非降采样Contourlet域方向区域多聚焦图像融合算法

提出了一种基于方向区域特性的非降采样Contourlet域多聚焦图像融合算法。算法将图像进行非降采样Contourlet变换为不同方向的高低频子带,低频子带和高频子带中分别采用方向区域的方差匹配度和能量作为融合规则,其中方向区域与当前子带分解方向保持一致,最后,通过反变换得到融合图像。实验结果表明,本文提出的方向区域方法能够更好地体现二维图像中的曲线或直线状边缘特征。将现有的融合算法和本文所提算法进行了主观和客观的对比,结果表明,基于非降采样Contourlet变换的方向区域特性的图像融合算法是一种有效可行的图像融合算法。     

基于多特征的遥感图像融合算法

针对基于多尺度几何变换的遥感图像融合算法细节表现能力不足的缺陷,提出了一种新的基于多特征的遥感图像融合算法。首先,对多光谱图像进行HSI变换,将得到的亮度分量和全色图像分别进行非下采样的Contourlet变换(NSCT),得到低频和高频子带系数;然后,对低频子带系数采用像素绝对值选大的规则进行融合,对于高频子带系数的选择,考虑到不同的因素如(方差、能量、平均梯度)对图像质量的影响不同,提出了一种基于多特征的融合规则;最后,对融合后的低频和高频系数分别进行了逆NSCT变换和逆HSI变换得到融合图像。实验结果证明,该方法可以有效将全色图像的空间信息注入到多光谱图像中,并与HSI变换、Contourlet变换等融合算法相比,该方法在主观和客观评价上优于其他几种融合方法,具有更好的融合效果。     

基于NSCT和PCA变换域的遥感图像融合算法

为使融合后的图像在尽可能保持原图像光谱信息的同时,有效提高空间细节信息,提出了一种新的基于非下采样Contourlet变换（NSCT）和主成分分析（PCA）的全色图像和多光谱图像融合算法.对多光谱图像进行PCA变换得到主元分量,将处理后的主元分量与全色图像进行NSCT分解,针对低频子带系数选择提出了一种基于窗口与局部方差相结合的融合策略;在高频子带系数选择上,提出了基于区域线性相关测定的融合策略.进行非下采样Contourlet逆变换和PCA逆变换,得到具有高空间质量的多光谱图像.实验结果表明,提出的算法在保留光谱信息和提高空间细节信息的综合性能上有所提高,能够取得较好的融合效果.     

非下采样轮廓波变换的前视声呐图像融合

针对前视声呐图像清晰程度不同,局部区域模糊的特点,本文提出一种基于非下采样轮廓波变换的前视声呐图像融合算法。依据图像多尺度分解的理论,对源图像进行非下采样轮廓波变换,得到一系列多尺度子带分解系数;根据图像中清晰目标反射声波能量大、对比度高特点,构建前视声呐图像融合规则,即低频子带采用Gabor能量、高频子带计算局部对比度指导融合规则,提出区域一致性校验准则抑制图像噪声,产生融合图像多尺度子带分解系数,并应用非下采样轮廓波逆变换获得融合图像。声呐图像融合对比实验证明,采用提出方法生成的融合图像在主观视觉和客观指标上均优于其他融合方法。     

一种新的NSCT超分辨率图像复原技术

考虑到非下采样Contourlet变换具有多尺度性和多方向性,提出了一种基于非下采样Contourlet变换的图像复原算法.首先对给出的序列低分辨率图像进行图像配准,对配准图像进行非下采样Contourlet变换,分解成低频及高频部分,对低频和高频分别采取不同的融合策略进行融合,再对融合后的高频和低频进行非下采样Contourlet变换逆变换得到融合图像.对融合后的图像再进行非下采样Contourlet变换,分别对高频细节和低频进行插值,再经非下采样Contourlet逆变换复原成高分辨率的图像.实验表明,该算法在主观效果和客观评价上均优于传统复原算法,是一种可行的图像复原新算法.     

两种变换域相结合的医学图像融合

为了克服单一图像分析方法在图像分解时存在的局限性,采用两种变换域相结合的方法来实现CT/MRI图像融合。利用基函数多尺度和多方向性的特点,对CT与MRI源图像进行非下采样Contourlet变换(NSCT);将分解之后的CT低频近似部分和MRI低频近似部分再分别进行小波变换,小波分解与融合之后得到融合图像的低频系数,而对NSCT变换后的高频细节部分利用邻域能量取大方法得到融合图像的高频系数;再对高频系数与低频系数进行逆NSCT变换得到融合图像。结果表明,两种变换域结合的算法比单一的多尺度分析算法更有效可行,使得融合图像对比度更高、更清晰。     

非下采样剪切波变换域下遥感图像融合

多光谱图像与全色图像的融合已被广泛应用于提高后续图像处理效果以满足图像进一步应用的需要,本文提出了一种在非下采样剪切波变换域中基于区域清晰度加权和导向滤波相结合的遥感图像融合方法.利用剪切波变换将多光谱图像的亮度分量与全色图像分别分解为低频子带和高频子带;针对高低频子带的特点分别设计高低频子带融合规则;对融合系数取剪切...     

