基于二代曲波变换的图像融合方法

提出了一种基于第二代曲波变换的图像融合方法。首先对源图像进行曲波变换,粗尺度系数采用加权平均的融合规则,细尺度系数采用基于区域标准差的融合规则,然后对细尺度系数进行一致性校验,最后进行图像重构得到融合图像。数值实验结果表明,该方法有效,性能优于基于小波变换的图像融合方法。     

基于小波变换与曲波变换的图像插值

提出了一种组合小波变换与曲波变换稀疏约束的图像插值算法。利用小波变换对图像纹理成份和曲波变换对图像卡通成份的稀疏表示特性,首先将图像插值问题转化成稀疏约束的图像重建问题,然后通过迭代投影对复原最优化问题进行求解,从而实现成份自适应的图像插值。实验结果表明,相比于现在有图像插值算法,本文算法可以显著地提高被插值图像的峰值信噪比(PSNR)和视觉质量。     

基于Shearlet变换与区域分割的遥感图像融合

结合区域分割理论,提出了一种基于Shearlet变换 的遥感图像融合算法。首先通过色度H-亮度I-饱和度S(HI S) 变换对多光谱图像进行分解,将I分量与全色图像进行Shearlet变换,得到低 频、高频信息图;然后对 低频信息图进行基于灰度的区域分割,两图像的低频部分使用改进的加权融合算法改善融 合图像轮廓模 糊问题,以区域匹配度作为融合规则,高频分量采用区域清晰比作为融合规则,得到更多 的细节信息; 最后通过HIS逆变换得到融合图像。实验结果表明,本文算法 所得融合图像在有效地保持了多光谱图像光谱信息的同时,提高了空间细节信息。     

基于Curvelet变换与分形的遥感图像融合

基于Curvelet变换对于图像的光谱信息保留和分形原理,针对图像的纹理信息提取的特性,提出了一种基于Curvelet变换与改进的分形布朗运动分维数计算的新的融合算法。对多光谱与全光谱图像进行了融合实验,并与传统的基于小波变换和高频系数取大算法进行了对比。实验证明,文中算法在图像光谱信息保留和纹理细节信息等方面具有良好的性能。     

基于小波变换的图像融合技术研究

基于小波变换的融合算法形成了多分辨率融合算法的一个新的有用框架。由于人类视觉只对亮度信号的局部对比度敏感,提出了小波对比度的概念。图像经小波多分辨率分解后,依照小波对比度,定义变换系数邻域活性和系数匹配程度测度,按照系数匹配程度加权系数形成融合图像。将小波多分辨率分解和人类视觉对局部对比度敏感的特性优雅地结合在一起。     

基于小波变换图像融合算法的研究

图像融合技术是将获得的两个或两个以上图像进行融合,生成一个新的图像的过程。本文通过对小波变换理论的分析研究,运用高频融合规则和低频融合规则,对图像进行加权融合,然后将新生成的图像与原图像进行对比。本文运用MALTAB软件对小波变换的融合算法进行仿真,使得实验结果能够很清晰明了的体现出来,充分展示出图像融合技术的优势所在。     

基于小波变换的不同融合规则的图像融合研究

图像融合是一种重要的增强图像信息的方法。提出了一种基于多尺度分解的像素图像融合方法。利用小波变换按照不同融合规则及融合算子构造融合图像对应的小波系数。通过对可见光图像与红外图像进行融合的实验比较表明，以像素的局部能量为准则的融合效果更好，既可避免传统融合规则的信息损失，又提高了融合图像的空间分辨率和清晰度，融合图像更符合人的视觉特性，也有利于机器视觉。     

一种自适应模糊密度赋值的小波变换遥感图像融合算法

该文提出了一种基于模糊积分的多光谱图像和全色遥感图像融合算法。该算法首先由多光谱图像和全色图像的小波系数来获取模糊积分的信度函数,再依据小波系数的局部窗口内的方差自适应的构造模糊密度,然后由模糊积分计算融合后的小波系数,最后进行小波逆变换,得到融合图像。实验表明,采用新的基于模糊积分的融合方法,只要选择适当的模糊密度,就可以使得融合图像在提高空间细节质量的同时,相比其它融合算法能够具有更好的光谱质量。     

基于小波变换的图像融合方法

数据融合是80年代初形成与发展起来的一种信息综合处理技术。图像融合是数据融合在数字图像处理方面的一个应用。本文着重讨论了基于小波变换的两种融合方法：基于像素的融合方法与基于区域的融合方法，及它们各自的实现方式。     

一种基于Curvelet变换的图像融合新算法

基于Curvelet变换提出了一种新的融合算法.首先将图像进行Curvelet 变换,然后对粗尺度系数和细尺度系数采用不同的融合规则将Curvelet 系数融合,最后进行重构得到融合结果.对得到的融合图像进行了主客观评价和对比,实验结果表明,本文方法得到的融合图像,在熵、均方误差(MSE)、峰值信噪比(PSNR)和相似度等客观指标上都优于其他方法.     

