基于NSST和NSGA-III的红外和可见光图像融合

针对图像融合方法容易丢失源图像结构信息的问题,该文提出一种基于非下采样剪切波变换(Non-Subsample Shearlet Transform,NSST)和第三代非支配排序遗传算法(Non-dominated Sorting Genetic Algorithm III,NSGA-III)的红外和可见光图像融合方法.首先,将源图像进行NSST变换得到低频和高频子带图像;其次,针对低频图像,设计了一种新的基于NSGA-III的融合规则,先使用区域能量法对图像进行预融合,以预融合图像作为参考图像,再通过NSGA-III算法进行优化获得融合低频图像;针对高频图像,用绝对值取大规则.最后,利用NSST逆变换重构融合图像.算法性能在TNO数据集上进行验证,并与其他先进的融合算法进行比较,定性与定量的结果均表明,提出的方法目标突出,并保留了源图像更多的结构信息.

基于NSST-SR的GIL局部放电光电图谱融合算法

为解决气体绝缘输电线路局部放电光电联合检测过程中因信号缺失对模式识别造成干扰的问题,提出一种基于非下采样剪切波变换(non-subsampled shearlet transform,NSST)和稀疏表示(sparse representation,SR)的光电图谱融合算法,将光学局放相位分布(phase-resolved partial discharge,PRPD)图谱和特高频局部放电PRPD图谱通过NSST分解为低频和高频子带图,基于最大绝对值和SR进行子带图融合,然后经过NSST逆变换得到融合图谱。最后,提取图谱特征并降维,代入K近邻、支持向量机、朴素贝叶斯和决策树分类器进行模式识别,并与其他融合算法效果进行对比。实验结果表明:不论样本总体数量大小、样本训练集与测试集相对数量比例大小,该文提出的算法均能较完整地融合两种源图谱的信息,局放模式识别准确率高于单一NSST算法或SR算法。在小样本(150)情况下,准确率可达89.2%,样本足够大时,准确率最高可达98.5%;当训练集样本数小于测试集样本数时,准确率依旧在70.0%以上,最高达88.0%。该文提出的融合算法可为提高气体绝缘输电线路局放模式识别准确率提供参考。

基于NSST的多尺度SURF异源图像配准算法

针对To F与可见光异源图像配准效果不佳的问题,提出一种基于非下采样剪切波和尺度不变特征变换改进的异源图像配准算法。首先将To F和可见光图像分解为多尺度图像;然后以多尺度图像和原图像为基础,使用Sift算法进行特征点提取,将提取的特征点进行统一的粗匹配,最后使用RANSAC算法对匹配特征点提纯,进一步筛选特征点,完成配准。实验结果表明,该算法具有较强的鲁棒性。

NSST域电气设备红外图像增强处理算法设计

针对现有电力设备红外故障检测系统采集的图片较模糊、部分设备体积较大无法精准定位故障点等问题,设计了一种基于Jaya算法改进Otsu阈值分割和多尺度的NSST域电气设备红外图像增强算法。通过非下采样剪切波变换将原始红外图像转化成高频域和低频域两部分进行增强,将增强后的各分量逆变换后合成最终完整的增强图像。实验结果表明,该文算法能够提高红外图像对比度,过滤电力设备红外图像噪声,对电力设备热故障的检测与故障定位做出贡献。

基于乌鸦搜索算法和自适应BM3D的NSST域电气设备红外图像增强

为了解决红外图像对比度低、模糊、含噪声等问题,本文提出基于信息熵准则乌鸦搜索算法和三维块匹配(block matching 3D,BM3D)自适应去噪的电气设备非下采样剪切波变换(non-subsampled shearlet transform,NSST)红外图像增强方法。通过NSST变换将图像分解为不同频率的2个部分。低频图像主要为设备特征,高频子带主要为噪声。针对低频图像中的背景干扰问题,提出乌鸦搜索算法进行分割得到设备前景和环境后景,前者经灰度扩增得到前景增强图,后者经直方图均衡得到后景增强图。针对高频子带中的噪声干扰问题,提出BM3D自适应去噪算法用于去噪。通过实验可知,基于乌鸦搜索算法和自适应BM3D的图像增强算法针对图像分割细节处理、多余杂音的过滤以及对比度的提高均有显著效果。

