非降采样Contourlet域内空间频率激励的PCNN图像融合算法

Nonsubsampled contourlet transform (NSCT) 能够提供灵活的多分辨率分解, 具有各向异性和图像方向性扩展特点. 与原始的Contourlet相比, 它是频移不变的, 能有效克服Contourlet变换中的伪吉布斯现象. 脉冲耦合神经网络(Pulse Coupled Neural Networks-PCNN)是一种具有视觉生理学基础的神经网络, 具有全局耦合和神经元同步脉冲发放特性, 已经被成功应用于图像处理和图像融合中. 本文将NSCT与PCNN结合起来, 充分利用二者的特性. 以NSCT变换域内系数的空间频率激励PCNN神经元, 选择点火次数大的系数作为融合图像的系数, 经NSCT反变换得到融合图像. 实验表明, 本文算法无论在视觉效果还是客观评价指标上, 都优于基于小波变换、基于Contourlet变换、基于PCNN和基于Contourlet-PCNN等融合算法.     

基于Surfacelet变换的3D Context模型视频去噪新方法

 本文将3D Context模型应用于Surfacelet变换域,提出一种新的视频去噪方法.Surfacelet变换(ST)是一种新的3D变换,具有多方向分解、各向异性和低冗余度等性质.根据视频信号ST域内系数和噪声分布的特征,将2D Context模型拓展到3D,按照能量分布将ST系数分成多个子块,每个子块有独立的能量和阈值估计.实验结果表明,本文算法噪声抑制效果明显优于分层2D去噪声方法和其它现有的3D方法,去噪视频的PSNR值提高了约2dB.从视觉效果来看,本文算法在去除噪声的同时,能很好的保留视频图像细节,运动物体非常平滑,有效解决传统算法中存在的拖影、闪烁等问题,尤其适合于包含剧烈运动和丰富纹理图像的视频.