结合NSCT和邻域特性的红外与可见光图像融合

针对传统的融合方法对比度低、纹理信息保留不充分等问题,结合模糊增强特性,提出一种结合NSCT和邻域特性的红外与可见光图像融合算法。首先,对待处理的红外图像和可见光图像进行NSCT变换分解得到各自的高低频子带系数,接着对模糊增强后的低频子带系数采用改进的区域能量加权平均融合方案,同时对高频子带系数采用灰度变化和梯度差异加权融合方案,最后将高低频融合系数经NSCT逆变换得到融合图像。实验结果表明,融合后的图像目标细节清晰突出,与其他融合算法相比更具有先进性与有效性。     

一种基于非采样Contourlet变换红外图像与可见光图像融合算法

针对同一场景红外图像与可见光图像的融合问题,提出了一种基于非采样Contourlet变换(Nonsubsampled Contourlet Transform,NSCT)图像融合算法.算法首先采用NSCT对源图像进行多尺度、多方向分解,得到低频子带系数和各带通方向子带系数.然后,针对低频子带系数的选择,提出了一种基于红外图像与可见光图像物理特征的"加权平均"系数选择方案;针对各带通方向子带系数的选择,结合人眼视觉特性,提出了一种基于区域能量匹配的系数选择方案,得到融合图像的NSCT系数.最后经过NSCT逆变换得到融合图像.实验结果表明该算法可获得较理想的融合图像,其融合效果优于传统的基于离散小波变换以及离散小波框架变换的图像融合算法.     

基于稀疏表示和NSCT-PCNN的红外与可见光图像融合

针对小波变换容易造成细节信息丢失、非下采样轮廓波变换(NSCT)分解的低频子带系数不稀疏以及红外与可见光图像融合结果综合性能不佳的问题,提出了一种基于稀疏表示和NSCT-PCNN的红外与可见光图像融合算法。首先将源图像进行NSCT分解,获得低、高频子带;其次,利用K奇异值分解(K-SVD)算法对低频子带进行字典训练,实现低频子带的稀疏表示和低频稀疏系数的融合;然后,利用高频子带的空间频率激励脉冲耦合神经网络(PCNN),选择较大点火次数的系数作为高频子带的融合系数;最后对低、高频子带融合系数进行NSCT逆变换,得到融合的图像。实验结果表明,该算法在视觉效果和客观指标方面均具有较大优势,且融合结果综合性能优于现有算法。     

基于NSCT和PCNN的可见光与红外图像融合算法

提出了一种基于Contourlet变换的非下采样变换(Nonsubsampled ContourletTransform,NSCT)和脉冲耦合神经网络(Pulse Coupled Neural Network,PCNN)的可见光与红外图像融合算法。该算法首先对源图像进行NSCT分解,得到低频子带系数和各带通方向子带系数。然后对低频子带系数提出一种基于可见光与红外图像自身特性的加权平均融合方法,再对各带通子带系数提出基于PCNN的融合方法。最后经过NSCT逆变换得到融合图像。实验证明,该方法优于小波方法和传统的NSCT方法。     

基于热辐射信息保留的图像融合算法

针对现有的红外与可见光图像融合算法无法很好地保留红外图像热辐射信息这一问题,提出了一种基于热辐射信息保留的图像融合算法。通过NSCT（non-subsampled contourlet transform）变换对红外与可见光图像进行多尺度分解,得到各自的高频子带和低频子带,可见光低频子带部分经拉普拉斯算子提取特征后与红外低频子带部分叠加得到融合图像的低频系数,高频部分使用基于点锐度和细节增强的融合规则进行融合以得到高频系数,最后通过逆NSCT变换重构得到融合图像。实验表明,相较于其它图像融合算法,所提算法能在保留红外图像热辐射信息的同时,保有较好的清晰细节表现能力,并在多项客观评价指标上优于其它算法,具有更好的视觉效果,且在伪彩色变换后有良好的视觉体验,验证了所提算法的有效性和可行性。     

基于NSCT的红外与可见光图像融合方法

针对红外与可见光图像在融合时亮点目标易丢失且背景信息不够清晰的问题,提出基于非下采样轮廓波变换(NSCT)与局部区域融合规则相结合的红外与可见光图像融合方法。利用NSCT对源图像进行多尺度、多方向分解,对低频子带系数采用加权平均取均值的融合规则,对高频子带系数采用系数值选大与局部均方差相结合的融合规则,将前两步得到的系数进行逆NSCT得到融合图像。实验结果表明,在主观视觉效果和客观评价方面,该融合算法都是有效的且可得到比参考融合算法更为理想的融合图像。     