基于NSST和稀疏表示的多聚焦图像融合方法

为使融合图像保留丰富的细节和纹理信息,提出了一种基于非下采样剪切波变换(NSST)和稀疏表示的多聚焦图像融合方法。鉴于稀疏表示能够有效地捕捉图像中的结构信息这一优势,并充分考虑像素间的区域相关性,低频子带系数采用稀疏表示和区域能量相结合的融合策略,以及加权平均的融合规则,高频子带系数采用区域能量取大的融合规则。实验结果表明,该方法融合图像清晰度高,能够更好地保留图像细节信息。

基于NSST和自适应PCNN的图像融合算法

针对红外和可见光图像的特点,本文提出了一种基于非下采样剪切波变换(NSST)和自适应的脉冲耦合神经网络(PCNN)相结合的红外与可见光图像融合的新算法。对经过NSST变换后的低频子带系数采用带高斯权重分布矩阵的局域方差和方差匹配度相结合的融合规则,对高频子带系数采用一种改进的空间频率作为PCNN输入,且采用改进的拉普拉斯能量和作为PCNN的链接强度,利用PCNN全局耦合性和脉冲同步性选择高频子带系数,最后经NSST逆变换后得到融合结果。实验结果表明,本文提出的算法与传统的图像融合算法相比不仅在主观视觉上取得较好的效果,而且在客观标准上也有了一定的提高。

基于NSST域增强的直流XLPE电缆局放识别方法

针对直流交联聚乙烯(XLPE)电缆局放信号图的对比度差和边缘清晰度低,影响电缆缺陷识别率的问题,提出一种基于非下采样剪切波变换(NSST)域增强的直流电缆局放识别方法。首先采用NSST对不同缺陷类型的电缆局放信号图进行分解,得到低频子带图和高频方向子带图,其中,低频子带图进行布谷鸟优化多尺度Retinex算法(CS-MSR)增强处理,高频方向子带图进行亮度保持动态模糊直方图均衡算法(BPDFHE)增强处理。然后对NSST各子带图进行加权重构,得到增强的直流电缆局放信号图。最后提取直流电缆局放信号图中每个子带图的最大放电次数、平均放电时间间隔、平均放电量等共计72个特征参数,并代入到线性核支持向量机(L-SVM),高斯核支持向量机(G-SVM),多项式核支持向量机(P-SVM)和多核支持向量机(M-SVM)识别模型中进行分析。实验结果证明:基于NSST域增强的直流电缆局放信号图与原始信号图相比,在M-SVM情况下,整体缺陷识别准确率提高9.46%以上。运用新提出的方法进行局放识别时,信号图细节更加丰富,且提高了电缆局放信号图的缺陷识别率,为直流电缆局放缺陷识别提供了新的思路。

一种基于NSST和字典学习的红外和可见光图像融合算法

近年来随着多尺度分析和压缩感知成为研究的热点,字典学习算法在图像融合领域得到了广泛应用,但是其算法应用于可见光和红外图像的融合,容易出现块状噪声,边缘有振铃现象。基于此,本文提出了一种基于非下采样剪切波变换(NSST)和字典学习的红外和见光图像融合算法研究,对NSST分解的低频分量利用滑动窗口得到图像块序列,并对其进行零均值化后再稀疏分解,选择区域能量的融合规则,高频子带选择拉普拉斯能量和的融合规则。仿真结果表明,本文的算法在视觉和客观评价指标上优于现有几种融合算法。

基于NSST域的自适应区域和SCM相结合的多聚焦图像融合

为了提高多聚焦图像的融合效果,结合多源图像之间的共享相似性,提出了一种基于非下采样Shearlet变换(Nonsubsampled Shearlet Transform,NSST)域的自适应区域与脉冲发放皮层模型(Spiking Cortical Model,SCM)结合的新型图像融合算法。首先用NSST分解源图像,然后计算边缘能量(Energy Of Edge,EOE),在自适应区域用投票加权法融合低频系数,高频系数由边缘能量作为输入的SCM点火图融合,最后通过逆NSST获得该融合图像。该算法既可以很好地保持源图像的信息,又可以抑制在变换域因非线性运算产生的像素失真。实验结果表明,该方法优于最新的变换域和脉冲耦合神经网络(Pulse Coupled Neural Network,PCNN)融合方法。