NSCT域内基于自适应PCNN的红外与可见光图像融合方法

提出一种在图像的非下采样Contourlet变换(NSCT)域内基于脉冲耦合神经网络(PCNN)的融合方法。首先采用NSCT对严格配准的待融合图像进行多分辨率多方向分解, 得到低频子带和高频方向子带;然后使用各子带系数的空间频率作为PCNN对应神经元的自适应连接强度系数,使用改进的拉普拉斯能量和作为PCNN每个神经元的外部激励,经过PCNN点火过程获得各子带对应的点火映射图,并通过判决选择算子确定融合图像的各子带系数;最后采用NSCT逆变换对低频子带系数和高频方向子带系数进行重构,得到融合图像。使用红外与可见光图像进行仿真实验的结果表明,本文方法优于基于小波变换、NSCT及传统NSCT与PCNN结合的图像融合方法。       

基于区域能量的NSST域偏振图像融合算法

针对传统的偏振图像融合方法存在图像细节丢失、边缘模糊、对比度下降等不足,提出了一种基于区域能量的非下采样剪切波变换域(NSST)偏振图像融合方法。首先,利用NSST对源图像进行分解,获取源图像的低频子带系数和高频子带系数;然后,对分解得到的低频系数基于区域能量加权融合,对高频系数先基于区域能量取大融合,再应用引导滤波进行细节增强;最后,通过NSST逆变换得到融合图像。实验结果表明,融合后的偏振图像能够较好地保留细节信息,同时使边缘更加清晰,图像标准差、平均梯度、信息熵、对比度、空间频率相对传统方法均有不同程度的提高,具有更好的视觉效果。     

基于纹理特征与广义相关性结构信息的医学图像融合

结合多尺度变换的图像特征,提出了一种基于纹理特征与相关性结构信息的医学图像融合方法。首先对已配准的源图像进行非下采样Contourlet变换,得到低频、高频子带系数。其次考虑人眼视觉对纹理特征的敏感性,提出局部差分计盒维数来统计图像的纹理信息;分析NSCT高频子带兄弟系数间及其父子系数间的强相关性,分别计算出系数间的结构相似度与邻域拉普拉斯能量和,作为高频子带系数间的广义相关性结构信息。然后对低频提出Sigmoid函数自适应融合,对高频采用广义相关性结构信息取大法。最后进行逆NSCT变换得到融合图像。通过灰度与彩色图像融合实验发现,该算法不仅可以保留源图像的边缘信息,还得到较好的客观评价指标和视觉效果。     

粒子群优化Contourlet变换的遥感影像融合算法研究

Contourlet变换能有效地应用在图像增强领域,基于Contourlet变换的遥感影像融合算法常采用高频低频替换和频域线性加权两种融合方法,因此,通过粒子群优化算法对基于Contourlet变换分解不同子带图像所需的不同加权系数进行优化,采用多元回归分析方法设定目标函数,实现了全色影像与多光谱影像的融合,与传统的Contourlet变换、PCA算法、高通滤波遥感影像融合算法相比较,新方法在提高影像清晰度的同时在光谱保真度方面相对于其他算法有明显优势.     

基于NSCT域平均梯度能量驱动红外与可见光图像融合算法

针对红外与可见光图像融合造成的成像边缘存在模糊区域问题，提出一种基于非下采样轮廓波变换(Nonsubsampled Contourlet, NSCT)域平均梯度能量驱动的红外图像(IFR)与可见光图像(VBI)融合算法，首先对IFR和VBI分别进行NSCT变换，得到低频、中频、高频子带系数，低频融合采用平均梯度能量(Average Gradient Energy, AVGE)取最大的方法进行融合，中频融合采用空间频率(Spatial Frequency, STF)取最大值进行融合，高频提出了一种平均梯度能量驱动脉冲耦合神经网络(Average Gradient Energy Pulse Coupled Neural Network, AVGE-PCNN)的融合方法进行融合，采用逆非下采样轮廓波变换(Inverse Nonsubsampled Contourlet Transform, INSCT)得到最终融合图像，实验采用三组不同场景的IFR和VSI图像进行融合处理。通过对比实验证明，提出的融合方法在改善图像边缘模糊方面效果良好，主观评估和客观评价均优于DWT、DTCWT、NSCT算法...     

一种新的布匹瑕疵图像自动检测算法

针对布匹图像非下采样Contourlet分解系数能更好地描述瑕疵图像的轮廓特性,同时具有平移不变性和多方向性等优点,提出一种新的瑕疵自动检测算法.该算法通过非下采样Contourlet变换得到图像的多尺度、多方向稀疏表示;在此基础上,通过代价函数选择最优子带,得到较鲁棒性的描述;最后实时地估计瑕疵和非瑕疵图像的混合高斯...     

