基于无抽样Contourlet变换的图像增强方法

为了有效增强图像的细节信息,研究了基于无抽样Contourlet变换的图象增强方法。首先将待增强图像进行无抽样Contourlet变换,然后使用映射函数对无抽样Contourlet系数进行增强处理,最后进行无抽样Contourlet反变换得到增强后的图像。实验结果表明,该方法可以有效增强图像的微弱边缘信息。     

基于非降采样 Contourlet变换的非线性图像增强新算法

为了克服传统去图像噪声算法的限制,该文提出一种基于非降采样(Nonsubsampled)Contourlet变换的增强新算法(NNIEM-NSCT)。此新算法通过充分利用方向子带相关性的自适应贝叶斯阈值,既保护了图像边缘细节,又可更好地抑制图像噪声。其次,文中构造的非线性增强匹配函数,通过改变变换域的系数能有效对图像强弱边缘进行不同程度的增强。实验结果证明,该文新算法在图像细节处理上,优于基于NSCT的方法,细节方差( DV) 大约为NSCT的2倍,背景方差(BV)基本保持不变,并且具有更好的视觉效果。     

基于非抽样Contourlet变换的红外图像和可见光图像融合算法

分析了非抽样Contourlet交换(nonsubsampled contourlet transform,NSCT)的原理和优点,针对红外图像和可见光图像的特征,提出了一种新的基于NSCT图像融合算法,应用NSCT对图像进行多尺度、多方向分解,低频子带采取区域能量加权法融合,带通子带采取区域方差加权法融合,最后将融合的系数进行NSCT逆变换得到融合图像.实验表明,与其它融合算法比较,该算法融合图像效果较好.     

非下抽样抗混叠Contourlet变换及其自适应阈值去噪

针对Contourlet变换在频谱混叠及平移不变性方面存在的局限性,提出了一种非下抽样抗混叠Contourlet变换(NS-NACT),其由非下抽样抗混叠塔式滤波器组(NS-NPFB)和非下抽样方向滤波器组(UDFB)构成。基于此,研究了一种基于自适应阈值调节的去噪算法。实验研究结果表明,当噪声方差σ=30时,通过本文算法去噪后的图像,不仅峰值信噪比(PSNR)较非抽样小波和Contourlet分别高出0.65dB和3.47dB,而且有效抑制了Contourlet变换去噪后的Gibbs现象,同时还可以更好地保留图像的边缘和细节,去噪效果更佳。     

基于Contourlet变换自适应阈值的图像去噪算法

综合利用Contourlet变换和图像在各个尺度各个方向上的轮廓细节的大小,一定程度上改进了Donoho阈值"过扼杀"其分解系数的缺点,同时还考虑图像的轮廓细节.实验结果表明,与小波阈值,Contourlet阈值和多尺度Contourlet阈值相比,这两种方法更好的提取了图像的轮廓细节,提高了图像的PSNR值.     

基于Contourlet变换的图像增强方法

针对传统图像增强不能同时兼顾去噪和增强细节及小波变换在增强图像细节上的明显不足,提出一种了基于平移不变Contourlet变换的图像增强方法。采用平移不变Contourlet变换对图像进行多尺度分解,再利用非线性变换对Contourlet系数进行处理从而达到抑制噪声和增强细节的目的。实验结果表明本方法达到了良好的图像增强视觉效果,与传统的直方图均衡和小波域图像增强方法相比,其信噪比、(细节方差/背景方差)值都有了显著的提高。     

基于非抽样Contourlet变换的图像增强

以非下采样(Contourlet)变换为基础,提出了一种新的图像去噪方法,首先对含噪图像进行非下采样轮廓变换,然后采用自适应阈值对变换系数进行处理,最后重构回原图像。     

基于轮廓变换的自适应阈值图像去噪算法

针对Contourlet变换子带系数相关的特性,对图像去噪的阈值进行了研究,提出了一种新的自适应阈值图像去噪算法。该方法首先对噪声图像进行Contourlet变换,得到不同尺度、不同方向上的子带系数,再根据子带系数的能量关系采用改进的Bayes Shrink自适应阈值对图像进行去噪处理。实验结果表明:这种方法提高了图像的PSNR值,增强了去噪后图像的视觉效果,而且更好地保留了图像的边缘信息。     

基于Contourlet变换的焊缝X射线图像增强

为了改善X射线成像对比度低、背景噪声明显、被测工件细节不易显示等缺点.针对X射线图像的特点及常规增强方法的不足,应用一种基于Contourlet变换的增强算法,对X射线图像进行图像增强,提高了原图像的对比度和像质,达到了细节区域的最佳视觉效果.实验结果表明,该算法与直方图均衡和小波域图像增强方法相比,有效的增强了对比度、抑制了背景噪声.该算法对X射线图像增强后,图像所达到的射线检测标准比前两种算法高.     