结合NSST和颜色对比度增强的彩色夜视方法

针对夜视图像彩色融合通常存在细节信息不够丰富、颜色对比度低的问题,为了获得更为理想的彩色融合效果,提出一种新的基于非下采样剪切波变换(Non-subsampled Shearlet Transform,NSST)和颜色对比度增强的彩色融合方法。首先,分别设计基于S函数和局部方向对比度的低频与高频融合规则,完成源可见光与红外图像在NSST域的融合;其次,将灰度融合图像赋给Y分量,源图像的差值信号赋给U和V色差分量,形成YUV空间的伪彩色融合图像。最后,选择一幅与待上色图像具有相似颜色分布的自然日光图像作为彩色参考图像,在YUV空间对伪彩色融合图像进行颜色对比度增强的非线性色彩传递。与近年方法相比,该方法所得彩色融合效果细节信息丰富、热目标突出。将该方法运用于彩色夜视领域,可有效增强场景深度感知和目标的可探测性。

基于NSST和稀疏表示的多源异类图像融合方法

针对SAR、红外和可见光图像的灰度差异性大,融合图像感兴趣目标不突出的问题,提出一种基于NSST和稀疏表示的多源异类图像融合方法。首先将训练图像进行NSST变换,在低频系数上构建多尺度学习字典;对SAR、红外和可见光图像进行NSST变换,利用滑动窗口分解低频系数为图像块序列,对图像块序列零均值化后再稀疏分解,采用稀疏系数绝对值取大的融合规则;高频子带系数采用局部方向信息熵显著性因子取大的融合规则;最后对融合系数进行NSST逆变换得到最终的融合图像。

基于NSST和自适应稀疏表示的紫外光与可见光图像融合

针对紫外成像仪中紫外光图像与可见光图像的灰度值特点及传统的图像融合方法在图像融合时存在紫外光斑信息丢失的问题,提出一种基于非下采样剪切波变换(NSST)和自适应稀疏表示的紫外光与可见光图像融合方法。首先用NSST变换分解源图像,得到低频子带系数和高频子带系数;然后采用邻域标准偏差取大的融合规则融合低频子带系数,生成近似融合图像;根据自适应稀疏思想指导高频子带系数的融合;最后通过逆NSST变换重构得到融合图像。实验结果表明,该方法在保留可见光背景信息的基础上,很好地融合了紫外光斑信息,改善了图像的主观视觉质量,在客观评价指标上也有所提高。

基于NSST和改进PCA相结合的红外偏振图像融合（英文）

针对当前红外偏振图像融合的主流方法——多尺度几何分析法对图像表示只侧重某一方面的特点和空间域融合方法主成分分析法(PCA)易丢失小目标的缺点的问题,本文提出一种基于非下采样剪切波变换(NSST)和改进PCA相结合的红外偏振图像融合方法。该方法能充分利用NSST对图像细节表示的有效性和PCA能突出主要特征的特点,综合二者的互补性,充分保留不同源图像的目标和细节特征。首先用NSST将源红外光强和偏振图像分解为低频和不同方向的高频分量;其次,低频分量用改进的PCA进行融合,高频分量用局部能量和局部方差联合进行决策融合;最后,用NSST逆变换重构融合图像,得到最终红外偏振融合结果图。实验结果表明,本文方法在细节保留和视觉效果等方面较其它方法均有较高优势。

基于多层显著性模型的SAR图像舰船目标检测

针对合成孔径雷达图像舰船目标检测问题,提出了一种结合选择机制与轮廓信息的多层显著性目标检测方法。首先,利用非下采样剪切波和频谱残差法进行全局显著性区域提取。其次,提出了一种基于动态恒虚警率的活动轮廓显著性模型,逐步滤除候选区域的虚警,提取目标轮廓,从而实现目标的精确检测。所提方法能够由粗到细地快速捕获目标区域,从而实现高效、高分辨率合成孔径雷达图像舰船检测。最后,在真实SAR数据集进行了测试,与其他经典的舰船检测方法相比,所提算法不仅有效地抑制了海杂波的影响,而且在检测精度上有较大提高。