基于二代curvelet与wavelet变换的自适应图像融合

针对同一场景红外图像与可见光图像的融合问题,提出了一种基于二代curvelet与wavelet变换的自适应图像融合算法。首先对源图像进行快速离散curvelet变换,得到不同尺度与方向下的粗尺度系数和细尺度系数;根据红外图像与可见光图像的不同物理特性以及人类视觉系统特性,对不同尺度与方向下的粗尺度系数和细尺度系数采用基于离散小波变换的图像融合方法,在小波域中,对低频系数采用基于红外图像与可见光图像的不同物理特性的自适应融合规则,对高频系数采用基于邻域方向对比度与局部区域匹配度相结合的自适应融合规则,然后进行小波逆变换得到融合的curvelet系数;最后,进行快速离散curvelet逆变换得到融合图像。实验结果表明,该方法能够更加有效、准确地提取图像中的特征,是一种有效可行的图像融合算法。     

一种基于整数小波变换的遥感影像融合算法

提出了一种IHS变换和整数小波变换相结合的遥感影像融合算法(IHS-IWT),并根据待融合图像的特点,选取了有效的融合策略.首先对中巴卫星多光谱影像进行IHS变换,然后对得到的亮度分量和Landsat ETM 高分辨率全色影像进行整数小波融合,最后通过整数小波逆变换得到融合的图像.实验结果表明,与IHS变换等方法比较,该方法在较好的保留光谱信息的同时,空间细节信息也得到了增强,并且具有较快的处理速度.     

基于Curvelet变换的SAR与可见光图像融合研究

提出了一种基于Curvelet变换的合成孔径雷达(SAR)与可见光图像融合方法,设计了一种有效抑制噪声并充分保留源图像重要特征的融合规则。采用偏差指数、相关系数及等效视数指标对融合效果进行评价。实验证明,该方法明显优于基于小波和Ridgelet变换的融合方法。     

基于均匀离散曲波变换的多聚焦图像融合

利用均匀离散曲波变换（UDCT）多尺度、多方向、低冗余等特征,提出了一种新的多聚焦图像融合方法。首先使用UDCT对源图像进行多频带分解;然后根据多聚焦图像的特点,对分解后的低频子带系数运用一种基于改进拉普拉斯和算子的方案进行融合,对高频方向子带系数运用基于局部能量的融合规则进行融合,并对融合系数做一致性检测;最后重建各子带系数得到融合图像。实验结果表明:所提方法可以有效地融合源图像中的方向信息和细节特征,同时抑制了融合图像中的伪Gibbs现象;与基于拉普拉斯金字塔分解、小波变换以及轮廓波变换的图像融合方法相比,该方法取得了更好的视觉效果和量化结果。     

基于对偶树复小波域HMT模型的遥感图像融合

针对遥感图像融合领域的实际应用,提出一种基于对偶树复小波变换与隐马尔可夫树模型结合的图像融合新方法。该算法将分别具有高光谱和高空间分辨率优势的两幅图像进行复小波变换,再对分解后不同频率域的系数选择不同的融合规则处理。采用低频系数加权平均;高频系数先建模,再基于区域能量规则处理的方法,最后完成逆变换得到重构图像。将该算法与其他几种图像融合方法进行比较,实验表明,该算法能够取得较为理想的效果。     

基于Shearlet变换的遥感图像增强

遥感图像具有整体亮度偏暗、对比度较低和目标与 背景区分不明显的特点,遥感图像增强技术对于改善图像的对比度、突出某些局部细节等起 着积极的作用,图像的多尺度系统已经成功应用在图像处理中。经典的多尺度系统曲波(Cur verlet)变换、 轮廓波(Contourlet)变换无法将连续性与数字世界进行统一处理,而Shearlet变换是目前多 尺度领域 内唯一满足这一性质同时还提供对图像的最优稀疏表示的多尺度系统。本文提出一种基于Sh earlet变换的遥感图像增强 算法,首先将遥感图像进行Shearlet分解,然后对Shearlet变换产生的低频系数进行模糊对 比增强,对各尺度各 方向的高频系数进行模糊增强。实验结果表明,本文算法增强的结果,在主观上能获得很好 的视觉效果,客观指标中图像熵和均值有了大幅度的提升。     

基于图形小波变换的遥感图像表示与去噪

离散小波变换(Discrete Wavelet Transform,DWT)通常用于图像的表示。然而,对于具有不规则形状边缘的图像,尤其是对于纹理和细节信息较多的遥感图像,DWT却很难有效表示,进而影响后续去噪效果。针对该问题,提出了一种基于图形小波变换(Graphic Wavelet Transform,GWT)的图像去噪方法。首先,将图像表示为图形信号,并通过该图形信号的谱表示构造相应的变换矩阵;然后,设计了一种改进自适应阈值的图像去噪方法,在GWT变换域内对图像去噪。实验结果表明,与常用的图像去噪方法相比,所提算法能够提供更好的图像主观质量。采用均方根误差(Root Mean Square Error,RMSE)和峰值信噪比(Peak Signal-to-Noise Ratio,PSNR)作为客观指标,结果表明,采用所提方法得到的重建图像客观质量更优。