基于NSCT和分数阶微分的多聚焦图像融合方法

为了增加图像的细节信息,提出了一种基于NSCT和分数阶微分的多聚焦图像融合方法。首先采用NSCT将源图像分解为低频子带和高频子带,低频融合规则以基于局部对比度的变化显著度最大为决策图,高频融合规则以基于分数阶微分算法的梯度最大为决策图。最后通过逆NSCT得到融合图像。通过对比多组融合图像主、客观评价结果表明,该方法能有效保留边缘信息。     

基于SIFT与Contourlet变换的高分辨遥感图像配准

针对高分辨遥感图像特征量较多的情况,提出一种基于SIFT与Contourlet变换相结合的图像配准算法。首先将图像进行Contourlet变换分解成低频和高频子带,对高频子带通过设定合适的阈值来提取图像边缘特征点,对低频子带进行SIFT特征点提取。将两者提取到的特征点分别匹配后得到粗匹配点对,利用随机抽样一致性(RANSAC)选择出精匹配点对,实现图像配准。实验表明:在多源遥感图像配准过程中,与基于非采样Contourlet变换(NSCT)和基于SIFT特征提取相比,该算法能够更准确地提取到特征点,具有更高的运算效率以及匹配率。     

基于改进的NSCT红外可见光图像融合算法

针对在红外可见光图像融合过程中目标细节信息容易丢失的问题,提出一种使用非下采样轮廓波变换（NSCT）和主成分分析法（PCA）相结合的图像融合算法。首先应用NSCT将源图像分解分别得到低频和高频的子带图像。在低频子带系数中,由于PCA能够突出图像的主要信息,所以选用主成分分析法融合规则。高频子带中,相对来说较高层次系数表达的是源图像中最为细节的信息,可选用绝对最大值法融合规则,而相比之下低层次系数代表了较为粗糙的信息,可选用绝对最大值与区域标准差融合规则。从实验结果可以得出,在红外可见光图像目标信息和细节信息融合效果上该算法优于其他算法,有更好的图像视觉效果。     

基于改进的稀疏表示和PCNN的图像融合算法研究

为提高图像融合的清晰度,本文提出一种基于改进的稀疏表示和脉冲耦合神经网络（pulse coupled neural network,PCNN）的图像融合。利用非下采样剪切波变换（non-subsampled shearlet transform,NSST）对源图像进行分解变换,得到相应的低频子带和高频子带具有不同的信息。对于低频子带,采用改进的稀疏表示进行融合,利用K奇异值分解（K-singular value decomposition,K-SVD）算法,并对源图像进行自适应学习的多个子字典构造成联合词典。对于高频子带,则改进PCNN融合系数的选择方法,利用改进的空间频率作为神经元反馈输入来激励PCNN模型,并根据点火输出的总幅度最大的融合规则选择高频系数。最后,将融合后的低频子带和高频子带系数进行NSST逆变换,重构出融合图像。实验结果表明:该算法很好地保留了图像的边缘信息,并且得到的图像在相关的客观评价标准上也取得了良好的效果,表明了本算法的有效性。     

基于非向下采样contourlet的自适应图像融合算法

针对融合后图像模糊现象,提出一种基于非向下采样contourlet的自适应图像融合算法.分析了轮廓波变换和非抽样轮廓波变换的原理,采用非向下采样contourlet对图像进行分解,依据低频变化设置阈值来调节低频变化率和均匀度在决策规则中所占的比例.当低频变化率之差高于阈值时,采用基于均匀度的融合规则;当低频变化率之差低于阈值时,采用基于变化率的融合规则.对于高频部分则采用高频系数对比度的处理策略.通过熵、相对误差和清晰度对实验结果进行了评价,结果表明,基于非向下采样contourlet的自适应融合算法取得了良好的融合效果.     

结合NSCT和压缩感知的红外与可见光图像融合

目的 红外成像传感器只敏感于目标场景的辐射,对热目标的探测性能较好,但其对场景的成像清晰度低;可见光图像只敏感于目标场景的反射,场景图像较为清晰,但目标不易被清晰观察.因而将两者图像进行融合,生成具有较好目标指示特性和可见光图像的清晰场景信息,有利于提高目标识别的准确性和降低高分辨图像传感器研究的技术难度.方法 结合非下采样contourlet变换 (NSCT)和压缩感知的优点,研究一种新的红外与可见光图像融合方法.首先对两源图像进行NSCT变换,得到一个低频子带和多个不同方向、尺度的高频子带.然后对两低频子带采用压缩感知理论获得测量向量,利用方差最大的方法对测量向量进行融合,再进行稀疏重建;高频子带采用区域能量最大的方法进行融合.最后利用NSCT逆变换获得融合图像.结果 为了验证本文方法的有效性,与其他几种方法相比较,并利用主观和客观的方法对融合结果进行评价.提出的新方法融合结果的熵、空间频率、方差明显优于其他几种方法,运行时间居中.主观上可以看出,融合结果在较好地显示目标的基础上,能够较为清晰地保留场景图像的信息.结论 实验结果表明,该方法具有较好的目标检测能力,并且方法简单,具有较强的适应性,可应用于航空、遥感图像、目标识别等诸多领域.     

