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。     

一种新的非下采样Contourlet域图像去噪算法

作为新型高维奇异性分析工具,非下采样轮廓(Nonsubsampled Contourlet)变换不仅克服了小波(Wavelet)变换的非奇异性最优基缺点,而且提供了优于轮廓(Contourlet)变换的平移不变性.以性能优越的非下采样轮廓变换为基础,提出了一种新的图像去噪方法.该方法首先对图像进行非下采样轮廓变换,以得到不同尺度、不同方向上的变换系数;然后结合噪声分布特点确定多尺度阈值,并依此阚值对高频系数进行去噪处理;最后对去噪处理后的变换系数进行反变换,以得到去噪图像.仿真实验结果表明,该方法不仅拥有较强的抑制噪声的能力,而且具有较好的边缘保护能力,同时消除了图像边缘附近的伪吉布斯(Gibbs)现象,整体性能优于小波变换图像去噪和轮廓变换图像去噪方法.     

基于多小波—非采样Contourlet变换的自适应阈值图像去噪方法

为抑制Contourlet变换的非平移不变性和冗余性给图像去噪所带来的图像失真等缺陷,提出一种新的基于多小波—非采样Contourlet变换和基于Bayes Shrink的自适应阈值去噪算法：首先利用多小波对图像进行多尺度分解并结合非下采样方向滤波器组进行方向分解,接着根据分解所得到的各方向子带的关系,改进了Bayes Shrink自适应阈值取值方法,对图像进行去噪处理。实验结果表明：该算法去噪后图像的信噪比(SNR)与已有算法相比,有了明显的提高,有效地抑制了原Contourlet变换所造成的伪Gibbs现象,更好地保留了图像的细节信息。     

基于NSCT变换的遥感图像快速自适应去噪方法

针对遥感图像受噪声影响导致质量较低的问题,提出了基于NSCT变换的遥感图像快速自适应去噪方法.将Gibbs效应添加至Contourlet变换的图像处理环节,利用非下采样拉普拉斯金字塔与方向滤波器组构建NSCT变换.根据NSCT变换后遥感图像信号能量汇聚至小部分变换系数的特征,利用硬阈值快速去噪方法和NSCT变换系数邻域...     

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NSCT域主分量分析的遥感图像去噪方法

提出一种新的结合非下采样Contourlet变换（NSCT）和主分量分析（PCA）的图像自适应阈值去噪方法。通过PCA估计NSCT域中的噪声能量,并与NSCT系数的领域信息相结合,构造出自适应阈值对遥感图像进行去噪。仿真实验结果表明,提出的方法与Contourlet硬阈值,基于Contourlet的图像PCA和NSCT硬阈值去噪方法相比能够有效去除遥感图像的高斯噪声,较完整地保持图像的边缘等细节信息,提高了图像的峰值信噪比,图像视觉效果也有明显改善。     

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.     

基于NSCT自适应阈值的红外图像去噪算法

提出自适应阈值的NSCT去噪算法.在对红外图像噪声特点分析的基础上,通过对NSCT构造特性的分析,提出了将自适应阈值的NSCT运用于红外去噪,并验证了其可行性.分析了图像尺寸和分解尺度对去噪的影响,获得去噪算法的优化.应用于几种不同的红外图像,对红外图像去噪视觉效果和峰值信噪比两方面进行比较,该去噪方法取得了较好的效果,尤其是在边缘保持方面.     