基于NSST与IHS的红外与彩色可见光图像融合

目的鉴于传统的红外与彩色可见光图像融合算法得到的融合图像,无法很好兼顾清晰度、对比度和色彩是否失真等,提出一种新的基于NSST和IHS颜色空间的彩色图像融合算法。方法首先将源彩色可见光的RGB图像变换到各通道相关性最小的IHS颜色空间,分离出亮度分量和色度分量。其次对彩色可见光的亮度分量和红外图像分别进行NSST分解,对分解得到的低频系数采用基于自适应高斯模糊逻辑函数的系数选择方案,对高频系数则采用基于像素点的绝对值取大的系数选择方案,然后对经过选择的低、高频系数进行NSST逆变换,得到的融合图像作为新的亮度分量,结合已有的色度分量将其进行IHS逆变换,得到最终的RGB融合图像。结果通过2种场景的红外与彩色可见光图像进行仿真实验,将提出的算法与LPT,SWT和NSCT等算法对比,通过主观评价和客观评价指标IE, AG, SF和SD等,可知新算法的融合结果图像场景细节最清晰,红外隐藏目标对比度最高,且色彩未出现明显失真现象,图像融合质量最高。结论提出的算法相较于传统的红外与彩色可见光图像的融合质量,全面提升了效果,表明该算法具有优越性。

NSST域下SPCNN与SR结合的多源图像融合

为了凸显不同源图像的不同特征,提出了基于图像特征的参数自动设定的SPCNN模型。结合稀疏表示,提出了一种适合多源图像融合的方法。首先源图像经NSST变换分解为高频系数和低频系数。对高频系数利用图像固有特征自动设置参数的SPCNN模型实现点火,并依据点火总次数和加权融合规则完成融合。对低频系数采用稀疏表示实现融合。最后,通过逆NSST变换重构图像。实验结果表明,本文所提融合方法优于其他5种经典方法,融合图像符合人眼视觉感知系统,结构清晰,细节明显。

基于NSST域方向性加权的多聚焦图像融合方法

传统区域特性方法在进行图像融合时,一方面,低频子带融合规则不能同时充分利用区域内能量信息和边缘信息,另一方面,高频子带融合规则没有充分利用子带的方向性信息。针对传统区域融合方法存在上述局限性的问题,提出了基于NSST域方向性加权的区域特性图像融合方法。首先对图像进行NSST分解,得到一个表征图像概貌的低频子带和多个表征图像细节的高频子带;针对低频子带含有轮廓能量的特点,提出采用基于区域能量匹配的空间频率融合规则,从能量和区域变换2个方面对邻域信息加以利用。针对高频子带含有方向性信息的特点,提出采用带有方向加权的改进拉普拉斯能量和的融合规则,并通过实例验证了该方法的有效性。

NSST与CSLDP相结合的人脸识别

针对人脸识别中姿态、光照和表情等变化造成的识别率不高的问题,提出一种非采样Shearlet变换(NSST)与中心对称局部方向模式相结合的人脸识别算法。采用NSST分解人脸图像,得到低频子带图像和高频子带图像,计算子带图像中心对称局部方向模式,分块统计直方图特征信息,将直方图串接起来作为人脸图像的特征向量,利用最近邻分类器分类识别。在ORL、YALE和CAS-PEAL-R1人脸库上进行测试,实验结果表明所提方法简单有效,且对姿态、光照和表情变化具有较好鲁棒性。

基于NSST和SWT的红外与可见光图像融合算法研究

目的鉴于非下采样剪切波变换NSST的红外与可见光图像融合的结果存在细微特征缺失问题,提出一种基于NSST和SWT的红外与可见光图像融合算法,以提升融合图像的质量。方法首先分别对红外与可见光图像进行NSST分解,各得到一个低频系数和多个不同方向、尺度的高频系数。然后低频系数分别通过SWT分解得到新的低频系数和高频系数,通过SWT分解得到的新的低频系数和高频系数分别采用采用线性加权平均法和区域平均能量取大的融合策略,融合结果再进行SWT逆变换得到低频系数融合结果。高频系数采用区域平均能量取大的融合策略进行融合。最后通过NSST逆变换得到最终的融合图像。结果通过仿真实验结果表明,文中算法与NSST,SWT和NSCT等算法相比,融合图像在主观视觉上的红外目标更突出,图像细节更清晰,且在IE, AG, QAB/F, SF和SD等评价指标上也最优。结论文中算法的融合结果能更好地表现源图像的目标信息和细节纹理信息,表明该算法具有优越性。