基于Contourlet变换的多聚焦图像融合

由于可见光成像系统的聚焦范围有限,很难获得同一场景内所有物体都清晰的图像,多聚焦图像融合技术可有效地解决这一问题。Contourlet变换具有多尺度多方向性,将其引入图像融合,能够更好地提取原始图像的特征,为融合图像提供更多的信息。该文提出了一种基于区域统计融合规则的Contourlet变换多聚焦图像融合方法。先对不同聚焦图像分别进行Contourlet变换,采用低频系数取平均,高频系数根据区域统计值决定的融合规则,再进行反变换得到融合结果。文中给出了实验结果,并对融合结果进行了分析比较,实验结果表明,该方法能够取得比基于小波变换融合方法更好的融合效果。     

基于小波包变换的多聚焦图像融合

由于可见光成像系统的聚焦范围有限,很难获得同一场景内所有物体都清晰的图像。多聚焦图像融合技术可有效地解决这一问题。在分析了小波包变换的概念和原理后,提出了一种基于区域统计融合规则的小波包变换多聚焦图像融合方法,先对不同聚焦图像分别进行小波包变换,采用低频系数取平均,高频系数根据区域统计值决定的融合规则,再进行小波包反变换得到融合结果。仿真试验表明,相比小波变换法,本文方法可有效综合多聚焦图像,获得了更好的融合效果。     

Contourlet变换系数加权的医学图像融合

目的 由于获取医学图像的原理和设备不同,不同模式所成图像的质量、空间与时间特性都有较大差别,并且不同模式成像提供了不互相覆盖的互补信息,临床上通常需要对几幅图像进行综合分析来获取信息。方法 为了提高对多源图像融合信息的理解能力,结合Contourlet变换在多尺度和多方向分析方法的优势,将Contourlet变换应用于医学图像融合中。首先将源图像经过Contourlet变换分解获得不同尺度多个方向下的分解系数。其次通过对Contourlet变换后的系数进行分析来确定融合规则。融合规则主要体现在Contourlet变换后图像中的低频子带系数与高频子带系数的优化处理中。针对低频子带主要反映图像细节的特点,对低频子带系数采用区域方差加权融合规则;针对高频子带系数包含图像中有用边缘细节信息的特点,对高频子带系数采用基于主图像的条件加权融合规则。最后经过Contourlet变换重构获得最终融合图像。结果 分别进行了基于Contourlet变换的不同融合规则实验对比分析和不同融合方法实验对比分析。通过主观视觉效果及客观评价指标进行评价,并与传统融合算法进行比较,该算法能够克服融合图像在边缘及轮廓部分变得相对模糊的问题,并能有效地融合多源医学图像信息。结论 提出了一种基于Contourlet变换的区域方差加权和条件加权融合算法。通过对CT与MRI脑部医学图像的仿真实验表明,该算法可以增加多模态医学图像互补信息,并能较好地提高医学图像融合的清晰度。     

基于Contourlet域隐马尔可夫树模型的图像融合

基于Contourlet域的隐马尔可夫树模型能反映不同尺度系数之间、不同方向系数之间的相关性,基于此,提出了一种基于Contourlet域隐马尔可夫树模型的图像融合算法。对源图像进行Contourlet变换,并针对高频子带系数建模并训练得到每一系数的后验概率;利用该后验概率指导高频系数融合的规则,对边缘和背景区域进行不同的融合处理,以尽可能保留原始图像的重要特征;进行Contourlet反变换得到最终融合结果。针对多聚焦图像进行了融合实验,采用联合熵、熵、相关系数、清晰度等指标对融合效果进行评价,实验表明了该算法优于基于Contourlet域的常规融合算法以及小波域隐马尔可夫树融合算法。     

基于双树复小波变换的图像融合方法

为获得更好的融合效果,提出基于双树复小波变换的图像融合方法。双树复小波变换具有平移不变性、方向选择性等特点,适合进行图像融合,优于传统离散小波变换方法。给出多策略的融合规则,源图像小波变换后低频采用区域清晰度,高频采用区域标准差。灰度多聚焦图像和彩色多聚焦图像的融合实验测试以及评价指标的统计结果,表明了双树复小波变换方法的优势和所用融合规则的有效性。     

Contourlet相关性和PCA的图像融合算法

Contourlet变换克服了小波变换在处理高维信号时的不足,它比小波变换具有更好的方向性和更好的稀疏表达性能。将Contourlet变换应用于图像融合领域,能更好地提取图像边缘特征,为融合提取更多的特征信息。基于Contourlet变换系数相关性的图像融合算法是将图像进行Contourlet变换分解后,针对高频分解系数尺度内以及尺度间像素点具有的相关性设计图像融合规则,低频信息选择PCA的方法进行融合,最后通过重构得到融合图像。实验结果表明Contourlet能够为融合图像保留更全面的原始图像信息,基于相关性的图像融合算法能够更加有效、准确地提取图像中的特征,是一种有效可行的图像融合算法。     

