一种改进含噪多聚焦图像融合方法

针对目前多聚焦图像融合方法处理含噪图像缺乏有 效性而导致融合效果较差的问题,提出一种引导滤波结合脉冲耦合神经网络(PCNN)的非下采 样Shearlet变换(NSST)域内多聚焦图像融合方法。 首先,分别对待融合多聚焦图像进行NSST获取其相应高频子带和低频子带系数;对高 频子带系数,通过引导滤波结合改进简化PCNN模型设置融合规则;提取相位一致性、清晰 度和亮度等底层视觉特性,指导低频子带系数融合权重;最后反NSST获取最终融合结 果。实验结果表明,本文方法能够在噪声干扰情况下有效完成多聚焦融合,并且边缘和纹理 信息保持较好,当20标准差噪声时互信息提升了近0.15具有有效性。     

基于Shearlet变换域图像噪声混合滤波方法

在深入分析Shearlet变换理论的基础上,给出具体的Shearlet变换步骤,并提出一种针对图像脉冲噪声的混合滤波方法.该方法首先对噪声图像进行Shearlet多尺度变换,获得高频和低频系数,保留低频系数不变;然后针对Shearlet高频系数能够较好地刻画噪声局部化的性质,设计出一种多尺度、多方向特性的串/并联自适应中值滤波器,对高频系数中噪声进行自适应检测和滤除;最后实现低频系数和滤波后高频系数重构.通过与小波阈值法去噪和开关中值滤波法仿真实验比较可知,该滤波方法对于高强度的脉冲噪声具有较好的处理效果.     

Shearlet变换和奇异值分解的图像隐藏方法

为了更好地平衡Shearlet域图像隐藏不可见性、鲁棒性和算法时间复杂度之间的关系,提出了一种基于Shearlet变换和奇异值分解的图像隐藏方法。利用Shearlet变换的能量聚集性、小波包分解低频子带抗攻击性强和矩阵奇异值良好的稳定性,载体图像先进行Shearlet分解,得到的低频子带再进行二级小波包分解。将秘密图像的重要信息位平面隐藏到小波包分解低频系数的奇异值矩阵中,次要信息嵌入Shearlet高频子带中。实验表明,该算法对高斯噪声、滤波和剪切等攻击都有较好的鲁棒性,同时,不可见性较好,时间复杂度较低。     

基于NSCT域压缩感知模型的路面病害图像滤波算法

针对目前路面图像滤波算法复杂度高且难以耦合噪声抑制和信号平衡的缺点,提出一种基于非下采样Contourlet变换(NSCT)域压缩采样的滤波算法。首先,使用NSCT对含噪路面病害图像进行分解,得到变换后的低频子带系数和高频子带系数;然后,对高频子带系数建立压缩感知(CS)去噪模型,并采用伪随机傅里叶矩阵对系数进行观测,之后使用分裂Bregman迭代方法对系数进行重构,得到去噪模型重建后的高频子带系数;最后,采用逆NSCT对低频子带系数和高频子带系数进行重构,得到滤波后的图像。实验结果分析表明了本文算法的有效性。     

基于SRAD和NSCT的数字全息再现像像质改善方法

针对数字全息再现像存在的散斑噪声干扰严重、对比度低等问题,提出了基于散斑去噪各向异性扩散(SRAD)模型及非下采样Contourlet变换(NSCT)的数字全息再现像像质改善方法。采用SRAD模型消除再现像中的散斑噪声,然后进行NSCT分解,产生一个低频子带和若干高频子带。基于非线性增益函数和图像分割方法调整低频子带系数,并利用改进的NSCT模极大值法对高频子带进行边缘增强。大量实验结果表明,与近年来提出的非线性扩散去噪方法及NSCT增强方法相比,所提出的方法能更有效地消除散斑噪声、提升再现像的对比度,并得到光滑清晰的边缘,从而提高后续数字全息识别与测量的准确度。     

基于小波变换的图像混合噪声自适应滤波算法

提出了一种基于小波变换的图像混合噪声自适应滤波算法.该算法首先采用中值滤波进行预处理以去除脉冲噪声,然后对图像进行二维小波分解得到高频和低频子图像.根据各高频子图像噪声分布特征,分别设计出新的结构元素进行形态学滤波,随后定义一种新型阂值判别函数对高频和低频子图像分别设定不同调节参数,以进一步滤除残余噪声.最后进行小波系数重构.仿真结果表明,该算法去噪效果明显优于其他几种算法,从而表明该算法是一种较为有效的图像混合噪声滤除方法.     

