基于非下采样contourlet变换与脉冲耦合神经网络的图像融合算法

提出一种基于非下采样contourlet变换(NSCT)与脉冲耦合神经网络(PCNN)的图像融合算法.该方法首先利用非下采样eontourlet变换对输入图像进行多尺度分解、多方向稀疏分解,准确捕获图像中的高维奇异信息,然后利用脉冲耦合神经网络的同步激发特性确定融合规则,选取融合系数,提高融合性能.实验结果表明,算法比小波变换、contourlet变换有更好的融合性能.     

非下采样Contourlet变换的图像融合及评价*

分析和研究了非下采样Contourlet图像表示方法及其在图像变换中的优点,提出一种基于非下采样Contourlet变换的图像融合方法。首先将待融合源图像分解成不同尺度、多方向的频带;然后采取不同的融合方法对分解的高低频分量进行融合处理,低频系数采取局部能量优先的加权法融合,高频系数则采取局部梯度优先的加权法融合;最后将融合的各频带进行逆非下采样Contourlet变换得到融合图像。实验表明,在几种不同的客观评价标准下,该方法优于传统的小波域中的融合效果,能有效消除小波变换带来的光谱扭曲和假边缘现象。     

基于非下采样Contourlet变换的指纹图像超分辨率重建

非下采样Contourlet变换(Nonsubsampled contourlet transform,NSCT)采用非抽样金字塔结构和非抽样方向滤波器组构成,具有Contourlet变换所不具备的平移不变性、较高冗余度等优良特性,而且能够克服伪吉布斯现象。图像经过非下采样Contourlet变换后分解成多尺度、多方向的细节信息,这些细节信息代表了图像不同频带不同方向的特征,这就简化了系数之间的关系。基于学习的超分辨率重建算法具有整体的预测性,将非下采样Contourlet变换和基于学习的算法相结合,在一定程度上提高训练精度。针对指纹图像的实验证明该算法具有良好的性能,重建的图像纹理性细节信息较好,基本保持了原指纹图像的特征点,更接近于原始的高分辨率图像。     

基于非下采样Contourlet 变换的多分辨率图像融合方法

提出了一种基于非下采样contourlet 变换(NSCT) 的多分辨率图像融合方法,通过非下采样金字 塔(NSP) 和非下采样方向滤波器组(NSDFB) 实现对图像的多尺度多方向分解．该方法既保留了contourlet 变换 方法良好的多分辨率特性,又具有平移不变性．在融合处理中,采用一种改进的一致性校验策略;在高频系 数中除了进行本层的一致性校验外,还进行多层之间的一致性校验．实验结果表明,该方法取得了良好的融 合效果,所得融合图像的多项指标都优于拉普拉斯金字塔变换、小波变换、contourlet 变换等方法．     

基于差异性稀疏表示的人脸识别算法

针对光照变换产生的阴影、反光等原因,提出了一种差异性稀疏表示的人脸识别算法。首先利用非下采样contourlet变换(NSCT,nonsubsampled contourlet transformation)将测试图像分解。利用不同子带系数特点,依据子带对图像分类的贡献度分类,并将子带信息进行融合,得到具有差异性的特征,最后用于人脸识别。在人脸数据库上的实验结果表明,该算法对于光照和表情变换具有较好的鲁棒性。     

结合非下采样轮廓波变换和混合阶次图像扩散的图像去噪

通过研究非下采样轮廓波变换理论及其在图像变换中的优点,提出一种新的基于非下采样轮廓波变换的图像去噪方法.该方法首先通过非下采样金字塔分解和非下采样方向滤波器组对待去噪图像进行非下采样轮廓波变换,然后采取不同阶次的图像扩散去噪算法分别对高频部分和低频部分进行去噪处理,最后将经过处理后的系数进行非下采样轮廓波逆变换便可得到去噪后的图像.通过实验结果表明,该方法不仅能有效的去除噪声,而且可以很好地保持边缘信息,整体性能优于近年来一些常见的去噪算法.     

基于多方向àtrous小波变换的多传感器图像融合

分析和研究了非下采样方向滤波器组及具有平移不变性的àtrous小波变换的图像变换的优点,提出了一种基于多方向àtrous小波变换的图像融合方法。首先利用àtrous小波变换将待融合源图像分解成不同尺度,不同分辨率的高低频分量,再对高频分量利用非下采样方向滤波器组进行方向分解,然后采取不同的融合方法对分解的高低频分量进行融合处理,低频系数采取平均加权法融合,高频系数则采取局部梯度优先的加权法融合,最后将融合的各频带进行逆非下采样方向滤波器组变换和逆àtrous小波变换得到融合图像。实验表明,在几种不同的客观评价标准下,该方法优于传统小波域中的融合效果,能有效地消除小波变换所带来的光谱扭曲和假边缘现象。     

基于NSCT的遥感图像模糊推理融合算法

针对遥感图像影像分辨率低的问题,提出了一种新的基于非下采样Contourlet变换的图像融合算法.该算法首先通过IHS变换对多光谱图像进行RGB-IHS颜色空间转换,然后利用非下采样Contourlet变换和模糊推理加权融合规则将强度分量与全色图像进行融合,最后用拉伸后的灰度融合图像替换原来的强度分量,并通过IHS逆变换得到最终的融合网像.实验结果表明,该方法在抑制光谱信息扭曲和提高图像清晰度等客观评价参数上均优于其他多分辨率分析方法,且克服了传统融合方法中存在的融合图像模糊、抗噪能力差的缺点.     

一种基于非下采样Contourlet变换的自适应阈值去噪方法

文章提出了一种基于非下采样Contourlet变换的自适应图像去噪方法。首先对噪声图像进行非下采样Contourlet变换,得到各个尺度各个方向子带的系数,再根据该系数的能量自适应地调整Bayes去噪阈值。实验结果表明：与小波阈值去噪方法对比,非下采样Contourlet自适应阈值去噪算法在保留图像边缘细节的同时,不仅能明显提高图像的SNR值,而且还减少了Gibbs现象。     

基于非下采样Contourlets的CT／MRI图像自适应融合

结合人类视觉特性,针对CT/MRI医学图像的特点,提出了一种基于非下采样Contourlet变换的图像融合算法.先对源图像作非下采样Contourlet变换,完成图像的多尺度分析和方向分析.充分考虑各尺度分解层的系数特征,对低通子带,基于评价准则最优,采用免疫克隆选择优化策略迭代获取近似最优融合权值;对高通子带则选取绝对值最大作融合.实验结果表明:分别与基于小波、非下采样小波,以及Contourlet的融合结果相比较,文中融合算法获得的融合图像边缘的清晰度,以及整体的对比度都有所改善.