基于NSCT域邻域收缩的SAR图像去噪

针对合成孔径雷达（Synthetic Aperture Radar,SAR）图像受到相干斑噪声的干扰,严重影响了SAR图像的后续处理的问题,提出一种在非下采样轮廓变换（Nonsubsampled Contourlet Transform,NSCT）域将中值滤波和邻域收缩法相结合的SAR图像去噪算法。该算法对原始SAR图像进行NSCT分解,得到低频子带和高频子带图像,对低频子带使用中值滤波处理以去除低频子带中的低频噪声,利用NSCT分解系数之间的相关性,使用邻域收缩法对子带图的系数进行收缩,以消除高频子带中的高频噪声。实验证明,该算法与小波域邻域收缩去噪算法和NSCT硬阈值去噪算法相比,在去噪性能和视觉效果方面均有所提高,在消除噪声同时可以较好地保护纹理细节信息。     

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NSCT 域感受野模型的图像融合方法

针对多传感器图像融合问题,提出了一种基于非下采样轮廓波变换域感受野模型的图像融合方法.首先,采用非下采样轮廓波变换对源图像进行多尺度、多方向稀疏分解;然后,对低频子图像采用改进型感受野模型进行融合,高频子图像则采用自适应Unit-Fast-Linking脉冲耦合神经网络模型进行融合;最后,将各子图像进行非下采样轮廓波逆变换,得到最终融合图像.仿真实验表明了所提出方法的有效性.     

基于非子采样Contourlet变换的遥感图像融合算法

针对人类视觉特性, 以及全色高分辨图像和多光谱遥感自身的特点, 提出一种非下采样 Contourlet (NSCT) 域的图像融合新策略. NSCT 具有好的多分辨、移不变和多方向等特性, 能对图像中的边缘和围线信息给出渐近最优表示. 为了更好地保持空间分辨率和颜色分量, 引入基于 LHS 变换的亮度成分叠加策略. 实验结果表明: 本文提出的融合方法在提高空间分辨率的同时较好地保持了光谱信息. 与传统的 PCA 方法、基于 IHS 的融合方法、基于小波加权的融合方法, 以及同样采用本文的融合策略、分别基于小波变换和基于 Contourlet 变换的融合策略相比较, 本文方法在视觉效果和客观衡量指标两方面都有所改善.     

基于NSCT变换的红外空中小目标检测方法研究

针对空中远距离红外小目标检测的实际问题,提出了一种基于非抽样轮廓波变换的检测算法。首先利用非抽样轮廓波变换的优良t}质,通过分析噪声系数、背景边缘系数和目标系数在尺度间的不同特性,计算各个信号在尺度间的相关系数并归一化。接下来,按照自适应阂值法抑制噪声和背景边缘系数,然后通过反变换得到抑制背景增强目标的图像。最后,结合目标面积信息选择适当阂值,对重构图像进行分割,生成单帧检测结果并进一步利用帧间目标位置的相关性完成小目标检测过程。试验结果表明,提出的算法能够准确地检测目标。相对于通常的小目标检测算法,本算法在背景抑制方面具有一定的优势,能够获得相对较高的信噪比。     

遥感图像融合的非采样Contourlet变换方法

有效地融合高分辨率全色遥感图像(PAN)和低分辨率多光谱图像(MS),均衡融合结果中的空间细节信息和光谱信息两项特征指标,是多源遥感图像融合技术的难点。为了提高融合后图像的质量,提出了一种基于非采样Contourlet变换(NSCT)的融合方法。由于"非采样Contourlet变换"采用非采样滤波器组实现,具有移不变、高方向性和各向异性的特点,能够较好地弥补"采样的Contourlet变换(CT)"的缺陷,并且解决了小波变换方向性差的问题。实验中,以Landsat TM5图像和SPOT图像进行了算法的验证,并针对传统的直接替换、绝对值选大和局部方差选大等多分辨率融合算法与离散小波变换(DWT)及"采样的Contourlet变换"进行了对比分析,结果表明,本文方法在提高空间信息的同时,可以较好地保持原始多光谱图像中的光谱信息,弥补了"采样的Contourlet变换"在遥感图像融合应用中会导致严重的色彩畸变的缺陷。从而证明了NSCT在遥感图像融合领域是一种有效的多分辨率分解策略,可以被成功的应用到遥感图像融合应用中。     

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。