基于非采样Contourlet变换多传感器图像融合算法

针对同一场景多聚焦图像的融合问题, 提出了一种基于非采样 Contourlet 变换 (Nonsubsampled Contourlet transform, NSCT) 图像融合算法. 并对经 NSCT 分解得到的不同频域子带系数, 分别讨论了低频子带系数和各带通方向子带系数的选择方案. 在选择低频子带系数时, 提出了一种基于图像局部区域梯度能量和``加权平均'相结合的系数选择方案, 从而不仅能够恰当地选择融合后图像的 NSCT 系数, 还能够有效地抑制噪声对融合图像质量的影响; 在选择带通方向子带系数时, 充分利用了 NSCT 的方向特性以及各尺度子带图像与源图像尺寸大小相同的特性, 给出了非采样 Contourlet 域方向对比度的概念, 并提出了一种基于方向对比度的系数选择方案. 采用了多聚焦图像进行仿真实验, 并对融合结果进行了主客观评价. 实验结果表明, 相比于传统的基于小波变换的图像融合算法, 该算法能够有效避免``人为'效应或高频噪声的引入, 得到具有更好视觉效果和更优量化指标的融合图像.     

基于NSCT的红外与可见光图像融合

针对红外与可见光图像的不同特点,提出一种基于非采样Contourlet变换（NSCT）的红外与可见光图像融合算法。采用NSCT对源图像进行多尺度、多方向分解;分别采用基于局部能量和区域特征的融合规则得到融合图像的低频子带系数和带通方向子带系数;最后经过NSCT逆变换得到融合图像。实验结果表明,该算法能够获得较理想的融合图像,其融合效果优于基于Contourlet变换的图像融合算法。     

非下采样Contourlet变换耦合区域信息特征的遥感图像融合算法

当前遥感图像融合算法主要是通过图像的能量信息来完成低频系数的融合,忽略了图像的光谱信息特征,导致融合图像中存在光谱扭曲等不足。设计基于非下采样Contourlet变换与区域信息特征的遥感图像融合算法。引入HSV(Hue,Saturation,Value)变换,从多光谱图像中提取亮度分量。采用非下采样Contourlet变换,对全色图像与多光谱图像的亮度分量进行分解,获取图像的低频系数与高频系数。联合低频系数的区域能量以及信息熵特征,构造低频系数的融合模型,完成低频信息的融合。通过高频系数的区域方差相似度,建立高频系数融合规则,对高频系数完成融合。通过非下采样Contourlet逆变换与HSV逆变换,获取融合图像。实验结果表明,与当前遥感图像融合方法相比,该算法的融合图像具有更好的光谱与空间特性。     

非下采样Contourlet变换的彩色图像融合

为了提高图像融合的效果,以多聚焦的彩色图像为研究对象,提出了一种基于非下采样Contourlet变换的多聚焦彩色图像融合算法。对IHS模型的亮度分量I进行NSCT分解,根据多聚焦图像的成像特点和分解后的高低频系数相关性,对分解后的低频系数采用"区域能量取大"和高频系数采用"绝对值和取大"的融合准则进行融合,再进行非下采样Contourlet逆变换,得到融合后的亮度分量,并由此计算融合后的色调分量和饱和度分量,实现彩色图像的融合。实验结果表明,该方法的融合效果优于小波变换的融合结果,针对IHS模型的融合结果也明显优于RGB模型的融合结果。     

一种新的多聚焦图像融合算法

提出了一种基于小波-Contourlet变换的多聚焦图像融合算法;该算法首先采用小波-Contourlet变换对源图像进行多尺度分解,得到高频和低频图像;接着根据高、低频分量各自的区域特性,采用不同的融合规则进行处理,得到小波-Contourlet变换域的融合系数,最后通过反变换得到融合图像;采用信息熵、标准差和互信息3个评价标准,将该算法和传统的小波算法和Contourlet算法的融合结果进行了比较;实验结果表明,该算法获得的评价指标都优于其它算法,且融合图像较好地从源图像中提取了有用信息,提高了融合质量.     

基于非下采样Contourlet的多传感器图像自适应融合

提出了一种基于非下采样Contourlet变换的多传感器图像自适应融合方法,采用黄金分割法搜索最优的低频融合权值.自适应地对多传感器图像的低频子带系数进行融合.非下采样Contourlet变换是一种新的图像多尺度、多方向的表示方法,适合表达具有丰富细节信息及方向信息的图像,且该变换具有平移不变性,可以避免一般方法对融合图像引入的振铃效应,它的高频方向子带捕获了多传感器图像的显著特征,文中采用同一尺度下方向子带信息和取大的规则对高频系数进行融合.实验结果表明,与基于拉普拉斯塔、小波、平稳小波和Contourlet变换的方法比较,文中所提出的方法可以获得较好的融合效果.     

