基于NSCT域和Masi熵的红外图像分割

针对红外图像噪声多、对比度低、边缘模糊等问题,提出一种基于非下采样Contourlet变换(NSCT)域和Masi熵的红外图像分割方法。首先对图像进行NSCT分解,在获得具有多尺度多方向的高频子带基础上,对方向相同、尺度各异的高频子带进行多尺度乘积运算构造乘积图像;然后通过内外轮廓图像对乘积图像进行采样重构直方图,并计算直方图所对应的Masi熵;最后以最大化Masi熵对应的灰度值作为方向阈值,对方向阈值进行加权求和获得最终分割阈值。将提出的方法与2种阈值分割方法、1种神经网络分割方法、1种聚类分割方法以及1种活动轮廓分割方法进行比较,实验结果表明,该方法具有更稳健的分割适应性,能获得分割精度更高的结果。

侧扫声纳图像的NSCT域模极大值边缘检测

侧扫声纳图像边缘检测较困难,为此,提出一种针对该图像特点的多尺度边缘检测方法。对侧扫声纳图像进行非下采样Contourlet变换(NSCT)分解,根据斑点噪声在NSCT域的分布特点,进行局部自适应去噪。通过各方向子带沿边缘方向的插值和非极大值抑制寻找模极大值点。通过类内方差最小化法自适应确定阈值,由阈值处理得到各子带的边缘。经边缘融合实现完整的边缘图。实验结果表明,该方法具有边缘检测完整、定位准确、伪边缘点少等优点。

联合NSCT模糊域的声呐图像目标增强方法研究

提出一种基于非下采样轮廓波变换(NSCT)结合模糊域的噪声抑制和目标增强方法。使用NSCT将含噪声呐图像分解为不同的频率和方向响应子带,利用V-Bayes估计理论推导了模型的相应非线性二元阈值函数对NSCT系数的子带进行去噪。结合领域信息和空间信息构造模糊特征,再构建出模糊隶属度收缩函数对降噪后的NSCT分量执行二次降噪,最后以重建降噪后的声呐图像数据,使用综合数据和效果图示例来证明所提出的方法能够有效的去除声呐图像噪声,且优于基于小波变换的阈值去噪方法。

基于循环检测的气动退化图像混合域去噪算法

气动退化图像中存在先验信息未知以及噪声成分复杂不易进行滤波处理的问题,为此,提出一种气动退化图像混合域去噪算法。设计针对高斯噪声、泊松噪声、固定值脉冲噪声和随机值脉冲噪声的混合检测方法,使用改进的滤波方法在空域去除固定值脉冲噪声和随机值脉冲噪声,进行非下采样轮廓波变换多层分解,在变换域使用阈值方法去除高斯噪声和泊松噪声。进行噪声循环检测,设定迭代停止条件控制算法循环从而实现算法自适应。仿真实验结果表明,该算法的噪声检测性能和滤波性能较好,图像细节信息得到正确恢复。同时,算法复杂度较低,实时性较好,可满足气动退化图像去噪处理的需要。