基于CSR和能量特征的红外与可见光图像融合

传统稀疏表示(SR)分块处理策略降低了图像连续性,使得特征信息损失严重。因此,提出了基于卷积稀疏表示(CSR)和能量特征的红外与可见光图像融合算法。该算法将非下采样轮廓波变换(NSCT)域低频子带分解成低频基础分量和细节特征分量,使用局部拉普拉斯能量法(LLE)和卷积稀疏表示分别进行融合,获得低频子带融合图像。同时,根据底层视觉特征构建新活性度量方法来融合高频子带,最后对高、低频部分进行NSCT反变换重建。实验结果表明:该算法有效结合了源图像的边缘纹理信息,在主观和客观评价上皆优于现有的大部分算法。     

基于NSCT和最小化-局部平均梯度的图像融合

针对传统红外图像与可见光图像融合存在对比度低、细节丢失、目标模糊等问题,本文基于非下采样轮廓波变换（Non-subsampled Contourlet Transform,NSCT）的思想,通过改进权重函数和融合规则,建立新的融合算法实现红外图像和可见光图像的有效融合。首先,通过NSCT变换对红外和可见光图像进行多尺度分解得到对应的低频系数和高频系数。然后,采用改进的最小化规则和局部平均梯度规则分别对低频系数和高频系数进行融合处理,得到对应的最优融合系数,并将所得融合系数进行NSCT逆变换得到最终融合图像。最后,使用公共数据集与其他5种算法进行对比实验,并在7个具有实际意义的性能评价指标约束下,验证所设计算法的有效性和鲁棒性。     

模糊逻辑与特征差异驱动的红外偏振图像融合模型

利用non-subsampled contourlet transform(NSCT)对红外偏振与红外光强图像进行分解,得到源图像的低频子带和高频方向子带。通过对红外偏振和光强图像差异特征的分析,对低频选取局部能量和局部信息熵提取差异特征,然后利用模糊逻辑融合低频子带的不确定区域,利用特征差异驱动来融合低频子带的确定区域;对高频选取局部边缘信息保留量和局部方差提取差异特征,然后利用模糊逻辑融合高频方向子带的不确定区域,利用特征差异驱动来融合高频方向子带的确定区域。最后利用NSCT对高低频子带进行逆变换得到最后的融合图像。从而建立起基于模糊逻辑与特征差异驱动的红外偏振图像融合模型。实验仿真结果表明,该融合模型可融合源图像互补的差异特征,使其在目标识别和分类中具有一定的应用价值。     

卷积神经网络结合NSST的红外与可见光图像融合

传统的多尺度红外与可见光图像融合方法,所提取的图像特征固定,并不能很好的应用于各类复杂的图像环境,而深度学习可以自主选择合适图像特征,改良特征提取单一性问题,因此提出一种基于卷积神经网络与非下采样剪切波变换（NSST）相结合的红外与可见光图像融合方法。首先,用卷积神经网络提取红外目标与背景的二分类图,利用调频（FT）显著性检测算法对分类图进行精准分割,同时,利用NSST将源图像多尺度、多方向进行分解;其次,利用目标显著性结合自适应模糊逻辑算法进行低频子带融合,利用高频系数局部方差对比度方法进行高频子带融合;最后,通过NSST逆变换得到融合后图像。实验结果表明:相比于传统图像融合算法,该方法在信息熵、平均梯度、空间频率、互信息和交叉熵等多个客观评价指标上至少分别提高了0.01%、0.30%、1.43%、2.32%、1.14%。一定程度提高了融合图像对比度,丰富了背景细节信息,更有利于人眼识别,可以广泛的应用于光电侦察、光电告警、多传感器信息融合等光电信息领域。     

基于四阶相关系数的NSCT域红外与可见光图像融合

采用非下采样Contourlet变换(NSCT)模型提出了基于四阶相关系数的红外与可见光图像融合方法。首先对融合图像进行多尺度和多方向分解;对于低频分量,充分考虑红外和可见光图像物理特性的差异,采用基于区域平均梯度的融合策略;对高频分量采用四阶相关系数匹配策略来选择合适的高频系数;最后对融合后的系数进行NSCT逆变换得到融合图像。实验结果表明,该融合算法能更好地保留目标信息,同时也显著地提高了图像的信息量,在主观视觉效果和客观评价方面具有较好的融合性能。     

自适应标准差特征的压缩感知图像融合

针对传统压缩域融合算法单一、融合效果不佳的问题,文中提出了结合图像高频特征的自适应融合规则。首先,对融合图像进行 NSCT变换,分解后得到的低频子带系数采用区域能量融合规则,以获取较传统低频系数处理更好的融合效果; 由于分解后的高频子带系数具有较高稀疏性,因此通过 CS 进行压缩后自适应选择融合规则,最后对重构系数进行 NSCT逆变换。实验结果表明：与传统经典算法相比,新方法兼顾了待融合图像的背景信息和红外目标信息,有效提高了图像的融合效果。     

