shearlet变换和区域特性相结合的图像融合

为了提高多模医学图像或多聚焦图像的融合性能,结合shearlet变换能够捕捉图像细节信息的性质,提出了一种基于shearlet变换的图像融合算法。首先,用shearlet变换将已精确配准的两幅原始图像分解,得到低频子带系数和不同尺度不同方向的高频子带系数。低频子带系数使用改进的加权融合算法,用平均梯度来计算加权参量,以此来改善融合图像轮廓模糊度高的问题,高频子带系数采用区域方差和区域能量相结合的融合规则,以得到丰富的细节信息。最后,进行shearlet逆变换得到融合图像。结果表明,此算法在主观视觉效果和客观评价指标上优于其它融合算法。     

基于SIDWT的多模态脑部医学影像融合算法北大核心

研究了人脑CT/MRI医学图像融合算法。传统的基于小波变换的融合方法由于不具备平移不变性,在融合图像的奇异处易产生失真。提出了一种基于平移不变离散小波变换(SIDWT)的新融合方案。利用SIDWT将待融合的医学图像分解成低频子带和高频子带。对于高频子带,提出平滑度来划分子带区域,针对不同区域采用不同的融合规则,更好地保持了源图像的边缘细节信息。对于低频子带,采用基于局部区域对比度的融合规则。实验结果表明,该算法融合性能优越,比传统的融合算法获得更好的融合效果。     

基于SIDWT的多模态脑部医学影像融合算法

研究了人脑CT/MRI医学图像融合算法.传统的基于小波变换的融合方法由于不具备平移不变性,在融合图像的奇异处易产生失真.提出了一种基于平移不变离散小波变换(SIDWT)的新融合方案.利用SIDWT将待融合的医学图像分解成低频子带和高频子带.对于高频子带,提出平滑度来划分子带区域,针对不同区域采用不同的融合规则,更好地保持了源图像的边缘细节信息.对于低频子带,采用基于局部区域对比度的融合规则.实验结果表明,该算法融合性能优越,比传统的融合算法获得更好的融合效果.     

基于NSST图像特征的多聚焦图像融合方法

针对广泛存在于多聚焦图像融合方法中的局部图像细节不清晰的现状,提出一种基于非下采样剪切波变换(NSST)图像特征的多聚焦图像融合方法。利用NSST对待融合源图像进行多尺度、多方向稀疏分解,分别获取低频和一系列高频子带图像。通过空间频率和局部能量确定融合后的低频子带系数,利用边缘检测算子直接获取高频子带图像中的细节和边缘信息,并采取NSST反变换得到最终融合结果图像。仿真实验结果表明,同现有的几种经典算法相比,本文提出的方法获得的结果图像拥有更清晰的视觉效果、更理想的客观指标效果以及更高的算法运行效率。     

基于局部能量匹配的红外偏振图像融合

针对红外偏振融合后图像边缘模糊不清和细节信息不明显等问题,本文提出了一种基于局部能量匹配的红外偏振图像融合方法。首先,融合偏振角图像和偏振度图像得到偏振特征图像;然后运用非下采样剪切波变换(NSST)把偏振特征图像和光强图像分解为低频子带和高频子带,运用顶帽(Top-hat)变换处理偏振图像的低频信息,提取目标;最后采用基于局部能量匹配和局部方差相结合的融合规则融合低频子带和高频子带。实验结果表明,本文算法与NSCT算法相比较,融合后图像的整体互信息值提高了8.7%,方差提高了3.9%,很好的保留了图像的细节信息。     

一种基于提升小波的快速图像融合算法

提出了一种基于提升小波变换的快速多聚焦图像融合方法。首先利用提升小波算法将原始图像分解为四个子带:LLLHHLHH后将代表三个方向高频细节子带LHHLHH采用提升小波反变换,以获得各方向子带的高频细节图像,采用高斯核权重算法计算所得到的高频细节图像的非均匀加权区域能量,再根据基于能量的图像融合规则得到最终融合图像。对比了几种多聚焦图像融合方案的性能,实验结果表明,在融合效果相当的情况下,文中方法比现有方法在处理速度上有明显的优势。     

基于Contourlet域分块压缩感知的图像融合

针对传统图像融合方法导致纹理细节丢失的现象,提出了一种基于抗混叠移不变Contourlet域的分块压缩感知（block-based compressed sensing,BCS）图像融合算法——Contourlet_BCS。把善于表达图像纹理及边缘信息的Contourlet变换引入了压缩感知稀疏表示中,同时对分解得到的低频系数采取加权的区域能量融合规则,高频系数采取基于广义高斯分布模型的加权融合规则进行图像系数融合,最后在压缩感知框架下利用带平滑处理的投影Landweber算法重构。实验结果表明,Contourlet_BCS融合效果优于传统方法,融合的图像纹理清晰,边缘细节信息更为丰富。     

