结合非下采样轮廓波变换和混合阶次图像扩散的图像去噪

通过研究非下采样轮廓波变换理论及其在图像变换中的优点,提出一种新的基于非下采样轮廓波变换的图像去噪方法.该方法首先通过非下采样金字塔分解和非下采样方向滤波器组对待去噪图像进行非下采样轮廓波变换,然后采取不同阶次的图像扩散去噪算法分别对高频部分和低频部分进行去噪处理,最后将经过处理后的系数进行非下采样轮廓波逆变换便可得到去噪后的图像.通过实验结果表明,该方法不仅能有效的去除噪声,而且可以很好地保持边缘信息,整体性能优于近年来一些常见的去噪算法.     

基于改进引导滤波与DCPCNN的图像融合方法

针对红外图像与可见光图像融合易产生边缘信息缺失,目标不够突出等问题,将引导滤波的保持边缘特性与双通道脉冲耦合神经网络（DCPCNN）的非线性耦合调制特性相结合,提出一种基于改进引导滤波与DCPCNN的红外与可见光图像融合算法。该方法首先选取非下采样剪切波变换将图像进行分解,获得高低频分量;对低频分量的融合是利用改进空间频率作用DCPCNN输入激励,且其链接强度由表征图像信息的平均梯度自适应调整来确定;高频分量融合是利用局部平均梯度与区域方差自适应加权,而后采用改进的引导滤波进行平滑处理实现空间一致性;最后,对分别处理后的各分量经过非下采样剪切波变换可逆变换获取融合图像。针对典型背景目标和复杂背景目标两类实验结果表明,与经典的曲波变换、双树复小波变换、非下采样轮廓波变换和非下采样剪切波变换等方法相比,该算法可以有效综合图像的优势信息,且在平均梯度、标准差、空间频率、相关系数等方面具有更高的优势。     

提升细节捕捉能力的非下采样轮廓波变换

针对传统NSCT(非下采样轮廓波变换)算法中NSP(多尺度分解方法)对细节信息捕捉能力较差及利用其进行图像融合得到的融合图像出现细节丢失问题,提出改进的NSCT算法。不同于传统NSCT算法,该算法首先采用细节捕捉能力较强的非下采样形态学小波分解替代NSP分解,实现对源图像的多尺度分解,将源图像分解成水平高频、垂直高频、对角高频和低频4部分;然后利用NDFB(非下采样的方向性滤波器)对高频部分进行多方向分解得到一系列高频信息,实现改进型NSCT分解。实验结果表明,该算法的细节捕捉能力较传统算法好,在相同融合规则下其图像融合效果更好,各项融合指标值均有所提高,其中平均梯度提高了10%,且易于实现,可广泛用于多分辨率图像融合,是一种有效的融合图像算法。     

一种新的非下采样Contourlet域图像去噪算法

作为新型高维奇异性分析工具,非下采样轮廓(Nonsubsampled Contourlet)变换不仅克服了小波(Wavelet)变换的非奇异性最优基缺点,而且提供了优于轮廓(Contourlet)变换的平移不变性.以性能优越的非下采样轮廓变换为基础,提出了一种新的图像去噪方法.该方法首先对图像进行非下采样轮廓变换,以得到不同尺度、不同方向上的变换系数;然后结合噪声分布特点确定多尺度阈值,并依此阚值对高频系数进行去噪处理;最后对去噪处理后的变换系数进行反变换,以得到去噪图像.仿真实验结果表明,该方法不仅拥有较强的抑制噪声的能力,而且具有较好的边缘保护能力,同时消除了图像边缘附近的伪吉布斯(Gibbs)现象,整体性能优于小波变换图像去噪和轮廓变换图像去噪方法.     

基于NSCT的遥感图像模糊推理融合算法

针对遥感图像影像分辨率低的问题,提出了一种新的基于非下采样Contourlet变换的图像融合算法.该算法首先通过IHS变换对多光谱图像进行RGB-IHS颜色空间转换,然后利用非下采样Contourlet变换和模糊推理加权融合规则将强度分量与全色图像进行融合,最后用拉伸后的灰度融合图像替换原来的强度分量,并通过IHS逆变换得到最终的融合网像.实验结果表明,该方法在抑制光谱信息扭曲和提高图像清晰度等客观评价参数上均优于其他多分辨率分析方法,且克服了传统融合方法中存在的融合图像模糊、抗噪能力差的缺点.     

基于非下采样Contourlet变换和形态学的图像边缘检测

在复杂工件的边缘检测过程中,噪声干扰和细节丢失会使检测结果产生较大的误差。针对这一问题,提出了将非下采样Contourlet变换和数学形态学相结合的边缘检测算法。首先对原始图像进行非下采样Contourlet变换,然后对得到的高低子频图像采用不同的方法进行边缘提取,最后通过合理的融合规则得到图像的边缘图像。仿真实验表明,该算法对图像边缘细节的提取比其他算法更加丰富,并具有较好的连续性、抗噪性和鲁棒性。     

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。     

基于NSCT 域感受野模型的图像融合方法

针对多传感器图像融合问题,提出了一种基于非下采样轮廓波变换域感受野模型的图像融合方法.首先,采用非下采样轮廓波变换对源图像进行多尺度、多方向稀疏分解;然后,对低频子图像采用改进型感受野模型进行融合,高频子图像则采用自适应Unit-Fast-Linking脉冲耦合神经网络模型进行融合;最后,将各子图像进行非下采样轮廓波逆变换,得到最终融合图像.仿真实验表明了所提出方法的有效性.     

基于非下采样Contourlet和扩散的图像去噪

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的性质,提出一种基于非下采样Contourlet变换和P-Laplace扩散相结合的图像去噪方法。该方法不但继承了非下采样Contourlet 变换捕捉边缘信息的能力,而且在P-Laplace扩散去噪时具有保持图像边缘信息的优点。实验结果表明该方法具有较好的图像去噪效果。     

基于非下采样Contourlet变换的方向Teager能量的极化SAR图像融合*

提出一种基于非下采样Contourlet变换和方向Teager能量的极化SAR图像融合算法。采用具有多尺度、多方向和平移不变性特点的非下采样Contourlet变换对多个单极化强度图像进行分解,然后高频子带图像分别按行和列进行Teager能量计算,选取Teager能量作为度量来提取区域边缘与纹理信息。对于低频系数采用平均融合算法,根据高频子图Teager能量分布差异,对于方向高频系数采用不同最优加权算法实现极化图像的融合处理。实验结果表明,提出的算法与PWF算法相比在保留原始图像边缘和纹理信息的同时,可以有效地抑制相干斑噪声的影响,取得较好的融合视觉效果。