基于萤火虫优化的自适应PCNN遥感图像融合

为了提高融合后多光谱图像的质量,本文提出一种基于快速非下采样轮廓波变换(FNSCT)与萤火虫优化的自适应脉冲耦合神经网络(PCNN)相结合的图像融合算法。将通过亮度-色度-饱和度(IHS)变换的多光谱图像亮度分量与全色图像分别进行FNSCT变换,获得相应的高低频系数。针对低频系数,采用区域平均能量法进行融合;对于高频子带,为了确定PCNN模型的最优参数,将PCNN算法的链接强度与链接范围自适应化,并利用萤火虫算法优化其余参数,获得更优的PCNN模型,实现高频系数的融合。最终经过FNSCT逆变换和IHS逆变换得到融合结果。实验结果表明:本文提出的算法既提高了图像的空间分辨率又很好地保留了融合图像的光谱信息。     

一种邻域一致性的NSCT域多传感器图像融合算法

针对同一场景多传感器图像融合问题,提出了一种基于邻域特性的非采样Contourlet变换域融合新算法．首先对待融合图像进行非采样Contourlet变换分解,由邻域平均能量与方差构造各点的能量方差决策值,基于决策值最大原则选择低频子带系数,从而在保持图像亮度的同时融合更多的边缘细节;基于邻域能量最大原则选择带通方向子带系数,以保留更多的边缘．最后反变换得到融合图像．采用多聚焦图像及红外与可见光图像进行仿真实验,并对融合结果进行了主客观评价．实验结果表明,该算法较好地融合了亮度及边缘细节,避免了引入人为噪声,得到了具有更好的视觉效果和量化指标的融合图像．     

基于Contourlet尺度相关的SAR图像融合

针对不同波段全极化SAR图像的融合,提出了一种基于Contourlet变换域进行图像融合的方法.利用Contourlet变换将图像分解为一个低频子带和多个不同方向的高频子带,对分解后的低频子带进行邻域能量加权融合;对方向高频子带依据尺度间相关性定义一个边缘信息量测指标,选择量测指标大的系数作为融合系数.最后对两波段全极化SAR图像进行了融合实验.实验结果表明：与小波变换等融合方法相比,利用所提出方法融合后的图像能够明显抑制SAR斑点噪声影响,在视觉特性以及评价指标上效果更好.     

基于人眼视觉特性的遥感图像融合算法

首先提出基于非下采样Contourlet变换(NSCT,Nonsubsampled Contourlet Transform)的人眼视觉相对对比度灵敏度函数(RCSF,relative contrast sensitivity function)和绝对对比度灵敏度函数(ACSF,absolute contrast sensitivity function)。然后提出了基于人眼视觉对比度灵敏度函数(CSF,contrast sensitivityfunction)的遥感图像融合算法(IFA-CSF,image fusion algorithmof human visual contrast sensitivity function)。IFA-CSF采用NSCT作为多尺度变换工具,对单方向高频子带采用ACSF融合,对多方向高频子带采用RCSF融合,并对8方向高频子带采用先方向分组再融合的方法。实验结果表明,IFA-CSF优于基于传统CSF和基于局部能量的图像融合算法。     

视觉显著性指导的红外与可见光图像融合算法

为了获取适合人眼观测的高质量红外与可见光融合图像,提出了一种基于视觉显著性指导的红外与可见光图像融合算法。首先,利用改进的流形排序法分别检测红外与可见光图像的视觉显著性区域;然后,采用非下采样轮廓波变换对红外和可见光图像进行多尺度、多方向分解,从而获取各自低频子带和高频子带,并将视觉显著性的检测结果用于指导分配低频子带的融合权重,即依据显著度大小赋予不同的权值,而高频子带的融合则依据局部标准差准则赋值;最后,通过非下采样轮廓波逆变换获得融合图像。实验结果表明:这种算法不仅可以保全可见光图像中的细节信息,而且能够精确地突显出红外目标信息,具有较好的视觉效果, 增强了红外与可见光复合前视系统的识别性能。     

基于非下采样剪切波变换的医学图像融合算法

为了解决单一模态医学图像的局限性,提出了一种基于非下采样剪切波变换(NSST)的多模态医学图像融合方法.该方法利用NSST将待融合的医学图像分解成低频系数和高频系数,并利用区域能量加权(WLE)的方法对分解后的低频系数进行融合,使用区域能量和平均梯度加权的方法对分解后医学图像的高低频系数进行融合,采用NSST逆变换重建融合后的图像.选择信息熵、平均梯度和空间频率3个参数作为融合图像的客观评价参数,结果表明,该方法取得的融合结果比离散小波、轮廓波和非下采样轮廓波变换等传统方法更好,计算效率更高.     

非下采样Contourlet变换域多聚焦图像融合方法

针对同一场景的多聚焦图像融合问题,提出基于脉冲耦合神经网络(PCNN)的非下采样Contourlet变换(NSCT)域融合方法.将源图像经过NSCT变换生成的低通子带系数和带通方向子带系数输入PCNN,将各神经元迭代产生的点火频数构成点火映射图.采用接近度函数描述点火映射图邻域特性的关联程度,根据邻域接近度为融合图像选择相应的子带系数,通过NSCT逆变换得到融合结果.实验分析表明,新的融合方法在很大程度上保留了多聚焦图像的清晰区域和特征信息,具有比经典小波变换、Contourlet变换和常规NSCT方法更好的融合性能.