结合NSST和快速非局部均值滤波的刀具图像去噪

为消除基于图像处理的刀具磨损检测中的图像噪声,提出了结合非下采样Shearlet变换(Non-subsampled Shearlet Transform, NSST)和快速非局部均值(Fast Non-local Means, FNLM)滤波的图像去噪方法。首先,利用基于决策的非对称剪切中值(Decision Based Un-symmetric Trimmed Median, DBUTM)方法滤除图像中的椒盐噪声;然后,对图像进行NSST多尺度分解,得到一个低频子带和一系列高频子带;最后,分别使用FNLM滤波和各向异性扩散模型调整低频和高频子带系数,并由调整后的各子带系数重构出噪声滤除后的图像。实验结果表明,与基于小波的阈值收缩方法、基于Contourlet的全变差模型结合各向异性扩散方法、基于NSST和标准非局部均值滤波方法相比,本文方法在主观视觉去噪效果、峰值信噪比、结构相似度以及处理速度等4个方面性能更优。      

一种新的图像边缘检测方法

针对基于空间域或小波变换域图像边缘检测算法提取的边缘只是具有有限方向的问题,该文提出使用具有抛物线型尺度和足够方向消失矩的Contourlet变换来更有效地表示自然图像中的奇异曲线。Contourlet子带比小波子带具有更强的方向性,在其子带上检测系数模极大值,运算复杂度更低。实验结果表明,与基于小波模极大值的图像边缘检测方法相比,该文算法有较低的计算复杂度,所提取的边缘更加逼近图像真实边缘。     

基于小波变换的图像边缘检测

介绍了利用小波变换进行图像边缘检测的原理与方法。基于小波变换的模极大值原理,利用不同尺度小波变换后的不同方向获取图像的高频信息,并通过小波系数的模极值点与过零点,检测出图像在四个方向上的模极大值,得到该位置模的局部最大值。仿真测试表明,利用小波变换进行图像边缘检测可以较好的检测图像边缘的细节特征,取得了很好的效果。     

基于小波变换的图像边缘检测

介绍了利用小波变换进行图像边缘检测的原理与方法。基于小波变换的模极大值原理,利用不同尺度小波变换后的不同方向获取图像的高频信息,并通过小波系数的模极值点与过零点,检测出图像在四个方向上的模极大值,得到该位置模的局部最大值。仿真测试表明,利用小波变换进行图像边缘检测可以较好的检测图像边缘的细节特征,取得了很好的效果。     

大鱼际掌纹图像边缘提取算法

主要研究大鱼际掌纹图像边缘提取算法。介绍几种经典的边缘检测算子以及Hough变换方法,重点讨论了小波模极大值多尺度边缘检测方法。构造了高斯多尺度边缘检测算子,根据噪声和图像边缘的小波变换模值跨尺度传递的不同特征,研究小波模极大值多尺度边缘检测方法,对大鱼际掌纹图像进行边缘提取。实验结果表明该方法检测到的边缘细节丰富,定位较准确,有效降低了噪声,不足之处是连续性较差。     

基于B样条小波多尺度积图像边缘提取技术

结合了B样条函数良好的逼近特性以及多尺度积算法的抗噪性能,来达到图像边缘检测的最佳效果。首先通过选择合适的小波滤波器对信号进行小波变换,之后通过相邻尺度的小波变换相乘得到尺度积,以检测出图像的模极大值,最后通过阈值滤掉伪边缘,得到图像的边缘信息。实验表明,该算法相比其他传统检测算子能有效地抑制图像噪声,并且图像边缘和细节信息的失真量小。     

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。     

基于NSCT和边缘检测的图像融合算法研究

近年来,图像融合已经成为计算机视觉领域一向有价值的新技术,论述了NSCT变换理论,先将图像作非下采样拉普拉斯金字塔尺度分解,在各个尺度层对高频子带作非下采样方向分解,然后分别采用基于区域能量和边缘检测的融合规则得到融合图像的非下采样Contourlet低频和高频系数;最后再进行非下采样Contourlet逆变换得到融合图像。实验结果表明,该方法的融合图像多项指标都优于Contourlet变换、NSCT变换。     

基于NSST-DWT-ICSAPCNN的多模态图像融合算法

为了增加融合图像的信息量,结合非下采样剪切波变换（Non-Subsampled Shearlet Transform, NSST）和离散小波变换（Discrete Wavelet Transform, DWT）的互补优势,提出了改进的多模态图像融合方法。采用NSST对两幅源图像进行多尺度、多方向的分解,得到相应的高频子带和低频子带;利用DWT将低频子带进一步分解为低频能量子带和低频细节子带,并利用最大值选择规则融合能量子带;采用改进连接强度的自适应脉冲耦合神经网络（Improved Connection Strength Adaptive Pulse Coupled Neural Network, ICSAPCNN）分别融合细节子带和高频子带,并对能量子带和细节子带进行DWT逆变换,得到融合的低频子带;采用NSST逆变换重构出细节信息丰富的融合图像。实验证明,提出的算法在主观视觉和客观评价方面均优于其他几种算法,且能同时适用于红外与可见光源图像、医学源图像的融合。     