基于Contourlet变换和模糊理论的红外图像增强算法

红外图像具有噪声大、对比度低等特点,针对该特点,提出了一种基于Contourlet变换与模糊理论的红外图像增强算法。首先对图像进行Contourlet变换,得到多尺度多方向的低通子带和带通子带。对低通子带,进行基于子带系数最大最小值的线性变换,提高图像的整体对比度;对于带通子带,先估计噪声阈值,对子带系数进行抑制噪声处理,然后通过模糊增强算法,对高频系数进行非线性增强,增强目标边缘纹理的特征,抑制背景信号。最后经过Contourlet逆变换得到对比度增强,噪声被抑制的图像。经过算法仿真,与几种现有的图像增强算法相比,该算法更能有效地抑制噪声,增强图像的对比度,突出图像的边缘与细节纹理信息。     

基于非采样Contourlet变换的红外与可见光图像融合方法

针对同一场景的红外与可见光图像融合,提出了一种基于非采样Contourlet变换（NSCT）和改进的脉冲耦合神经网络（IPCNN）的图像融合新算法。首先利用NSCT对图像进行多尺度、多方向稀疏分解,然后针对各带通方向高频子带系数的选择,提出了一种应用IPCNN计算图像匹配度的融合策略。实验结果表明,该算法能够很好地将红外图像与可见光图像中的重要信息提取并注入到融合图像中,与其他方法相比较,取得了更好的融合效果,提高了融合图像的质量。     

基于无下采样小波-Contourlet变换的图像融合算法

针对目前最新发展的无下采样Contourlet变换,同时具有方向性、各向异性和平移不变性的特点,并结合多孔小波变换的优点,提出了一种新的基于无下采样小波-Contourlet变换图像融合算法.通过对航空图像进行无下采样小波-Contourlet变换的多分辨分解得到高频和低频系数,并根据不同分解面的系数特性,采用不同的加权融合规则进行融合.实验结果表明,此方法相对于传统的变换法,取得了更佳的融合结果.     

基于非下采样Contourlet变换的多传感器图像融合

根据非下采样Contourlet变换同时具有多尺度多分辨分析和平移不变性质的特点,提出一种基于非下采样Contourlet变换的多传感器图像融合方法,将其应用于多传感器图像融合的两个重要领域——多聚焦图像融合和高分辨、多光谱图像融合,从视觉效果和信息量指标方面对融合图像进行主观评判和数值评价.实验中将本文方法与Contourlet变换、小波变换、主成分分析等方法进行了比较,结果表明本文方法得到的融合结果具有更优的视觉质量和量化指标,能很好地将源图像的细节信息融合在一起,拓广了NSCT的应用范围.     

基于尺度间相关的非下采样Contourlet图像降噪算法

通过相关性强弱区分噪声与信号系数,并结合阈值方法,提出了一种非下采样Contourlet(NSCT)的尺度间相关的图像去噪新算法.实验表明,上述模型与原有的方法相比,不仅在去噪性能指标而且在边缘保持的主观视觉上都表现出了优异的性能.     

基于斑点方差估计的非下采样Contourlet域SAR图像去噪

 合成孔径雷达(SAR)图像固有的相干斑噪声严重影响图像质量,使得SAR图像的自动解译十分困难.本文联合SAR图像的统计特性和非下采样Contourlet对SAR图像细节信息的良好刻画能力,提出一种新的非下采样Contourlet域SAR图像去噪算法,通过估计到的各个高频方向子带的斑点噪声方差和变换系数模值的局部均值,对非下采样Contourlet变换系数进行判定,保留信号系数,抑制斑点噪声系数,实现SAR图像去噪.仿真实验结果表明,本文方法在斑点抑制的同时可以有效保持细节信息.     

基于Contourlet变换的带噪图像增强方法

为了解决带噪图像增强中抑制噪声和增强边缘细节的矛盾,提出一种基于Contourlet变换的带噪图像增强方法。Contourlet变换具有多分辨率、局部定位性、多方向、各向异性等特点,比小波变换更能有效地捕获图像中的高维奇异性。根据这一特点,本文综合考虑变换后系数尺度间和尺度内的依赖性,先在Contourlet变换域中设置自适应阈值抑制噪声;在此基础上,应用广义非线性增益函数来提高较弱细节的局部对比度。实验结果表明,该算法较好的抑制噪声,增强图像细节对比度。     

基于非下采样Contourlet变换的多传感器图像边缘检测

提出一种基于非下采样Contourlet变换（NSCT）的多传感器图像边缘检测方法,通过非下采样金字塔（NSP）和非下采样方向滤波器组（NSDFB）实现了对图像的多尺度多方向分解。在检测处理中,采用改进的一致性校验策略：高频系数除了进行本层的一致性校验外,还进行多层之间的一致性校验。非下采样Contourlet变换保留了Contourlet变换良好的多分辨率特性,又具有平移不变性,更适应于进行多传感图像融合,为图像边缘检测提供了新的方法。     

一种基于非采样Contourlet变换的遥感图像融合算法

为使融合后的多光谱图像尽可能保持原多光谱图像光谱特性的同时提高空间质量,提出了一种基于非采样Contourlet变换（NSCT）和多尺度边缘检测的融合算法。介绍了非采样Contourlet变换和多尺度边缘检测;设计了基于多尺度边缘检测、直接替代的高频、低频子带融合规则;用QuickBird卫星高分辨率遥感图像进行仿真实验。实验结果表明该算法能够在保持光谱信息的同时注入更丰富的空间细节信息,优于传统的Wavelet变换法和Contourlet变换法。     

基于非下采样Contourlet变换的SAR图像增强

该文基于非下采样Contourlet变换(NSCT)和SAR图像的统计特性,提出一种SAR图像增强方法,给出一种基于非下采样塔型分解的斑点噪声方差估计算法和一种基于方向邻域模型的弱边缘增强算法。该文在不同方向子代进行斑点方差估计,利用局部方向统计信息对NSCT系数并进行强边缘、弱边缘和噪声分类并进行弱边缘的增强和噪声的抑制。实验结果表明,该方法在方向信息保留和斑点抑制上优于非下采样小波变换(NSWT)相应方法。