基于PCA分解的图像融合框架

提出一种基于主成分分析(PCA)分解的图像融合框架。对源图像进行主成分分析,依据前几个主成分重建图像,经过下采样过程得到近似图像,对近似图像进行上采样,得到上层图像的差异图像(即细节图像),将最底层近似图像与各层细节图像进行累加完成图像的重构。实验结果表明,该方法能保持图像细节,具有较好的融合效果。     

结合PCA及字典学习的高光谱图像自适应去噪方法

高光谱图像各波段图像噪声分布复杂,传统去噪方法难以达到理想效果。针对这一问题,在主成分分析（PCA）的基础上,结合噪声估计和字典学习,提出一种新的高光谱去噪方法。首先,对原始高光谱数据进行主成分变换得到一组主成分图像并根据能量比重将其划分为清晰图像组和含噪图像组;然后,根据任一波段图像的信息,利用奇异值分解（SVD）对图像进行噪声估计,再将得到的噪声估计方法与K-SVD字典学习去噪算法结合,提出一种具备自适应噪声估计特性的字典学习去噪算法,并将其应用于信息量较小的含噪图像组进行去噪处理;最后,按各主成分图像对应的信息量比例进行加权融合得到最终的去噪图像。通过对模拟与实际高光谱遥感图像的实验表明,与PCA、PCA-Bish、PCA-Contourlet三种去噪方法相比,所提方法去噪后图像的峰值信噪比（PSNR）可以提升1~3 dB,且具有更多的细节信息和更好的视觉效果。     

基于改进的NSCT红外可见光图像融合算法

针对在红外可见光图像融合过程中目标细节信息容易丢失的问题,提出一种使用非下采样轮廓波变换(NSCT)和主成分分析法(PCA)相结合的图像融合算法.首先应用NSCT将源图像分解分别得到低频和高频的子带图像.在低频子带系数中,由于PCA能够突出图像的主要信息,所以选用主成分分析法融合规则.高频子带中,相对来说较高层次系数表...     

基于2DPCA-NSCT变换的多光谱与全色图像融合

鉴于应用单一主成分分析(PCA)或非下采样Contourlet(NSCT)变换进行多光谱和全色图像融合存在的问题,提出了一种2DPCA-NSCT变换图像融合算法.首先对多光谱图像各波段进行二维PCA变换,视其主成分为信号而少量非主成分为噪声予以忽略;然后对全色图像和第一主成分做NSCT分解,在频域对近似分量和多方向高频分量按不同的融合规则融合;最后通过NSCT反变换得到融合图像.实验结果表明,所提出的融合算法在保持PCA变换良好的空间分辨率的同时改善了其光谱失真的问题.     

基于小波变换和PCA的SAR图像相干斑抑制

提出一种SAR图像相干斑噪声抑制新的滤波方法。该方法利用小波变换结合主分量分析(PCA)对SAR图像进行去噪。小波变换可以很好地保持边缘细节信息,主分量分析(PCA)能从混合信号中提取出主分量即信号的主要特征,将小波变换结合PCA用于图像处理,能在有效消除噪声的同时保持边缘信息。与Kirsch模板加权平滑滤波和结合小波变换的Kirsch模板加权平滑滤波去噪方法进行比较,实验结果表明,该方法具有良好的抑制相干斑噪声效果和较强的边缘保持能力。     

基于NSCT域主分量分析的遥感图像去噪方法

提出一种新的结合非下采样Contourlet变换（NSCT）和主分量分析（PCA）的图像自适应阈值去噪方法。通过PCA估计NSCT域中的噪声能量,并与NSCT系数的领域信息相结合,构造出自适应阈值对遥感图像进行去噪。仿真实验结果表明,提出的方法与Contourlet硬阈值,基于Contourlet的图像PCA和NSCT硬阈值去噪方法相比能够有效去除遥感图像的高斯噪声,较完整地保持图像的边缘等细节信息,提高了图像的峰值信噪比,图像视觉效果也有明显改善。     

基于PCA和NSCT变换的遥感图像融合方法

为了改善非下采样Contourlet变换(NSCT)在图像细节信息表达的缺失问题,提出了一种新的基于主成分分析(PCA)和NSCT的遥感图像融合方法。首先对低空间分辨率多光谱(MS)图像进行PCA变换,提取第一主分量(PC1);其次,对PC1和高空间分辨率全色(PAN)图像进行NSCT变换,对二者的低频系数采用小波变换的融合规则,高频系数采用基于区域标准差自适应加权的融合规则;最后,经过PCA逆变换和NSCT逆变换得到融合图像。仿真实验结果表明,该方法不仅有效地融合了源图像的细节信息,而且得到了较好的视觉效果和较优的评价指标。     

改进型滤波器组与PCA结合的图像降噪算法

在图像的除噪处理中,为了能更好地处理图像的边缘及纹理处的噪声,论文提出了利用非均衡五点梅花采样滤波器组(nuQFB)结合主成分分析(PCA)的图像除噪方法.NuQFB克服了传统小波分解方向分辨率低和传统多方向滤波器组无多尺度分析的缺点,实现了对含噪图像的多尺度和多方向分解的统一,使分解后的图像具有十二个高频方向子带.并通过主成分分析的统计学特征提取方法对分解后的系数进行噪声能量估计完成图像的除噪处理.试验结果表明,与小波主成分分析的除噪方法相比,经该文方法除噪后的图像具有较好的视觉处理效果与峰值信噪比(PSNR).     

结合边缘掩膜图的非下采样轮廓波图像融合

针对现有图像融合算法无法较好兼顾空间和光谱质量的问题,提出了一种结合边缘掩膜图的非下采样轮廓波图像融合算法,通过边缘掩膜图指导非下采样轮廓波变换(nonsubsampled contourlet transform,NSCT)后的高、低频系数融合来改善现有问题。首先,对多光谱图像主成分分析变换(principal component analysis,PCA)后的第一主分量和全色图像进行NSCT变换,获取对应的近似图像、细节图像。其次,通过近似图像、细节图像分别提取边缘掩膜图。进而,结合边缘掩膜图,根据近似图像、细节图像不同区域的特性指导融合过程。最终,由相应的逆变换获取融合结果。实验分别采用QuickBird、Landsat和Pleiades卫星数据进行算法验证,并与传统的基于PCA变换、小波变换(wavelet transform,WT)、改进的小波算法(new wavelet method based on local algorithm,LAWT)和基于轮廓波变换(contourlet transform,CT)的融合算法进行比较分析。实验结果表明,该方法在空间分辨率提高和光谱特性保持上,综合性能优越。     

结合方向信息测度和NSCT分解的图像融合算法

针对传统图像融合算法容易造成边缘细节信息丢失且抗噪声能力不强的问题,提出一种结合方向信息测度和非下采样轮廓波变换分解的图像融合算法,先利用方向信息测度对图像进行复原操作,再对低频部分采用方向信息测度加权融合规则进行融合,对高频部分采用改进区域能量加权融合规则进行融合.该算法较好地结合了非下采样轮廓波变换良好的信息保持能力和方向信息测度良好的抗噪性能,使得融合图像的效果良好.实验证明,该算法能较好的保持边缘信息且抗噪性强,能广泛地应用于多聚焦图像的融合.