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。     

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.     

非下采样Contourlet变换自适应图像去噪方法

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去噪阈值。实验表明,与Contourlet多尺度阈值去噪、Contourlet自适应阈值去噪相比,该方法在保留图像边缘细节的同时,能提高图像的PSNR值,减少了Gibbs现象。     

基于非下采样Contourlet和扩散的图像去噪

根据非下采样Contourlet变换同时具有多尺度、多分辨分析和平移不变的性质,提出一种基于非下采样Contourlet变换和P-Laplace扩散相结合的图像去噪方法。该方法不但继承了非下采样Contourlet 变换捕捉边缘信息的能力,而且在P-Laplace扩散去噪时具有保持图像边缘信息的优点。实验结果表明该方法具有较好的图像去噪效果。     

基于相关性阈值的NSCT图像去噪方法研究

利用非下采样Contourlet变换(NSCT)平移不变性、多分辨率、多方向的优点,提出一种基于尺度相关与阈值去噪相结合的非下采样Contourlet变换图像去噪方法。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,然后采用相关系数归一的方法,结合Bayesian自适应阈值来达到更好的去噪效果。仿真实验表明,该方法在提高去噪后图像的峰值信噪比的同时,有效保留了图像的纹理信息,避免伪吉布斯现象,改善了图像的视觉效果。     

基于非下采样Contourlet变换和图正则化去噪

用非下采样Contourlet变换提取图像的边缘、轮廓和纹理等具有高维奇异性的特征,并将提取的特征用来构造图的权重函数,用建立在图上的正则化方程实现图像的去噪处理。仿真实验结果表明:该方法能有效地去除图像中的噪声,在去噪性能上优于其他的偏微分方程方法。     

基于非下采样Contourlet变换的医学CT图像去噪

为克服Contourlet变换的非平移不变性及频谱混叠等缺陷,提出了一种基于非下采样Contourlet变换的医学CT图像去噪方法。对含噪的CT图像进行非下采样Contourlet变换,得到不同尺度及各个方向上的变换系数,利用Context模型将每个尺度每个方向子带分级,不同分级采用相应的阈值去噪。实验表明,该方法适宜于处理含有更多高斯噪声的医学CT图像,与其他方法相比提高了PSNR值,更好地保留了图像细节,改善了医学CT图像的质量。     

变换域SAR图像边缘检测

针对合成孔径雷达(SAR)图像含有大量相干斑噪声,采用变换域中多尺度乘积进行边缘提取.该方法利用信噪比最大自动选取阈值,在非下采样Contourlet变换(NSCT)域中,进行不同方向高频系数多尺度乘积以达到SAR图像检测边缘.实验结果显示,与传统的边缘检测方法相比,在非下采样Contourlet变换域中多尺度积的信噪比最大的边缘检测方法得到更好的结果.     

基于NSCT阈值萎缩法的遥感图像去噪

针对图像去噪过程中产生的伪吉布斯现象以及峰值信噪比(PSNR)较低等问题,提出一种基于非下采样Contourlet变换(NSCT)阈 值萎缩法的遥感图像去噪算法。根据NeighShrink去噪算法中尺度内系数的邻域系数相关性,以及BiShink去噪算法中不同尺度间系数的相关性,对图像进行去噪,利用NSCT的平移不变性,抑制小波去噪中的伪吉布斯现象。实验结果证明,采用该算法去噪后的图像PSNR较高,视觉效果较优。     

基于形态成分分析和Contourlet变换的自适应阈值图像去噪方法

针对含有丰富纹理和边缘特征的噪声图像,提出一种基于形态成分分析(MCA)和Contourlet变换的自适应阈值图像去噪方法.该方法首先引入MCA将噪声图像分为低频部分和高频部分,在此基础上设计一种自适应的分层阈值估计处理策略.根据噪声的分布特性,通过阈值估计和Contourlet变换对噪声图像的低频部分和高频部分进行分频带去噪处理,有效去除噪声图像中的噪声.通过对噪声图像的仿真实验表明,文中方法能较好地保留图像纹理和边缘,并且去噪效果优于传统的均值滤波去噪、中值滤波去噪、小波多层阈值去噪和轮廓波多层阈值去噪方法.     

SAR图像的NSCT域自适应收缩相干斑抑制

提出了一种基于Nonsubsampled Contourlet（NSCT）变换域自适应收缩的SAR图像相干斑抑制算法。首先将SAR图像分解至NSCT域,其次对NSCT系数进行Pizurica自适应收缩。利用NSCT变换的良好的方向选择性及平移不变性,同时结合Pizurica自适应收缩的方向空间相关性及其局部噪声度量,自适应地得到各方向的高频子带系数对应的收缩因子,修正NSCT系数,最终将修正后的子带系数通过NSCT逆变换获得经过斑点噪声抑制的图像。实验结果表明,与小波域软阈值和Contourlet域软阈值算法相比,该算法在有效抑制SAR图像斑点噪声的同时能更好、更清晰地保持图像的边缘细节特征。     

基于非下采样Contourlet的多传感器图像自适应融合

提出了一种基于非下采样Contourlet变换的多传感器图像自适应融合方法,采用黄金分割法搜索最优的低频融合权值.自适应地对多传感器图像的低频子带系数进行融合.非下采样Contourlet变换是一种新的图像多尺度、多方向的表示方法,适合表达具有丰富细节信息及方向信息的图像,且该变换具有平移不变性,可以避免一般方法对融合图像引入的振铃效应,它的高频方向子带捕获了多传感器图像的显著特征,文中采用同一尺度下方向子带信息和取大的规则对高频系数进行融合.实验结果表明,与基于拉普拉斯塔、小波、平稳小波和Contourlet变换的方法比较,文中所提出的方法可以获得较好的融合效果.     