基于NSST和改进PCNN的医学图像融合

为了解决单一模态医学图像的局限性,提出了一种 基于非下采样剪切波变换(NSST)和改进型脉冲耦合神经网络(PCNN)相结合的多模态医学图 像融合方法。首先,利用NSST对源图像进行多尺度、多方向分解,得到 低频子带系数和高频子带系数;其 次,低频子带系数由区域能量和方差求取区域特征,采用基于区域特征加权的方式进行融合 ;高频内层子 带系数先通过PCNN求出区域点火特性,再与平均梯度加权的方式进行选择,高频外层子 带系数采用区 域绝对值取大的融合规则;最后,通过逆NSST重构图像。实验结果表明:与常用融合 规则对比,在 主观效果上,本文的融合图像可以保留源图像的边缘信息,得到更好的视觉效果;在客观指 标上,本文方法 融合得到的图像在互信息(MI)、边缘评价因子(QAB/F)和 结构相似度(SSIM)等客观评价指标上取得更好的效果。     

基于多分辨率变换和压缩感知的肺癌PET/CT图像融合方法

针对移动医疗背景下医学图像融合信息交互的局限性问题,提出一种基于多分辨率变换NSCT和压缩感知理论的肺癌PET/CT图像融合算法.第一步,对源图像进行单层NSCT分解;第二步,通过分析PET和CT不同的成像机制和显像信息,对分解后具有较差稀疏性且主要集中源图像大部分能量的低频子带,采取高斯隶属度函数加权的融合规则,对主要呈现源图像细节信息的高频子带使用高斯随机矩阵进行压缩测量,选择基于平均梯度和区域能量的方法法对高频测量值进行融合;第三步,采取正交匹配追踪算法重构融合后的高频测量值;第四步,对低频融合图像和重构后的高频融合图像进行NSCT逆变换得到最终的融合图像;最后,对该算法进行了两方面的仿真实验:与其他压缩感知图像融合方法的比较以及与其他多分辨率图像融合方法的比较,实验结果表明,该算法是有效可行的.     

基于NSST与IFCNN的红外可见光图像融合算法

针对在图像融合中存在边缘细节保留不够理想的问题,提出一种基于非下采样剪切波变换(NSST)与卷积神经网络图像融合框架(IFCNN)的红外可见光图像融合算法.首先将红外和可见光图像进行NSST分解.然后为了使低频子带图像更好地突出轮廓信息,使用相似性匹配的融合规则对图像进行融合;对高频子带图像使用IFCNN提取特征层,特征层通过L2正则化、卷积运算和最大选择策略处理可以得到最大权重图,根据最大权重图来确定高频融合规则.最后使用NSST逆变换得到最终的融合图像.实验结果表明,所提算法很好地保留图像的边缘及纹理等细节信息,减少伪影和噪声,具有良好的视觉效果.     

基于NSST域混合滤波与改进边缘检测PCNN的医学图像融合

针对传统医学图像融合中存在细节模糊、能量保存不完整、运行时间长等问题,提出一种基于非下采样剪切波(non-subsampled shearlet transform, NSST)域混合滤波与改进边缘检测脉冲耦合神经网络(pulse coupled neural network, PCNN)的医学图像融合方法。首先,利用YUV模型进行颜色空间转换分离出亮度通道Y,接着利用混合滤波分别对源核磁共振(magnetic resonance imaging, MRI)图像和亮度通道的灰度图像进行不同程度的增强。其次,采用NSST对增强后的MRI和亮度通道的灰度图像进行分解,得到高低频子带。低频子带使用修正的拉普拉斯能量和(weighted sum of eight-neighborhood-based modified Laplacian,WSEML)与局部区域能量加权和(weight local energy,WLE)的融合策略,高频子带采用改进边缘检测PCNN的融合策略。最后,经NSST逆变换得到融合图像。通过与其他6种融合方法对比,本文方法可以有效提高图像融合过程中的细节提取和能量保存,且...     

NSCT域内结合边缘特征和自适应PCNN的红外与可见光图像融合

针对传统的基于多尺度变换的红外与可见光图像融合,对比度不高,边缘等细节信息保留不充分等问题,结合NSCT变换的多分辨率、多方向特性和PCNN全局耦合、脉冲同步激发等优点,提出一种基于NSCT变换结合边缘特征和自适应PCNN红外与可见光图像融合算法.对于低频子带,采用一种基于边缘的融合方法;对于高频方向子带,采用方向信息自适应调节PCNN的链接强度,使用改进的空间频率特征作为PCNN的外部激励,根据脉冲点火幅度融合子带系数.实验结果验证了该算法的有效性.     

