融合高频系数。最后,对两个融合系数实施非下采样Shearlet逆变换,从而输出融合图像。实验结果显示,本算法融合的图像,比现有融合算法融合的图像更具优良的目标及细节表达能力,可用于获取高质量的可见光与红外融合图像。

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。

基于非下采样Shearlet变换耦合相对亮度测度的可见光与红外图像融合算法

为了克服当前较多可见光与红外图像融合方法在通过图像能量特征融合图像时,忽略了图像的全局相对亮度特征,导致融合图像存在红外目标表达能力弱等问题,文章引入非下采样Shearlet变换,通过测量图像的相对亮度来融合图像。借助NSST变换来处理输入图像,解析出图像的低频和高频系数;采用区域能量函数,对区域图像所含的能量特征进行测量,利用图像的全局均值和区域均值,构造相对亮度测度模型,求取区域图像的相对亮度特征,并将区域图像的能量特征和相对亮度特征结合,对低频系数完成加权融合;利用图像的行、列、对角维度上的频率值,建立四维细节测量因子,以计算出图像的细节特征,完成高频系数融合,从而求取融合图像。实验结果表明,较当前算法的融合图像,所提算法不仅能更好的显示出图像的细节内容,而且还能更好的表达图像中的红外目标内容。

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Cauchy分布的非下采样Shearlet HMT模型及其图像去噪应用

Shearlet变换作为后小波时代的一个重要的多尺度几何分析工具具有良好的各向异性和方向捕捉性,同时它也可以对诸如图像等多维信号进行一种近最优的稀疏表示.非下采样Shearlet变换(NSST)在保持Shearlet变换特性的同时还具有平移不变特性,这在具有丰富纹理和细节信息的图像处理中发挥着重要作用.该文首先对图像NSST方向子带内系数的概率密度分布进行分析,获得系数的稀疏统计特性和Cauchy分布拟合子带内系数的有效性;其次对NSST方向子带间系数的联合概率分布进行分析,获得方向子带系数间所具有的持续和传递特性,确定了一种NSST子带间树形架构的系数对应关系,进而提出一种NSST域隐马尔可夫模树模型(C-NSSTHMT),该模型通过Cauchy分布来拟合NSST系数,更好地揭示图像NSST变换后相同尺度子带内和不同尺度子带间系数的相关性.进一步提出一种基于所提出C-NSST-HMT模型的图像去噪算法,该算法对于含噪声方差为30和40的噪声图像,其去噪后的PSNR(Peak Signal to Noise Ratio)较NSCT-HMT方法分别提高了1.995dB和1.193dB.特别对纹理和细节丰富的图像,该算法在去噪的同时,有效地保留了图像的几何信息.

基于二元Weibull分布的非下采样Shearlet域图像水印算法

不可感知性、鲁棒性、水印容量是衡量数字图像水印算法优劣的最重要指标,且三者存在固有的相互矛盾关系,可保持不可感知性、鲁棒性、水印容量之间良好平衡的图像水印方法研究是一项富有挑战性的工作.以非下采样Shearlet变换(nonsubsampled Shearlet transform, NSST)与二元Weibull分布理论为基础,提出了一种基于二元Weibull统计建模的非下采样Shearlet域数字图像水印算法.1)构造出基于非线性单调函数的自适应高阶水印嵌入强度函数;2)根据NSST域尺度间相关性,利用二元Weibull边缘分布对NSST域高熵块奇异值进行统计建模,并估计出二元Weibull统计模型参数;3)结合NSST域二元Weibull边缘分布模型与最大似然决策理论,构造出二元数字水印检测器并盲提取水印信息.仿真实验结果表明:该算法可以较好地获得不可感知性、鲁棒性、水印容量之间的良好平衡.

人工蜂群优化的非下采样Shearlet域引导滤波图像增强

针对现有图像增强算法边缘保持性能不佳、抗噪性弱的问题,提出了一种改进的引导滤波图像增强算法——ABCO-NSST-GF。通过非下采样Shearlet变换(NSST)将图像分解成低频和高频2部分,利用引导滤波来增强低频系数,避免了高频噪声的放大;对图像的高频系数进行非线性增益函数变换,在增强边缘及细节的同时抑制噪声。最后,对处理后的低频和高频系数实施NSST反变换,重构出最终的增强图像。由于引导滤波中的盒滤波半径与正则化参数对增强结果有较大影响,采用了混沌蜂群算法搜索其最佳值,确保增强结果达到最优。针对约70幅实际工程图像进行了实验,结果表明,ABCO-NSST-GF算法能够明显改善图像视觉效果,与NSCT自适应阈值法等4种算法相比,所得图像清晰度、对比度和信息熵平均提高25.2%,与空域引导滤波算法相比,P峰值信噪比平均提高20.9%。

基于非下采样Shearlet和WNMF的红外热波图像融合

提出了基于非下采样Shearlet变换和加权非负矩阵分解的红外热波图像融合方法.红外热波序列图像经非下采样Shearlet变换后,采用动态加权非负矩阵分解算法对低频系数进行融合处理.该算法的加权系数依据图像像素突变度动态调整,以突出红外热波图像的缺陷区域;高频系数则采取基于区域改进拉普拉斯能量和的融合策略,以保持缺陷的边缘细节.实验结果表明,本文方法在主观视觉效果及边缘保持度、相关度、运行时间三种客观定量评价指标中,融合性能更优,具有快速、有效等优点,能更完整和清晰地保持红外热波图像的边缘轮廓.该方法可有效地应用于多幅红外热波序列图像的融合中,在红外热波无损检测领域具有较高的实用价值.