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NSCT的红外图像小目标检测技术

红外图像小目标检测是精确制导武器的关键技术之一。将小波或Contourlet多尺度分析用于红外小目标检测具有一定的局限性。无下采样Contourlet变换（NSCT）是基于Contourlet变换的一种扩展,可以对图像进行灵活的多尺度、多方向和平移不变性分解。提出了一种基于NSCT的红外小目标检测算法。该算法首先对图像进行NSCT变换;然后利用能量法提取其局部纹理特征,并计算各点的特征向量与中心向量间的距离,得到一个相关的多尺度距离像;最后根据该距离像进行直方图统计,从而实现红外小目标的检测。与基于小波变换的红外小目标检测算法进行了比较。实验结果表明,该算法能较精确地检测出红外小目标,优于基于小波变换的方法。     

基于非下采样Contourlet变换的医学图像融合方法

针对传统多尺度变换的医学图像融合问题,提出一种基于非下采样Contourlet变换的医学图像融合新方法。在低频子带系数的选取上,根据医学图像的特点,考虑到相部低频子带系数之间存在的相关性,采用基于区域能量的融合规则;在选择带通方向子带系数时,充分利用非下采样Contourlet变换的方向特性,采用改进拉普拉斯能量和作为带通方向子带系数的融合规则。实验结果表明,与传统融合方法相比,该方法避免了图像失真,达到了良好的图像融合效果。     

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。     

基于非抽样Contourlet变换的最佳软阈值图像去噪

研究了小波变换在图像处理中的缺陷,以及Contourlet变换在图像处理中产生伪Gibbs失真的原因。为了在多尺度分析框架下改进图像去噪的效果,提出了一种基于非抽样Contourlet变换的图像去噪算法,利用非抽样Contourlet变换的多尺度多方向性以及平移不变性,对加噪图像进行非抽样Contourlet变换得到变换系数,然后对变换系数采用分层最佳软阈值处理,最后将其反变换得到去噪后的图像。实验结果表明,与Contourlet变换图像去噪算法相比,该算法可以达到更好的效果。     

基于轮廓波变换的织物疵点图像消噪新方法

为了实现织物疵点图像的有效消噪,使其更有利于特征提取和疵点检测,提出了基于轮廓波变换的织物疵点图像消噪新方法。综合考虑轮廓波方向子带能量的大小与织物疵点图像轮廓细节之间的关系,对Donoho多尺度分解阈值进行修正,改进了Donoho多尺度分解阈值对图像细节"过扼杀"的缺点。实验结果表明,对织物疵点图像进行基于轮廓波变换改进阈值消噪时,该方法更好地保留了织物疵点图像的轮廓细节,峰值信噪比显著提高。采用改进的轮廓波Donoho多尺度分解阈值消噪后的图像,可以更好地应用于织物疵点图像的特征提取和疵点识别。     

循环平移和非下采样在轮廓波去噪中的应用

轮廓波变换是小波变换的新发展,是一种多方向、多尺度的几何分析工具,能更有效地捕捉图像的几何结构。传统的轮廓波变换因包含有下采样操作,使得它不具备平移不变性,从而会在图像去噪过程中引入伪吉布斯（Gibbs）现象。分别采用循环平移及非下采样滤波器组两种方法对其改进,着重从计算复杂度、去噪效果、噪声水平依赖性等方面对两种改进方法的去噪效果进行了对比。     

基于非采样Contourlet变换多传感器图像融合算法

针对同一场景多聚焦图像的融合问题, 提出了一种基于非采样 Contourlet 变换 (Nonsubsampled Contourlet transform, NSCT) 图像融合算法. 并对经 NSCT 分解得到的不同频域子带系数, 分别讨论了低频子带系数和各带通方向子带系数的选择方案. 在选择低频子带系数时, 提出了一种基于图像局部区域梯度能量和``加权平均'相结合的系数选择方案, 从而不仅能够恰当地选择融合后图像的 NSCT 系数, 还能够有效地抑制噪声对融合图像质量的影响; 在选择带通方向子带系数时, 充分利用了 NSCT 的方向特性以及各尺度子带图像与源图像尺寸大小相同的特性, 给出了非采样 Contourlet 域方向对比度的概念, 并提出了一种基于方向对比度的系数选择方案. 采用了多聚焦图像进行仿真实验, 并对融合结果进行了主客观评价. 实验结果表明, 相比于传统的基于小波变换的图像融合算法, 该算法能够有效避免``人为'效应或高频噪声的引入, 得到具有更好视觉效果和更优量化指标的融合图像.