基于NSCT和卷积稀疏表示的红外与可见光图像融合

针对红外与可见光图像融合时出现的细节模糊、对比度降低等问题,论文提出了一种基于非下采样轮廓波变换(Nonsubsampled Contourlet Transform,NSCT)和卷积稀疏表示(Convolutional Sparse Representation,CSR)的图像融合方法.首先,分别对红外图像和可见光图...     

基于非下采样剪切波变换和特征合成的医学图像融合算法

针对融合后的医学图像时常存在细节纹理不够清晰的问题,本文提出一种新的基于非下采样剪切波变换（Non-Subsampled Shearlet Transform,NSST）的医学图像融合算法,对多模态医学影像进行融合,增强细节结构提取的能力,提高图像融合质量,为医疗诊断提供依据.首先,将已配准的源图像进行NSST分解,得到低频子带和一系列高频子带;其次,对于低频子带系数,提出利用局域平均能量与局域标准差的合成值进行子带之间选择的融合策略,有利于完整保存基础信息,对于高频子带系数,利用改进的拉普拉斯能量和（New Sum of Modified Laplacian,NSML）的方法进行融合;接着,将融合过后的低、高频子带进行NSST的逆过程变换,从而得到融合之后的图像;最后,在灰度和彩色医学多模态图像上进行大量的实验,并选择信息熵（IE）,空间频率（SF）,标准差（SD）和平均梯度（AG）对融合后的图像进行质量评价.仿真结果表明,本文算法在主观视觉效果以及客观评价指标上均取得较大改善.与其他算法相比,信息熵,标准差,空间频率和平均梯度的平均值分别提高了2.99%,4.06%,1.78%和1.37%,融合后的图像包含更丰富的细节纹理信息,视觉效果更好.     

区域能量和图像自相似的NSCT域图像融合

非降采样轮廓波变换(NSCT)不仅具有平移不变性,还拥有足够的冗余信息,可以更有效地提取源图像中的方向信息,使得融合后的图像更符合人眼的视觉特性.利用NSCT在图像处理中的优势,针对红外光与可见光图像的融合,提出了一种新的基于改进的区域能量和图像自相似的NSCT域图像融合算法.首先,利用NSCT将图像分解为一个低频子带和多个不同方向的带通子带;然后,对低频子带采用区域能量自适应加权融合规则,带通方向子带则利用图像自相似进行系数的融合;最后,对融合系数进行NSCT逆变换,以重构生成融合图像.实验结果表明:与一些现有算法相比,该算法的图像融合结果在人眼主观视觉标准和客观评价标准上均具有明显优势.     

融合特征的快速SURF配准算法

目的 针对基于SURF特征点的图像配准算法对颜色单一的彩色图像提取的特征点较少及配准时间复杂度高等问题,提出一种基于融合特征的快速SURF(speed up robust features)配准算法.方法 该算法首先提取图像的颜色不变量边缘特征和CS-LBP(central symmetry-local binary patterns)纹理特征形成融合特征灰度图,并利用颜色直方图的方差自适应调节融合特征间的权重.其次,在融合特征灰度图上提取SURF(speed up robust features)特征点及描述子.再次,用最近邻匹配法形成粗匹配对,结合改进的快速RANSAC(random sample consensus)算法得到精匹配对.最后,使用最小二乘法求出映射关系用于配准图像.结果 本文算法能够在融合特征上提取更稳定的SURF特征点,用该特征点进行配准能提高配准5％精度,且减少时间复杂度15％,实现了对普通场景下图像的快速配准.结论 本文算法能提取稳定数量的特征点,提高了精确度与鲁棒性,并通过改进的RANSAC算法提高了执行效率,降低了迭代次数.     