马氏距离与引导滤波加权的红外与可见光图像融合

为使红外与可见光融合图像获得更好的分辨率和清晰度,提出基于非下采样轮廓波变换（non-subsampled contourlet transform, NSCT）的马氏距离加权拉普拉斯能量和与引导滤波改进（frequency tuned, FT）结合的红外与可见光图像融合算法。首先,对可见光图像进行对比度受限的自适应直方图均衡（contrast limited adaptive histogram equalization, CLAHE）,并将红外图像与CLAHE处理后可见光图像进行NSCT变换,分解为低频和高频; 其次,对FT算法使用引导滤波进行改进,利用改进的FT算法提取红外图像显著性图自适应加权融合低频图像,对高频图像使用基于马氏距离加权的拉普拉斯能量和取大融合; 最后,对融合的低频和高频图像进行NSCT逆变换获得融合图像。实验结果表明,该融合方法相较其他传统融合方法,在主观视觉上和客观指标上都有较好的表现。     

一种基于蚁狮最大熵算法与引导滤波的图像融合算法

传统红外与可见光图像融合算法中易出现目标提取不够充分、细节丢失等问题,导致融合效果不理想,从而无法应用于目标检测、跟踪或识别等领域。因此,该文提出一种基于蚁狮优化算法(ALO)改进的最大香农(Shannon)熵分割法结合引导滤波的红外与可见光图像融合方法。首先,使用蚁狮最大熵分割法(ALO-MES)对红外图像进行目标提取,然后,对红外和可见光图像使用非下采样剪切波变换(NSST),并对获得的低频和高频分量进行引导滤波。由提取的目标图像与增强后的红外和可见光低频分量通过低频融合规则得到低频融合系数,增强后的高频分量通过双通道脉冲发放皮层模型(DCSCM)得到高频融合系数,最后经NSST逆变换得到融合图像。实验结果表明,所提算法能够得到目标明确、背景信息清晰的融合图像。     

基于NSCT和改进型PCNN的红外与可见光图像融合算法

针对现有红外与可见光图像融合算法中易出现目标信息丢失或减弱的情况,提出了一种基于非下采样Contourlet变换和改进型脉冲耦合神经网络的融合算法.该算法首先对经过预处理和图像配准后的红外和可见光图像进行非下采样Contourlet变换,分别得到两幅图像的高频系数和低频系数;其次,采用改进型脉冲耦合神经网络对源图像高频系数进行融合,用区域能量最大处理低频系数;最后,对融合后的系数进行非下采样Contourlet反变换,得到融合后的图像.实验结果表明,本文算法在主观视觉上显示了更多的图像细节信息,同时客观数据指标也有不同程度的提升.     

基于SGWT和多显著性的红外与可见光图像融合

由于谱图小波变换（Spectral Graph Wavelet Transform, SGWT）可充分利用图像在图域中的光谱特性,本文结合其对不规则小区域表达的优势,提出了一种基于多显著性的红外与可见光融合算法。首先应用SGWT将源图像分解成一个低频子带和若干个高频子带;对于低频系数,将多个互补的低层特征结合起来,提出了一种适合人眼视觉特征的多显著性融合规则,对于高频系数,充分考虑邻域像素的相关性,提出了一种区域绝对值取大规则;最后,应用了一种加权最小二乘优化（weighted least squares, WLS）方法对谱图小波重构的融合图像进行优化,在突出显著目标的同时尽可能多地保留可见光的背景细节。实验结果表明,与DWT（Discrete Wavelet Transform）、NSCT（Non-down Sampled Contourlet Transform）等7种相关算法相比,在突出红外目标的同时还能保留更多的可见光背景细节,具有较好的视觉效果;同时在方差、熵、Q_abf和互信息量4个客观评价上也均占据优势。     

基于NSST-DWT-ICSAPCNN的多模态图像融合算法

为了增加融合图像的信息量,结合非下采样剪切波变换（Non-Subsampled Shearlet Transform, NSST）和离散小波变换（Discrete Wavelet Transform, DWT）的互补优势,提出了改进的多模态图像融合方法。采用NSST对两幅源图像进行多尺度、多方向的分解,得到相应的高频子带和低频子带;利用DWT将低频子带进一步分解为低频能量子带和低频细节子带,并利用最大值选择规则融合能量子带;采用改进连接强度的自适应脉冲耦合神经网络（Improved Connection Strength Adaptive Pulse Coupled Neural Network, ICSAPCNN）分别融合细节子带和高频子带,并对能量子带和细节子带进行DWT逆变换,得到融合的低频子带;采用NSST逆变换重构出细节信息丰富的融合图像。实验证明,提出的算法在主观视觉和客观评价方面均优于其他几种算法,且能同时适用于红外与可见光源图像、医学源图像的融合。