遥感图像融合的非采样Contourlet变换方法

有效地融合高分辨率全色遥感图像(PAN)和低分辨率多光谱图像(MS),均衡融合结果中的空间细节信息和光谱信息两项特征指标,是多源遥感图像融合技术的难点。为了提高融合后图像的质量,提出了一种基于非采样Contourlet变换(NSCT)的融合方法。由于"非采样Contourlet变换"采用非采样滤波器组实现,具有移不变、高方向性和各向异性的特点,能够较好地弥补"采样的Contourlet变换(CT)"的缺陷,并且解决了小波变换方向性差的问题。实验中,以Landsat TM5图像和SPOT图像进行了算法的验证,并针对传统的直接替换、绝对值选大和局部方差选大等多分辨率融合算法与离散小波变换(DWT)及"采样的Contourlet变换"进行了对比分析,结果表明,本文方法在提高空间信息的同时,可以较好地保持原始多光谱图像中的光谱信息,弥补了"采样的Contourlet变换"在遥感图像融合应用中会导致严重的色彩畸变的缺陷。从而证明了NSCT在遥感图像融合领域是一种有效的多分辨率分解策略,可以被成功的应用到遥感图像融合应用中。     

基于Contourlet变换的遥感影像融合算法

针对目前最新发展的Contourlet变换能比小波变换更适合于进行多尺度边缘增强处理的特点，本文提出了一种新的基于Contourlet变换的用于融合遥感全色和多光谱影像的算法，分别对应于Contourlet变换后得到的低频和高频分量系数，结合小波变换采用了不同的融合规则．实验结果表明本文提出的融合算法能在保留多光谱影像光谱信息的同时增强了融合图像的空间细节表现能力和信息量，该算法是有效可行的．     

自适应对偶树复小波－Curvelet变换的遥感图像融合

Curvelet变换克服了小波变换在处理高维信号时的不足,比小波变换具有更好的方向性、较高的逼近精度和更好的稀疏表达性能。因此将Curvelet变换应用于图像融合领域,能更好地提取图像边缘特征,为融合提取更多的特征信息。利用对偶树复小波-Curvelett变换的多尺度和多方向性特征以及自适应融合规则在选取融合系数上的优势,提出了一种基于对偶树复小波-Curvelet变换的自适应遥感图像融合新算法。算法是将全色图像和多光谱图像进行对偶树复小波-Curvelet变换分解后,针对不同的频率域特点选择不同的融合规则,对低频系数选取区域能量的加权系数自适应融合规则,对高频系数特性选用了区域特征自适应的融合规则,最后通过重构得到融合图像。将其他的融合算法和所提算法进行主观和客观的对比,结果表明,基于对偶树复小波-Curvelet变换区域特征自适应的图像融合算法是一种有效可行的图像融合算法。     

基于冗余小波变换与引导滤波的多聚焦图像融合

针对传统多尺度变换在多聚焦图像融合中存在的边缘晕圈问题,提出了一种基于冗余小波变换与引导滤波的多聚焦图像融合算法。首先,利用冗余小波变换对图像进行多尺度分解,将源图像分解为一个相似平面和一系列小波平面,该多尺度分解能够有效地提取源图像中的细节信息;然后,对相似平面和小波平面分别采用引导滤波的加权融合规则来构造加权映射,从而得到相似平面和小波平面的加权融合系数;最后,进行冗余小波逆变换,即可得到融合结果图。实验结果表明,与传统融合算法相比,所提算法能够更好地体现图像边缘的细节特征,取得了较好的融合效果。     

基于非子采样Contourlet变换的遥感图像融合算法

针对人类视觉特性, 以及全色高分辨图像和多光谱遥感自身的特点, 提出一种非下采样 Contourlet (NSCT) 域的图像融合新策略. NSCT 具有好的多分辨、移不变和多方向等特性, 能对图像中的边缘和围线信息给出渐近最优表示. 为了更好地保持空间分辨率和颜色分量, 引入基于 LHS 变换的亮度成分叠加策略. 实验结果表明: 本文提出的融合方法在提高空间分辨率的同时较好地保持了光谱信息. 与传统的 PCA 方法、基于 IHS 的融合方法、基于小波加权的融合方法, 以及同样采用本文的融合策略、分别基于小波变换和基于 Contourlet 变换的融合策略相比较, 本文方法在视觉效果和客观衡量指标两方面都有所改善.     

基于局部能量小波融合算法的研究

文章在综合分析小波分解变换图像融合方法的基础上,提出了一种采用基于区域的融合规则的小波分解法,该方法利用小波分解将原始图像分解为低频部分和高频部分,对于低频部分,采用了加权系数,对于高频部分不同的方向分量,根据局部能量,采用不同的融合规则。利用可见光图像与红外图像和高低分辨率图像进行了仿真实验,得出实验结果,运用客观评价指标验证了该方法的可行性。实验表明,该法具有比基于像素点的小波变换融合方法具有更好的融合效果。