基于Contourlet变换的红外弱小目标检测方法

介绍了存在背景干扰和噪声情况下的红外图像中弱小目标的检测问题,提出一种基于Contourlet变换的检测算法。首先对图像进行Contourlet变换,利用Contourlet分解后子图像的特性抑制背景和去噪声,最终实现对目标的检测。通过在含有随机目标的红外序列图像中的实验,并与小波变换进行比较,证明了算法的有效性。     

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.     

基于循环平移Contourlet变换的红外小目标检测方法

分析了在有噪声和背景干扰情况下检测红外小目标的方法,提出了一种将循环平移Contourlet变换去噪 方法和自适应阈值分割方法相结合的红外小目标检测算法。该方法首先对原始图像进行循环平移阈值去噪,再用原始图像减去 去噪图像,对得到的残差图像进行自适应阈值分割,分离出少量的候选目标点,最后利用目标运动的连续性和一致性检测出 目标。分别用Contourlet变换法、小波变换法和本文提出的检测法对小目标进行了检测。仿真结果表明,本文提出的检测方法 能较精确地检测出序列图像中的红外小目标,检测效果优于Contourlet变换法和小波变换法。     

一种基于多尺度距离像的红外小目标检测方法

本文提出了一种基于背景纹理分析和多尺度距离像分析的目标检测方法.通过小波多尺度分解来提取不同分辨率下背景纹理的能量特征,并计算这些特征向量与中心向量的距离,从而得到相关的距离像,目标检测在所得的距离像上完成.在检测过程中利用红外小目标的特性,根据分析距离像统计直方图来实现检测门限的自适应选取.实验证明该方法取得了较好的效果.     

基于Nonsubsampled Contourlet变换的SAR图像形状特征检索

Nonsubsampled Contourlet变换是一种非抽取得具有平移不变性的多尺度多方向的变换。将Canny算子和Nonsubsampled Contourlet变换(NSCT)[1]相结合,对图像运用Canny算子[2]提取边缘特征,再进行Nonsubsampled Contourlet变换,引入了三阶中心矩作为特征向量提取形状特征的算法。实现了基于Nonsubsampled Contourlet变换的图像形状特征检索,并将结果与基于2-D小波变换和基于Contourlet变换的图像形状特征检索作了比较,实验结果证明该方法的图像形状特征检索效率有较大的提高。     

红外小目标小波多尺度相关检测方法

提出一种基于小波多尺度相关的目标检测方法.该方法通过二进小波对图像进行多尺度分析;利用边缘和噪声具有不同的Lipschitz指数造成它们的小波变换模在不同尺度下的不同传播特性,根据小波变换尺度相关性计算相邻大尺度模相关量用来增强信号,抑制噪声,提取粗略边缘图;并结合小尺度检测,具有定位精确的特点,将粗略边缘图与小尺度模图相与,寻找模极大值点,得到最终的检测结果.实验结果表明,该方法较传统的小波多尺度边缘检测方法能更加有效地进行红外小目标检测.     

基于小波变换的海面红外小目标检测

本文提出了一种基于小波多尺度分析的海面红外目标自动检测方法.在分析海空场景图像特征的基础上,利用小波多分辨率分析和小波变换良好的局部分析特性,研究了图像预处理和目标检测的小波分析方法.通过实验证明本文提出的检测算法在各种复杂的海空背景以及不同环境干扰下有较好的检测效果.     

基于MAC的红外小目标自适应检测

针对复杂背景下的红外小目标检测,介绍了一种基于小波包变换和最小平均代价的最佳全局自适应检测算法.通过对目标图像进行小波包降噪和非线性变换对比度增强处理抑制背景杂波、提高信噪比.分析并提取了一种用于目标检测的有效特征矢量,建立并验证了目标和背景不同模式下特征矢量的分布模型.根据该模型基于最小平均代价准则解算出最佳全局自适应分割门限,从而实现红外小目标的自适应检测.仿真实验表明,小波包变换与非线性图像增强处理具有良好的降噪性能,且最佳全局自适应检测法的检测性能优越.     

基于剪切波变换和邻域差分的小目标检测算法

提出了一种基于剪切波变换的背景预测算法用于红外小目标的检测。对原始图像进行剪切波变换,获得原始图像的多尺度和方向的细节特征。然后,对低频子带进行中值滤波,去除残留目标。对高频子带,根据其均方误差来调整权重系数,抑制目标和噪声。将反变换后得到的背景预测图像和原始图像进行差分,采用一种基于双窗口的邻域差分方法进行分割,最终实现目标检测。与小波变换法和双边滤波法比较,基于剪切波变换的方法对小目标的检测有较好的效果。     

基于Contourlet变换和Canny算子的图像边缘检测方法

现存的基于空间域或小波变换域的图像边缘检测算法只能有效检测出红外图像有限方向的边缘.由于这些算法没有充分利用邻域的信息,因此在边缘较为复杂的区域边缘检测结果中会出现较大的偏差.针对这一问题,提出了一种基于Contourlet变换和Canny算子的边缘检测算法,首先对原始图像进行Contourlet变换,然后利用各方向子带的方向信息及其梯度方向信息,对各个尺度进行边缘检测,最后通过逆变换,得到图像的边缘图像.实验结果表明了新算法可以提高边缘检测和保持的能力,有较强鲁棒性.     

