基于视觉显著图和相位一致性的红外与可见光图像融合算法

为了获得更好的视觉融合效果,同时抑制边缘处的伪影和保留更多源图像特征,提出了基于视觉显著图(VSM)和相位一致性(PC)的红外和可见光图像融合算法。该方法利用信息损失更少的各向异性滤波(AnisGF)将源图像分解为多个高频信息细节层和一个低频信息基础层;利用VSM获取基础层的权重图,融合红外(IR)与可见光(Vis)基础层图像;利用最大-绝对值和相位一致性(PC)获取细节层的权重图,融合IR和Vis细节层图像,达到强化图像边缘信息并抑制噪声的目的,最后通过图像重构获得最终融合图像。实验结果表明,文章提出的方法与RFN-nest等五种方法相比,在清晰度、对比度和伪影等视觉效果均有改善。在AG(平均梯度)、EN(熵)、MI(互信息)、SF(空间频率)四种评价指标方面,均优于其他算法;在VIF(视觉信息保真度)方面,仅次于MSID-KBS方法。

基于各向异性GGF与自适应PCNN的NSST域图像融合

为提高多光谱和全色图像的融合效果,提出一种基于各向异性梯度域引导滤波器和自适应脉冲耦合神经网络的非下采样剪切波变换NSST域图像的融合方法。首先,将MS图像从RGB转换为YUV颜色空间,并对亮度分量Y和PAN图像进行NSST多尺度分解。其次,对于低频子带,将PAN低频子带作为引导图,采用AnisGGF对Y分量的低频子带注入空间信息;对于高频子带,引入由方差确定链接强度的PAPCNN融合策略。最后,进行逆NSST和YUV变换获得融合图像。在GeoEye、GF-2和GF-6卫星图像上与4种传统方法进行比较实验的结果表明,所提方法的空间细节保持和光谱信息保真能力更强,平均性能相较于SE、NSCT-PCNN、ISCM和GF分别提高68.24%、25.8%、22.05%和12.28%。该方法可为图像融合领域提供新的解决方法,能显著提高图像融合效果。

基于稀疏编码和各向异性滤波的超分辨率重建

针对基于非局部稀疏自相似性的超分辨率重建方法存在的图像边缘保持性能不佳的问题,提出了一种基于稀疏编码和各向异性滤波的超分辨率重建算法。该算法利用卷积神经网络和各向异性引导滤波训练了一个各向异性特征模型,然后利用该特征模型构建一个局部的结构先验,以和非局部稀疏先验形成互补,从而提高算法的边缘保持能力。该算法训练后的模式使用通用测试集进行测试,测试结果表明算法SR性能较好,能很好地保持边缘细节,提供视觉效果更好的图像。

结合邻域方差和各向异性窗的引导滤波算法

针对引导滤波会导致边缘附近出现光晕且难以识别精细边缘的问题,提出了一种结合邻域方差与各向异性窗的引导滤波算法.首先,利用各向异性高斯滤波器的方向选择性实现对边缘的精细识别,并利用滤波器的狭长空域结构可实现局部窗口内不同像素信息融合,以抑制边缘模糊和光晕效果;其次,基于局部结构相似性原理,引入邻域方差以实现对局部线性变换参数的优化,同时保证强边缘结构和非边缘区域的最大扩散.实验结果表明,在102类花卉图像数据集上,文中算法的视觉效果、定量评价(PSNR和SSIM)均优于其他边缘保持滤波算法,并且测试图像的失真度比引导滤波、加权引导滤波和各向异性引导滤波分别小46.72%,48.64%和29.61%,能够在识别精细边缘的同时有效地抑制伪影现象的发生.

基于各向异性高斯滤波器的改进引导滤波算法

针对传统引导滤波中矩形均值加权窗口会引入过多干扰,导致图像边缘两侧模糊以及产生光晕伪影的不足,提出一种基于各向异性高斯滤波器的改进引导滤波算法。将各向异性高斯滤波器融入传统引导滤波算法,利用其较强的边缘分辨力更准确地识别图像的边缘结构。同时,对窗口内的像素信息进行各向异性加权,使其具有更强的边缘保持性。实验结果表明,改进算法比传统引导滤波算法精细边缘的保持性更好,并在图像平滑、图像增强和图像亮度调整等图像处理应用中的处理结果更优,在有效保留图像边缘结构的同时减少了边缘伪影和边缘模糊。

各向异性全变分引导滤波及其Split Bregman方法

引导滤波(GF)去噪的关键是选取一幅包含清晰结构信息的引导图像。为提高GF的去噪效果,提出一种由各向异性全变分(ATV)引导的滤波方法。首先利用ATV模型对噪声图像进行光滑处理,生成包含良好结构信息的引导图像,然后利用GF进行处理。为提高算法的稳健性,对上述过程进行迭代处理。由于计算全变分模型的传统迭代方法速度较慢,因此采用Split Bregman迭代方法进行加速处理。实验结果表明:该算法不仅在峰值信噪比、归一化均方误差和结构相似性等客观指标上具有优势,而且计算速度比传统迭代方法提高了约30倍。该算法可以较好地快速去除噪声,并能较好地保持图像中的结构和边缘特征等细节信息。

各向异性导向滤波的红外与可见光图像融合

目的针对红外与可见光图像融合时易产生边缘细节信息丢失、融合结果有光晕伪影等问题,同时为充分获取多源图像的重要特征,将各向异性导向滤波和相位一致性结合,提出一种红外与可见光图像融合算法。方法首先,采用各向异性导向滤波从源图像获得包含大尺度变化的基础图和包含小尺度细节的系列细节图;其次,利用相位一致性和高斯滤波计算显著图,进而通过对比像素显著性得到初始权重二值图,再利用各向异性导向滤波优化权重图,达到去除噪声和抑制光晕伪影;最后,通过图像重构得到融合结果。结果从主客观两个方面,将所提方法与卷积神经网络(convolutional neural network,CNN)、双树复小波变换(dual-tree complex wavelet transform,DTCWT)、导向滤波(guided filtering,GFF)和各向异性扩散(anisotropic diffusion,ADF)等4种经典红外与可见光融合方法在TNO公开数据集上进行实验对比。主观分析上,所提算法结果在边缘细节、背景保存和目标完整度等方面均优于其他4种方法;客观分析上,选取互信息(mutual information,MI)、边缘信息保持度(degree of edge information,QAB/F)、熵(entropy,EN)和基于梯度的特征互信息(gradient based feature mutual information,FMI_gradient)等4种图像质量评价指数进行综合评价。相较于其他4种方法,本文算法的各项指标均有一定幅度的提高,MI平均值较GFF提高了21.67%,QAB/F平均值较CNN提高了20.21%,EN平均值较CNN提高了5.69%,FMI_gradient平均值较GFF提高了3.14%。结论本文基于各向异性导向滤波融合算法可解决原始导向滤波存在的细节"光晕"问题,有效抑制融合结果中伪影的产生,同时具有尺度感知特性,能更好保留源图像的边缘细节信息和背景信息,提高了融合结果的准确性。