肺部肿瘤跨模态图像融合的并行分解自适应融合模型

目的 跨模态像素级医学图像融合是精准医疗领域的研究热点。针对传统的像素级图像融合算法存在融合图像对比度不高和边缘细节不能较好保留等问题,本文提出并行分解图像自适应融合模型。方法 首先,使用NSCT(non-subsampled contourlet transform)提取原图像的细节方向信息,将原图像分为低频子带和高频子带,同时使用潜在低秩表示方法(latent low-rank representation, LatLRR)提取原图像的显著能量信息,得到低秩部分、显著部分和噪声部分。然后,在低频子带融合方面,NSCT分解后得到的低频子带包含原图像的主要能量,在融合过程中存在多对一的模糊映射关系,因此低频子带融合规则采用基于模糊逻辑的自适应方法,使用高斯隶属函数表示图像模糊关系;在高频子带融合方面,NSCT分解后得到高频子带系数间有较强的结构相似性,高频子带包含图像的轮廓边缘信息,因此高频子带采用基于Piella框架的自适应融合方法,引入平均结构相似性作为匹配测度,区域方差作为活性测度,设计自适应加权决策因子对高频子带进行融合。结果 在5组CT(computed tomography...     

耦合边缘检测与优化的多尺度遥感图像融合法

为了使融合图像在显著提高空间分辨率的同时,最大限度地融入多光谱图像的光谱信息,提出了一种结合Canny算子与非下采样Contourlet变换的粒子群优化的遥感图像融合方法。首先在IHS变换的基础上,利用Canny算子对全色图像进行边缘提取,根据边缘分布特征对全色图像和多光谱图像[I]分量进行边缘特征融合得到边缘加强的全色图像,然后对新的全色图像和多光谱图像[I]分量分别进行非下采样Contourlet变换,并在低频子带采用有选择性的加权求和融合规则,对于高频方向子带先利用粒子群优化算法寻找结构相似度的最优阈值[p],再采用基于区域结构相似度的融合规则,最后经NSCT和IHS逆变换获得融合图像。仿真实验结果表明：提出的算法能很好地兼顾全色图像细节信息的保留和多光谱图像光谱信息的保持。     

基于MSSTO与NSCT变换的可见光与红外图像增强融合

针对红外与可见光图像融合结果中边缘区域失真严重、对比度差的问题,提出一种基于多尺度顺序 翻转算子(MSSTO)和非下采样轮廓波变换(NSCT)的图像增强融合算法.首先,采用NSCT将图像分解成 高低频系数;其次,利用MSSTO从低频系数中提取出有效的亮、暗信息,并将其注入到融合低频系数中以 合成最终低频系数;再次,高频系数采用局部空间频率加权(LFSW)与区域能量取大的融合方案;最后,对 合成的高低频系数进行反NSCT得到融合图像.实验结果验证了所提出算法的有效性.     

基于频带特征融合的GL-CNN遥感图像场景分类

高分辨率卫星遥感图像场景信息的分类对影像分析和解译具有重要意义，传统的高分辨卫星遥感图像场景分类方法主要依赖于人工提取的中、低层特征且不能很好的利用图像丰富的场景信息，针对这一问题，提出一种基于频带特征融合与GL-CNN(Guided Learning Convolutional Neural Network，指导学习卷积神经网络)的分类方法。首先通过NSWT（Non-Subsampled Wavelet Transform，非下采样小波变换）提取出图像的高低频子带，将高频子带进行频带特征融合得到融合高频子带，然后联合频谱角向能量分布曲线的平稳区间分析实现融合高频子带与低频子带的样本融合，最后指导卷积神经网络自动提取图像的高低频子带包含的高层特征来实现场景分类。通过对UCM_LandUse 21类数据进行试验表明，本文方法的分类正确率达到94.52%，相比以往算法有显著提高。     

基于频带特征融合的GL-CNN遥感图像场景分类

高分辨率卫星遥感图像场景信息的分类对影像分析和解译具有重要意义,传统的高分辨卫星遥感图像场景分类方法主要依赖于人工提取的中、低层特征且不能很好的利用图像丰富的场景信息,针对这一问题,提出一种基于频带特征融合与GL-CNN(Guided Learning Convolutional Neural Network,指导学习卷积神经网络)的分类方法。首先通过NSWT（Non-Subsampled Wavelet Transform,非下采样小波变换）提取出图像的高低频子带,将高频子带进行频带特征融合得到融合高频子带,然后联合频谱角向能量分布曲线的平稳区间分析实现融合高频子带与低频子带的样本融合,最后指导卷积神经网络自动提取图像的高低频子带包含的高层特征来实现场景分类。通过对UCM_LandUse 21类数据进行试验表明,本文方法的分类正确率达到94.52%,相比以往算法有显著提高。     