基于SWBCT和投影特征的遥感目标识别

方向信息提取与小样本问题是遥感目标识别与应用的瓶颈,基于平稳小波的Contourlet变换(Stationary Wavelet Based Contourlet Transform,简称SWBCT)与投影特征相结合,本文提出了一种新的遥感目标特征提取与识别方法.首先采用改进的Contourlet变换SWBCT对遥感图像进行分解,然后对分解子带进行方向投影并求投影向量的统计特性作为目标特征,进而利用K近邻分类器进行目标识别.与小波、Contourlet等代表性方法进行比较,实验结果与分析表明,该方法不仅具有较高的识别率,而且在小样本情况下,依然可以得到较好的结果.     

Color image segmentation using adaptive color quantization and multiresolution texture characterization

This paper presents a new hybrid color image segmentation approach, which attempts two different transforms for texture representation and extraction. The 2-D discrete wavelet transform that can express the variance in frequency and direction of textures, and the contourlet transform that represents boundaries even more accurately are applied in our algorithm. The whole segmentation algorithm contains three stages. First, an adaptive color quantization scheme is utilized to obtain a coarse image representation. Then, the tiny regions are combined based on color information. Third, the proposed energy transform function is used as a criterion for image segmentation. The motivation of the proposed method is to obtain the complete and significant objects in the image. Ultimately, according to our experiments on the Berkeley segmentation database, our techniques have more reasonable and robust results than other two widely adopted image segmentation algorithms, and our method with contourlet transform has better performance than wavelet transform.     

抗混叠轮廓波变换及其在图像融合中的应用

研究了原始轮廓波变换的频谱混叠问题,设计出能抑制混叠的多尺度分解方案,结合方向滤波器组,实现了一种抗混叠的轮廓波变换.在此基础上,提出了新颖的基于抗混叠轮廓波变换的图像融合算法.该算法通过邻域一致性测度的计算,实现了变换系数的局部自适应融合.实验结果表明,所提出的方法在视觉质量及定量指标上都优于基于小波变换和轮廓波变换的传统方法.     

基于冗余小波变换的立体图像视差估计

通过分析目前立体视差估计方法的不足,提出一种基于冗余小波变换的视差估计新算法.首先对参考图像进行冗余小波变换,提取特征点,形成DT(Delaunay Triangle)网格,然后根据三角形特征点在目标图像中进行视差估计,最后通过仿射变换形成浓密视差图.实验表明该算法能有效获得视差矢量,视差匹配后能得到良好的重建图像.     

非高斯双变量模型contourlet图像去噪

Contourlet变换是继小波变换之后的又一新变换.由于contourlet变换的多尺度和多方向特性,能有效地捕获到自然图像中的轮廓,并对其进行稀疏表示.详细分析了图像contourlet系数的统计特性,并利用非高斯双变量分布对系数层间相关性进行建模.最后,将此分布应用于图像去噪,就PSNR、NMSE和视觉质量这三方面的评价指标与contourlet HMT和小波阈值法进行了比较.实验结果表明：算法能获得较好的结果,尤其是对于含有丰富纹理的图像.     

基于LS-SVM的复轮廓波变换的图像去噪

针对传统的轮廓波变换图像去噪时引入边缘混叠现象,提出了复轮廓波变换(Complex Contourlet Transform,CCT)和最小二乘支持向量机(LS-SVM)的图像去噪方法.该方法充分利用了复轮廓变换的平移不变性、多方向性以及LS-SVM的小样本学习能力,应用训练好的LS-SVM模型将含噪图像的CCT系数分为含噪点和非含噪点,进行去噪处理.仿真结果表明该算法有效保护图像边缘纹理信息,其峰值信噪比明显高于其他算法,并且具有良好的视觉效果.     

基于小波变换和梯度矢量的人脸特征点定位

人脸特征点的定位是自动人脸识别系统和人脸表情识别的重要组成部分,小波变换是近年发展起来的一种有效的信号分析工具。在小波变换基础上,提出了一种基于多尺度梯度矢量的对称变换方法,将此方法应用于人脸特征点定位,不仅减少了计算量,而且提高了定位准确度,同时对光照变化和人脸表情变化也具有很强的鲁棒性。     

小波变换在目标识别中的应用

利用小波变换具有易于消除噪声、运算方便、能够体现图像特征等优点,研究了基于小波变换的目标识别方法.首先采用二次B样条小波滤波器组对样本图像进行小波变换,提取多尺度边缘,然后提取不变矩,以此作为图像的特征向量,最后应用小波神经网络进行分类识别.计算机仿真实验表明,该方法取得了较好的识别效果.     

基于NSCT的多光谱和全色图像的融合

提出了一种基于无下采样Contourlet变换的多光谱和全色图像的融合方法.该方法在对多光谱影像进行IHS变换的基础上,对多光谱的I分量和高分辨率的全色影像分别进行无下采样Contourlet变换(NSCT),然后对分解得到的近似分量以及各层金字塔各方向的细节分量利用本文提出的一定的融合准则分别对近似分量和细节分量进行影像融合,最后通过无下采样Conlourlet逆变换得到新的I分量,与H,S分量一起还原到RGB空间,最终得到融合后的高分辨率多光谱彩色图像.本文采用一组多光谱图像和全色图像数据进行融合实验,其实验融合图像的目视效果和统计指标均优于传统的IHS融合方法、小波融合方法以及Contourlet变换方法.