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。     

NSST域模糊逻辑的红外与可见光图像融合

为了在红外与可见光图像融合时保留各自更多的细节信息,同时降低算法复杂度,采用了非下采样剪切波变换（NSST）和改进模糊逻辑的红外与可见光图像融合方法,利用NSST算法对红外图像和可见光图像分别进行多尺度、多方向稀疏分解,分别得到低频子带系数和高频子带系数。然后对低频子带系数采用基于改进的模糊柯西隶属函数的权值平均融合规则;对高频子带系数采用能量匹配度和视觉敏感度系数相结合的融合规则。最后对低频子带融合系数和高频子带融合系数执行NSST逆变换得到最终的融合图像,并进行了理论分析和实验验证。结果表明,此融合方法不仅可以保证融合清晰度,对缩短算法的运行时间也是有帮助的。     

基于不可分加性小波与形态学梯度的图像边缘提取方法

针对传统的图像边缘提取方法只强调图像中的水平和垂直边缘的不足,提出了一种基于不可分加性小波和形态学梯度相结合的图像边缘提取方法。根据二维不可分小波理论构造了低通滤波器,利用它对原图像进行加性小波多尺度分解;对低频子图像求形态学梯度,对增强后的高频子图像取模极大值;将所得梯度图与边缘图作加性小波逆变换,得重构后的边缘梯度图;并利用二值形态学方法对其进行处理,得最终结果边缘图。实验结果表明,本文算法可获得较好的边缘图像,与经典的边缘提取方法相比,该方法具有完整性、多方向性、平移不变性和快速性的特点。     

一种改进含噪多聚焦图像融合方法

针对目前多聚焦图像融合方法处理含噪图像缺乏有 效性而导致融合效果较差的问题,提出一种引导滤波结合脉冲耦合神经网络(PCNN)的非下采 样Shearlet变换(NSST)域内多聚焦图像融合方法。 首先,分别对待融合多聚焦图像进行NSST获取其相应高频子带和低频子带系数;对高 频子带系数,通过引导滤波结合改进简化PCNN模型设置融合规则;提取相位一致性、清晰 度和亮度等底层视觉特性,指导低频子带系数融合权重;最后反NSST获取最终融合结 果。实验结果表明,本文方法能够在噪声干扰情况下有效完成多聚焦融合,并且边缘和纹理 信息保持较好,当20标准差噪声时互信息提升了近0.15具有有效性。     

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...     

基于PCNN图像分割的医学图像融合算法北大核心CSCD

为充分提取源图像间的互补信息,改进传统的图像融合算法在亮度维持、能量保留、边缘信息保持等方面的不足,本文提出了基于脉冲耦合神经网络(pulse coupled neural network, PCNN)图像分割的医学图像融合算法。该算法综合了非下采样剪切波变换(non-subsampled shearlet transform, NSST)与PCNN。首先,选取标准差较大的源图像作为被分割图像,标准差较小的源图像作为参照图像,将源图像进行NSST分解,获取源图像低频子带系数和高频子带系数;在低频融合中,利用参数自适应的PCNN对被分割图像的低频子带进行分割,根据分割结果获取融合低频子带系数;在高频融合中,采用以区域能量和与拉普拉斯能量和两者的乘积作为判断函数,获取融合高频子带系数;利用NSST逆变换获取融合图像。最后,应用本文提出的算法,对脑萎缩、急性中风和高血压性脑病等3组电脑断层扫描/磁共振成像(computerized tomography/magnetic resonance imaging, CT/MRI)图像进行了融合仿真,并将仿真结果与2018年后国际刊上提出的5种算法的融合图像进行比较。结果表明,应用本文提出的融合算法得到的图像,有效地增强了不同模态间的信息互补,保持了融合图像与源图像具有相同明亮程度,又保留了源图像低亮度部分的边缘信息,更加符合人眼视觉特性,具有更高的客观评价指标。     

基于FCM与引导滤波的红外与可见光图像融合

针对传统红外与可见光图像融合算法中存在的目标模糊、细节丢失、算法不稳定等问题,提出了一种基于模糊C均值聚类（Fuzzy C-means, FCM）与引导滤波的红外与可见光图像融合方法。原图像经过非下采样剪切波变换（Nonsubsampled Shearlet Transform, NSST）后对低频子带进行引导滤波增强,再利用FCM与双通道脉冲发放皮层模型（Dual Channel Spiking Cortical Model, DCSCM）结合对高低频子带进行融合,最后经NSST逆变换得到融合图像。实验结果表明,本文算法稳定,主观评价上所得融合图像目标明确,细节保留较为完整,客观评价上在标准差、互信息、平均梯度、信息熵和边缘保留因子等评价标准中表现优良。     

Image denoising using sparse representation classification and non-subsampled shearlet transform

In this paper, an image denoising method is proposed which uses sparse un-mixing by variable splitting and augmented Lagrangian (SUnSAL) classifier in the non-subsampled shearlet transform (NSST) domain. To this aim, the noisy image is decomposed into various scales and directional components using the NSST and then the feature vector for a pixel is constituted by the spatial regularity in the NSST domain. Subsequently, the NSST detail coefficients are labeled as edge-related coefficients or noise-related ones by using the SUnSAL classifier. The noisy coefficients of the NSST subbands are then denoised by the shrink method, which uses the adaptive Bayesian threshold for denoising. Finally, the inverse NSST transform is applied to the denoised coefficients. Our experiments demonstrate that the proposed approach improves the image quality in terms of both subjective and objective inspections, compared with some other state-of-the-art denoising techniques.