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图像特征的多聚焦图像融合方法

针对广泛存在于多聚焦图像融合方法中的局部图像细节不清晰的现状,提出一种基于非下采样剪切波变换(NSST)图像特征的多聚焦图像融合方法。利用NSST对待融合源图像进行多尺度、多方向稀疏分解,分别获取低频和一系列高频子带图像。通过空间频率和局部能量确定融合后的低频子带系数,利用边缘检测算子直接获取高频子带图像中的细节和边缘信息,并采取NSST反变换得到最终融合结果图像。仿真实验结果表明,同现有的几种经典算法相比,本文提出的方法获得的结果图像拥有更清晰的视觉效果、更理想的客观指标效果以及更高的算法运行效率。     

NSST域模糊逻辑的红外与可见光图像融合

为了在红外与可见光图像融合时保留各自更多的细节信息,同时降低算法复杂度,采用了非下采样剪切波变换（NSST）和改进模糊逻辑的红外与可见光图像融合方法,利用NSST算法对红外图像和可见光图像分别进行多尺度、多方向稀疏分解,分别得到低频子带系数和高频子带系数。然后对低频子带系数采用基于改进的模糊柯西隶属函数的权值平均融合规则;对高频子带系数采用能量匹配度和视觉敏感度系数相结合的融合规则。最后对低频子带融合系数和高频子带融合系数执行NSST逆变换得到最终的融合图像,并进行了理论分析和实验验证。结果表明,此融合方法不仅可以保证融合清晰度,对缩短算法的运行时间也是有帮助的。     

基于Shearlet变换的多聚焦图像融合方法

为提高多聚焦图像的融合效果,利用Shearlet变换具有多尺度多方向的特性,文中提出了一种基于Shearlet变换的图像融合算法。针对待融合图像进行Shearlet变换,得到低频子带系数和不同尺度不同方向的高频子带系数;对低频子带系数取分解系数区域能量高的系数,高频子带系数采用区域能量和区域清晰度以及区域方差相结合,采用多判别法得到融合系数,并最终进行Shearlet逆变换得到融合图像。结果表明,在主观视觉效果和客观评价指标上此算法优于其他融合算法     

基于优化PCNN与区域特征引导法则的图像融合

针对传统红外与可见光图像融合算法存在着边缘信息缺失、目标特征不够突出等问题,本文提出一种基于优化脉冲耦合神经网络(PCNN)与区域特征引导法则的红外与可见光图像融合算法。首先,对红外与可见光图像分别进行非下采样剪切波变换(NSST),获取相应的低频分量和高频分量。其次,低频分量采用基于优化PCNN模型的融合规则进行融合;对于高频分量,利用图像的区域能量、改进空间频率和区域方差匹配度等特征,提出自适应的区域方差匹配度阈值和调节因子,构造区域特征引导法则完成融合。最后,对融合后的低高频分量进行NSST逆变换,获取融合图像。实验结果表明,本文算法可有效综合图像的优势信息,并在主观视觉和客观指标上均具有明显的优势。     

Smoothing low-SNR molecular images via anisotropic median-diffusion

We propose a new anisotropic diffusion filter for denoising low-signal-to-noise molecular images. This filter, which incorporates a median filter into the diffusion steps, is called an anisotropic median-diffusion filter. This hybrid filter achieved much better noise suppression with minimum edge blurring compared with the original anisotropic diffusion filter when it was tested on an image created based on a molecular image model. The universal quality index, proposed in this paper to measure the effectiveness of denoising, suggests that the anisotropic median-diffusion filter can retain adherence to the original image intensities and contrasts better than other filters. In addition, the performance of the filter is less sensitive to the selection of the image gradient threshold during diffusion, thus making automatic image denoising easier than with the original anisotropic diffusion filter. The anisotropic median-diffusion filter also achieved good denoising results on a piecewise-smooth natural image and real Raman molecular images.     