基于图像质量评价参数的FDST域图像融合

为了提升多源图像融合精度,提出了一种基于图像 质量评价参数的有限离散剪切波变换(FDST)域图像自适应融合方法。利用FDST对源图像进行 多尺度、多方向分解,低频子带图像采用结构相似度与空间频率两种图像评价参数作为系数 权值,高频子带图像应用区域空间频率取大的融合策略。应用有限离散剪切波逆变换(FDSIT )重 构图像。采用多组多源图像进行融合实验,并对融合结果进行了客观评价。实验结果表明, 本文提出的融合方法在主观和客观评价上均优于其他多尺度融合方法,具有更好的融合效果 。     

基于二维APDCSF的列率子带特征编码方法

提出了一种子带编码的新方法。该方法利用二维全相位离散反余弦列率滤波器（APDCSF）对图像进行子带分解;对于低频子带图像采用直接斜交多重亚采样和基于全相位离散反余弦列牢滤波器（APDICsF）的多重旋转内插恢复．而对高频子带图像利用直方图自动阈值化提取如边缘和线等特征的图像元;根据各个子带的图像元的特征分别进行编码压缩,解压缩后利用凸集投影重建原始图像。该方法消除了传统的离散余弦变换（DCT）编码的方块化效应,与基于小波变换的子带特征编码方法相比,计算复杂度小,压缩率高,主观视觉性能好,对于灰阶图像可达到0．1～0．3bpp,特别适用于低比特率图像压缩。     

基于多尺度方向局部极值滤波和ASR的图像融合

为了更好地提取源图像的边缘和方向信息,充分利用边缘保持滤波器的保边缘特性和方向滤波器有效提取方向信息的能力,提出一种基于局部极值滤波和非下采样方向滤波器的多尺度方向局部极值滤波图像融合方法。源图像经多尺度方向局部极值滤波,得到低频子带以及一系列的高频方向细节子带,对低频子带系数提出一种基于自适应稀疏表示(ASR)的融合规则,采用空间频率与l1范数相结合的策略得到融合的稀疏表示系数,对高频方向细节子带系数提出一种基于改进拉普拉斯能量和匹配度的选择与加权平均相结合的融合策略。实验结果表明,本方法能够有效提取源图像的边缘等细节信息,融合结果对比度更高,具有更好的主观视觉效果,其客观评价指标也优于传统的图像融合方法。     

Fusion of multiparametric SAR images based on SW-nonsubsampled contourlet and PCNN

In this paper, a new fusion rule based on a pulse coupled neural network (PCNN) and the clarity of images is proposed for multi-band synthetic aperture radar (SAR) image fusion. By using a stationary wavelet-based nonsubsampled contourlet transform (SW-NSCT), we can calculate a flexible multiscale, multidirectional, anisotropy and shift-invariant representation of registered SAR images. A weighted fusion rule is performed on the low frequency subbands to calculate the fused lowpass band. For the fusion of high frequency directional subband images, a PCNN model is constructed, where the linking strength of each neuron is determined by the clarity of the decomposed subband images. The fusion approach exploits the advantages of both SW-NSCT in multiscale geometric representations and that of PCNN in the determination of fusion rules; as predicted, the obtained fusion image can preserve much more information regarding textures and edges of the images, compared to its counterparts. Some experiments are performed by comparing the new algorithm with other existing fusion rules and methods. The experimental results show that the proposed fusion approach is effective and can provide better performance in fusing multi-band SAR images than some current methods.     

基于人眼视觉特性的NSCT医学图像自适应融合

医学图像融合对于临床诊断具有重要的应用价值。针对多模态医学图像特性,本文提出一种基于人类视觉特性的医学图像自适应融合方法。首先,对经配准的源图像进行非间隔采样轮廓变换（（Nonsubsampled Coutour-let,NSCT）多尺度分解,得到低频子带和若干高频方向子带;其次,根据低频子带集中了大部分源图像能量和决定图像轮廓的特点,采用区域能量与平均梯度相结合的方法进行融合;根据人眼对图像对比度及边缘、纹理的高敏感度,在高频子带系数的选取时提出区域拉普拉斯能量、方向对比度与脉冲耦合神经网络（Pulse Coupled Neural Network,PCNN）相结合的融合策略;进而,提出了把与人类视觉高度一致的加权结构相似度（Weighted Structure Similarity,WSSIM）作为图像融合目标函数,自适应地获取各子带的最优权值;最后,对灰度图像和彩色图像进行了大量融合比较实验,并对不同融合方法进行分析对比。实验结果表明：本文算法不仅可以有效保留源图像的信息,而且可以使融合图像灰度级更分散,更好地保留了图像边缘信息,具有更好的视觉效果。     

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Tetrolet变换的图像融合

Tetrolet变换与目前广为采用的小波变换相比, 在处理高维信号时具有更好的方向 性,能够精确 地表达图像的结构及纹理特征。本文将Tetrolet变换用于不同频谱图像的融合,以期获取更 大的信息量。 首先,将待融合的图像分别进行Tetrolet变换,得到不同尺度的高通和低通子带。然后,对 低通子带采用 基于局部区域梯度信息的融合方法得到低通融合系数,而对高通子带采用基于邻域方差加权 的融合方法得 到高通融合系数;最后,通过重构得到融合图像。采用多种图像进行了融合实验,其结果均 表明,经Tetrolet 变换获取的融合图像特征更为丰富、信息量更大,融合图像的信息熵和标准差都优于目前广 为采用的小波 变换和PCA变换图像融合算法;本文方法可有效地提高ATR系统和视觉对目标的识别探测概率 和降低虚警率。