基于BLMD和NSDFB算法的红外与可见光图像融合方法

针对传统图像融合方法容易导致融合图像出现细节不明显和目标信息不完整的问题,本文提出一种基于二维局部均值分解(Bidimensional Local Mean Decomposition,BLMD)和非下采样方向滤波器组(Nonsubsampled Directional Filter Banks,NSDFB)算法的红外与可见光图像融合方法(基于方向滤波的二维局部均值分解法,BidimensionalLocalMeanDecompositionbasedDirectionalFilteringAnalysis,BLMDDFA)。首先,计算两幅原始图片的熵值,同时提取熵值较大的图片的残余分量,该残余分量与另一张原始图片有着较强的相关性。然后,通过BLMD和NSDFB算法将残余分量和熵值较小的原始图片分解成低频子带和一系列不同尺度的高频方向子带,并使用不同的融合规则分别对低频子带和高频子带进行融合。最后,通过相应的逆变换运算获得融合图像。实验结果表明,本文方法的融合性能在对比度、细节信息展示和目标突出方面均高于经典的融合算法,在信息熵、标准差、空间频率和平均梯度方面较Laplacian方法中各指标分别提高了5.6%、28.9%、37.4%和47.6%,信噪比较Laplacian方法降低了8.5%。

基于方向滤波器组与Laplacian能量和的图像融合算法

目的针对基于Contourlet变换的融合算法在边缘上易出现吉布斯现象,使其融合图像产生几何失真的问题,设计一种非下采样方向滤波器组耦合局部Laplacian能量和的图像融合算法。方法首先,结合多小波变换(multi-wavelet transform,MWT)与非下采样方向滤波器组(Non-Subsampled Direction FilterBank,NSDFB),将图像分解为3个高频方向系数和1个低频系数。对于低频系数,采用局部修正的Laplacian能量和(Local Sum-Modified-Laplacian,LSML)与脉冲耦合神经网络(Pulse couple neural network,PCNN)组合的LSML-PCNN模型来完成低频信息的融合。对于高频系数,通过提取低频和高频子带边缘,并利用系数绝对最大值法作为依据,实现高频系数的融合。结果实验数据表明,与当前图像融合方案相比,所提算法具有更高的融合质量,得到的融合图像边缘更加清晰和完整。结论所提算法拥有较高的融合视觉效果,可改善图像的对比度和分辨率,在图像处理领域具有一定的参考价值。

基于离散平稳小波和非下采样方向滤波器组的纹理分类

结合小波变换的多尺度性和Contourlet变换的多方向性,提出了一种新的基于离散平稳小波变换和无下采样方向滤波器组(stationarywavelet transform and nonsubsampled directional filter banks,SWT-NSDFB)的纹理分类方法,采用具有平移不变性的离散平稳小波先进行多尺度分解;然后对每层分解得到的高频子带采用非下采样方向滤波器组进行多方向分解,再计算低频子带和各层方向子带的能量作为纹理特征;最后用支持向量机实现纹理分类。实验结果表明,该方法有效地提高了纹理分类的正确率,而且在小样本情况下,依然可以得到较好的结果。