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。     

非下采样Contourlet域自适应阈值面的磁瓦表面缺陷检测

为提高磁瓦表面缺陷人工检测效率、防止缺陷漏检,针对经典缺陷检测算法不能很好地提取颜色暗、对比度低的磁瓦图像缺陷问题,提出一种非下采样Contourlet域自适应阈值面的磁瓦缺陷自动检测方法.该方法根据非下采样Contourlet变换(NSCT)子带系数所在不同区域的特性,采用线扫描的方式对NSCT系数进行阈值处理,给出不同尺度、不同方向的归一化自适应阈值面;并与原始NSCT各子带归一化系数对比分割,以实现对磁瓦图像NSCT系数逐列自适应修正;最后重构NSCT系数提取出磁瓦缺陷.实验结果表明,文中方法能够有效地去除磁瓦表面纹理,提取出磁瓦表面缺陷的准确率可达95%.     

基于非采样Contourlet变换多传感器图像融合算法

针对同一场景多聚焦图像的融合问题, 提出了一种基于非采样 Contourlet 变换 (Nonsubsampled Contourlet transform, NSCT) 图像融合算法. 并对经 NSCT 分解得到的不同频域子带系数, 分别讨论了低频子带系数和各带通方向子带系数的选择方案. 在选择低频子带系数时, 提出了一种基于图像局部区域梯度能量和``加权平均'相结合的系数选择方案, 从而不仅能够恰当地选择融合后图像的 NSCT 系数, 还能够有效地抑制噪声对融合图像质量的影响; 在选择带通方向子带系数时, 充分利用了 NSCT 的方向特性以及各尺度子带图像与源图像尺寸大小相同的特性, 给出了非采样 Contourlet 域方向对比度的概念, 并提出了一种基于方向对比度的系数选择方案. 采用了多聚焦图像进行仿真实验, 并对融合结果进行了主客观评价. 实验结果表明, 相比于传统的基于小波变换的图像融合算法, 该算法能够有效避免``人为'效应或高频噪声的引入, 得到具有更好视觉效果和更优量化指标的融合图像.     

基于Contourlet域的SAR图像去噪算法

从SAR图像斑点噪声特性和Contourlet变换系数的统计特点出发,将Contourlet变换与二元收缩去噪模型相结合,提出一种新的基于Contourlet变换的SAR图像去噪方法。对于高分辨率SAR 图像,该算法能更有效地去除SAR图像上的斑点噪声。     

非下采样Contourlet域GCV准则SAR图像去噪*

首先对SAR图像作非下采样Contourlet分解,充分考虑其系数统计特性,给出非下采样Contourlet域GCV准则,对每个分解层的各个子带作多层阈值估计和软阈值收缩处理,进而详细探讨分解层数和方向分解数对NSCT性能的影响。实验结果表明,该方法从视觉效果和客观衡量指标两方面都取得了比较理想的效果。     

侧扫声纳图像的NSCT域模极大值边缘检测

侧扫声纳图像边缘检测较困难,为此,提出一种针对该图像特点的多尺度边缘检测方法。对侧扫声纳图像进行非下采样Contourlet变换(NSCT)分解,根据斑点噪声在NSCT域的分布特点,进行局部自适应去噪。通过各方向子带沿边缘方向的插值和非极大值抑制寻找模极大值点。通过类内方差最小化法自适应确定阈值,由阈值处理得到各子带的边缘。经边缘融合实现完整的边缘图。实验结果表明,该方法具有边缘检测完整、定位准确、伪边缘点少等优点。     

基于NSCT域自适应缩减原理的SAR图像去噪

根据SAR图像在NSCT变换域中高频子带系数的现实分布特性,提出一种自适应缩减原理的SAR图像去噪方法,使分解后的高频子带系数中代表噪声的系数得到有效抑制,而代表边缘细节的系数得到完美保护,经NSCT反变换后得到较理想的去噪图像,实测SAR图像的去噪结果表明该方法在减少噪声的同时很好地保持了图像的细节,实验证明该方案比原有的去噪方法具有更好的边缘保持性能和后向散射系数保持性能.     

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。     

基于多尺度域和能量特征分析的航空图像增强

为了有效地解决航空图像在雾霾等恶劣天气下存在边缘和细节丢失、对比度低的问题,提出了一种结合非下采样Contourlet域和能量特征的引导滤波航空图像增强算法。该算法首先将低质的航空图像进行非下采样Contourlet变换(NSCT),得到一个低频子带和多个高频子带;之后对低频子带线性拉伸以提高对比度,高频部分先采用基于能量特征改进的自适应Bayes阈值进行噪声抑制,再进行引导滤波增强,以提升和优化边缘信息的保持能力;最后将图像进行NSCT反变换,得到最终的增强效果图。大量实验结果表明,该算法能较好地增强图像边缘细节信息,明显提升图像的整体观感,并具有一定的抗噪能力。     

一种新的SAR图像快速自适应去斑算法

针对SAR图像斑点噪声的滤除,提出了一种新的基于Countourlet变换的快速自适应性噪声去除方法。鉴于SAR图像的Countourlet系数主要取决于斑点噪声和信号腐化,且呈现出很强的非高斯分布特性,据此,首先建立了SAR图像Countourlet系数的高斯混合分布解析模型;然后用每个系数的邻域系数通过估计其去斑收缩因子来实现系数的自适应收缩;最后对Lee滤波、Foster滤波、Gamma滤波、小波、Curvelet和Contourlet变换的去斑性能进行了比较分析。实验结果表明,该新方法在保留细节和锐化图像的同时,能强有力地抑制斑点噪声。     

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.     

小波去噪在智能引线键合机图像处理中的应用

针对小波去噪中硬阈值法和软阈值法存在的缺陷,提出了一种新的多尺度自适应阈值选择算法,该方法根据小波变换的特点和噪声信号的3σ,准则,对于不同的小波系数乘以一个与自身小波系数相关的降噪因子.在现有的图像去噪评估算法的基础上,提出了基于图像平滑度和匹配度的去噪效果评估算法.实验结果表明:多尺度自适应阈值选择算法能有效去除图...     

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.     

循环平移和非下采样在轮廓波去噪中的应用

轮廓波变换是小波变换的新发展,是一种多方向、多尺度的几何分析工具,能更有效地捕捉图像的几何结构。传统的轮廓波变换因包含有下采样操作,使得它不具备平移不变性,从而会在图像去噪过程中引入伪吉布斯（Gibbs）现象。分别采用循环平移及非下采样滤波器组两种方法对其改进,着重从计算复杂度、去噪效果、噪声水平依赖性等方面对两种改进方法的去噪效果进行了对比。     

小波域中的自适应模糊阈值图像去噪

对小波阈值去噪中的常用阈值和阈值函数进行分析,提出一种自适应的模糊阈值去噪算法,该算法在BayesShrink阈值基础上,通过增加一个修正因子,并结合模糊理论,自适应地对图像进行模糊阈值函数处理。实验表明该算法与BayesSbrink软阈值函数去噪算法相比,去噪后图像的峰值信噪比PSNR和最小均方误差MSE均有所提高,并且图像也更清晰,具有较好的去噪效果。     

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。