Image denoising using sparse representation classification and non-subsampled shearlet transform

In this paper, an image denoising method is proposed which uses sparse un-mixing by variable splitting and augmented Lagrangian (SUnSAL) classifier in the non-subsampled shearlet transform (NSST) domain. To this aim, the noisy image is decomposed into various scales and directional components using the NSST and then the feature vector for a pixel is constituted by the spatial regularity in the NSST domain. Subsequently, the NSST detail coefficients are labeled as edge-related coefficients or noise-related ones by using the SUnSAL classifier. The noisy coefficients of the NSST subbands are then denoised by the shrink method, which uses the adaptive Bayesian threshold for denoising. Finally, the inverse NSST transform is applied to the denoised coefficients. Our experiments demonstrate that the proposed approach improves the image quality in terms of both subjective and objective inspections, compared with some other state-of-the-art denoising techniques.     

结合无下采样Shearlet模极大值和改进尺度积的有噪图像边缘检测

为从噪声污染的图像中提取出更为清晰、连续的边缘,进一步改善边缘检测效果,本文提出了一种基于无下采样Shearlet模极大值和改进尺度积的边缘检测方法。首先对含噪图像进行多尺度、多方向无下采样Shearlet变换（Non-subsampled Shearlet Transform, NSST）,得到图像在NSST域的高频系数;然后选取相邻的两个较大尺度的高频系数进行改进的尺度积运算,并经NSST模极大值处理得到边缘二值图像;最后使用区域连通方法去除二值图像中的孤立点,得到准确的边缘图像。大量实验结果表明,与小波模极大值、小波尺度积、基于无下采样Contourlet变换（Non-subsampled Contourlet Transform, NSCT）模极大值和尺度积、NSST模极大值等4种边缘检测方法相比,本文提出的方法具有更强的抗噪能力,且有效地避免了纹理的影响,检测出的边缘完整清晰,连续性好。      

基于NSST域混合滤波与改进边缘检测PCNN的医学图像融合

针对传统医学图像融合中存在细节模糊、能量保存不完整、运行时间长等问题,提出一种基于非下采样剪切波(non-subsampled shearlet transform, NSST)域混合滤波与改进边缘检测脉冲耦合神经网络(pulse coupled neural network, PCNN)的医学图像融合方法。首先,利用YUV模型进行颜色空间转换分离出亮度通道Y,接着利用混合滤波分别对源核磁共振(magnetic resonance imaging, MRI)图像和亮度通道的灰度图像进行不同程度的增强。其次,采用NSST对增强后的MRI和亮度通道的灰度图像进行分解,得到高低频子带。低频子带使用修正的拉普拉斯能量和(weighted sum of eight-neighborhood-based modified Laplacian,WSEML)与局部区域能量加权和(weight local energy,WLE)的融合策略,高频子带采用改进边缘检测PCNN的融合策略。最后,经NSST逆变换得到融合图像。通过与其他6种融合方法对比,本文方法可以有效提高图像融合过程中的细节提取和能量保存,且...     

基于剪切波域改进Gamma校正的医学图像增强算法

为了解决医学图像在采集和传输过程中引入噪 声和干扰导致图像质量恶化从而严重影响医学诊断的问题,提出 一种基于剪切波(shearlet)域改进Gamma校正的图像增强方法。首先,通过剪切波变换,把 图像分解成高频 部分和低频部分;其次,用改进的Gamma校正处理剪切波分解后的低频部分以调整图像的整 体对比 度,采用改进的自适应阈值函数对高频部分进行去噪;最后,把剪切波反变换的重构图 像进行模糊对比 增强,以突出图像的细节信息。实验结果表明,本文算法的峰值信噪比(PSNR )、结构相似度(SSIM)和 绝对均值差(MAE)优于其他对比算法,尤其是PSNR的提升更加明显。这些 客观指标说明,本 文算法不仅能有效地抑制噪声,而且能明显改善增强对比度。从主观方面观察,本文算法与 其他算法相比,能获得更好的视觉效果。     

基于剪切波域改进Gamma校正的医学图像增强算法

通过傅里叶光学理论和透镜成像理论对轴棱锥线 聚焦与凸透镜点聚焦两种成像系统进行分析, 并探讨了它们对成像系统焦深的影响。利用ZEMAX光学设计软件,仿真模拟出系统在不同轴 向距离的截面 光强分布图。以蓝光LED为光源,对这两种成像系统进行实验验证,拍摄不同轴向距离处的 截面光强分布 图。结果表明,轴棱锥所具有的线聚焦特性,能将光线连续地会聚到沿轴线不同位置上,图 像的清晰度高, 且在最大无衍射距离内无需调焦,具有更大的焦深;理论分析、仿真模拟与实验结果相吻合 。