提升细节捕捉能力的非下采样轮廓波变换

针对传统NSCT(非下采样轮廓波变换)算法中NSP(多尺度分解方法)对细节信息捕捉能力较差及利用其进行图像融合得到的融合图像出现细节丢失问题,提出改进的NSCT算法。不同于传统NSCT算法,该算法首先采用细节捕捉能力较强的非下采样形态学小波分解替代NSP分解,实现对源图像的多尺度分解,将源图像分解成水平高频、垂直高频、对角高频和低频4部分;然后利用NDFB(非下采样的方向性滤波器)对高频部分进行多方向分解得到一系列高频信息,实现改进型NSCT分解。实验结果表明,该算法的细节捕捉能力较传统算法好,在相同融合规则下其图像融合效果更好,各项融合指标值均有所提高,其中平均梯度提高了10%,且易于实现,可广泛用于多分辨率图像融合,是一种有效的融合图像算法。     

利用NSCT域邻域特性区域化方法融合红外与微光图像

针对同一场景的红外与微光(可见光)图像融合问题,提出了一种利用邻域特性区域化处理的非下采样Contourlet变换(NSCT)融合方法.首先,对红外和微光源图像进行多尺度、多方向分解;然后对低频系数采用邻域能量上改进的区域化加权融合规则,高频系数采用邻域能量区域化匹配的系数选择方案与邻域方差上的区域方差取大融合规则;最后利用NSCT反变换进行重构得到融合图像.实验结果表明,本文方法信息熵略低于亮度过度增大的参考文献中的方法,由于传统方法引入虚假细节信息导致空间频率略高于所提方法,但其互信息与边缘保持度(Q)指标值较好,其融合图像整体效果优于对比方法.本文方法在保留源图像主要信息及捕捉细节信息方面效果显著,且融合的图像具有较好的视觉效果.     

基于可协调经验小波变换的多聚焦图像融合

提出了可协调经验小波变换,并将其应用于多聚焦图像融合。经验小波变换（EWT）是一种自适应信号分解方法,具有比经验模态分解和传统小波分解更好的特性。其核心思想是通过构造自适应的滤波器实现对信号的自适应分解。但是若直接对两幅多聚焦图像分别进行EWT分解,因各自生成的经验小波互不相关,将出现分解所得对应子带不匹配的情况,影响融合图像的质量。针对这一问题,提出了一种可协调的经验小波变换（C-EWT）,C-EWT分解下的两个多聚焦图像的对应子带是完全匹配的。基于此,利用C-EWT提出了一种新的多聚焦图像融合算法。每幅源图像经过C-EWT分解后,得到一个低频分量和多个高频分量; 对低频分量采用基于改进Laplacian能量和的阈值匹配选择与加权规则进行融合,对高频分量则采用局部Log-Gabor能量取大的融合规则;将融合之后的各子带分量进行重构得到融合图像。仿真实验表明：与其他六种融合算法相比,所提算法在融合聚焦区域、保留边缘和细节信息方面具有优势,融合图像具有更好的视觉效果,且客观评价指标与标准图像最为接近。     

一种基于小波变换的图像融合新算法

给出了一种基于小波变换的图像融合方法,对小波分解后的低频分量通过度量其图像块空间频率和对比度来确定融合图像的低频分量,对分解后得到的高频分量,选择高频系数时,基于绝对值最大的原则,并对选择结果进行一致性验证,最后重构得到融合图像。从仿真结果可以看出,给出的方法很好地保留了多幅原图像的有用信息,融合图像清晰度和对比度都较好,是一种有效的图像融合算法。     

基于SML和PCNN的NSCT域多聚焦图像融合

针对融合规则带来的虚假边缘、伪影等问题,提出了改进拉普拉斯能量和(Sum-modified Laplacian,SML)和脉冲耦合神经网络(Pulse Coupled Neural Network,PCNN)相结合的非下采样Contourlet变换(Non-Sampled Con-tourlet Transform,NSCT)域融合方法。首先,采用NSCT将每幅源图像分解成包含基本信息的低频子带图像和多幅包含细节信息的带通子带图像。然后,计算各尺度分解图像的SML值,根据值的大小对低频子带图像各像素点进行像素选择。对于带通子带部分,将计算的SML作为PCNN的输入激励,PCNN输出的点火映射图用来选择各子带图像的像素值。最后,将处理后的各子带系数进行NSCT重构得到融合图像。实验结果表明,此算法能很好地改善融合图像的聚焦清晰度,并且与现有的SIDWT,DTCWT,NSCT以及基于PCNN的融合方法相比,所提算法在互信息量、结构相似度以及边缘信息保留量等客观指标方面得到了提高。