基于NSST的红外与可见光图像融合算法

针对红外与可见光图像具有不同的特点,提出一种新的基于非下采样剪切波变换（NSST）的红外与可见光图像融合算法.算法首先采用NSST将已配准的红外与可见光图像进行分解,得到低频子带图像和各尺度各方向的高频子带图像;然后对低频子带图像采用一种基于显著图的低频融合规则进行融合,而对高频子带图像的融合,结合人眼视觉特性,采用一种基于改进的区域对比度的融合规则;最后,对融合的低频子带图像和高频子带图像进行NSST逆变换得到融合图像.实验结果表明,该算法能够有效地综合红外与可见光图像中的重要信息,融合效果要优于一般的基于NSCT、NSST的图像融合方法.     

边缘和对比度增强的NSST域红外与可见光图像融合

为了将红外图像的全局信息与可见光图像的细节信息进行有效结合,进一步提高融合后图像的质量,提出了一种同时增强图像边缘细节和对比度的非下采样剪切波变换(NSST)域红外和可见光图像融合方法。首先,通过平移不变剪切波将图像分解成为低频子带与高频子带,通过全局显著性图分析图像的对比度信息;利用改进型局部显著度图分析图像局部边缘信息。针对不同频带系数,结合边缘信息和对比度信息对频带系数进行融合,最后,利用逆变换得到最终的融合图像。大量实验结果表明,本文方法在提高图像整体对比度的同时增强了图像的边缘细节表现能力,优于现有的基于小波变换,非下采样轮廓波变换(NSCT)和显著度图等几种图像融合方法。     

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。     

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。      

基于NSST和稀疏表示的多源异类图像融合方法

针对SAR、红外和可见光图像的灰度差异性大,融合图像感兴趣目标不突出的问题,提出一种基于NSST和稀疏表示的多源异类图像融合方法。首先将训练图像进行NSST变换,在低频系数上构建多尺度学习字典;对SAR、红外和可见光图像进行NSST变换,利用滑动窗口分解低频系数为图像块序列,对图像块序列零均值化后再稀疏分解,采用稀疏系数绝对值取大的融合规则;高频子带系数采用局部方向信息熵显著性因子取大的融合规则;最后对融合系数进行NSST逆变换得到最终的融合图像。     

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。     

卷积神经网络结合NSST的红外与可见光图像融合

传统的多尺度红外与可见光图像融合方法,所提取的图像特征固定,并不能很好的应用于各类复杂的图像环境,而深度学习可以自主选择合适图像特征,改良特征提取单一性问题,因此提出一种基于卷积神经网络与非下采样剪切波变换（NSST）相结合的红外与可见光图像融合方法。首先,用卷积神经网络提取红外目标与背景的二分类图,利用调频（FT）显著性检测算法对分类图进行精准分割,同时,利用NSST将源图像多尺度、多方向进行分解;其次,利用目标显著性结合自适应模糊逻辑算法进行低频子带融合,利用高频系数局部方差对比度方法进行高频子带融合;最后,通过NSST逆变换得到融合后图像。实验结果表明:相比于传统图像融合算法,该方法在信息熵、平均梯度、空间频率、互信息和交叉熵等多个客观评价指标上至少分别提高了0.01%、0.30%、1.43%、2.32%、1.14%。一定程度提高了融合图像对比度,丰富了背景细节信息,更有利于人眼识别,可以广泛的应用于光电侦察、光电告警、多传感器信息融合等光电信息领域。     

基于NSST和CS的红外与可见光图像融合

针对红外与可见光图像需要实时融合的特点,提出一种降低算法复杂度的基于非降采样剪切波变换(Non-subsampled Shearlet Transform)和压缩感知域的红外与可见光图像融合算法。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,分别得到低频系数和各带通方向子带系数。对低频子带系数采用基于目标特征的加权平均融合规则;压缩感知理论的测量矩阵采用哈达马阶快速沃尔什矩阵,对细节信息保留较多的各带通子带系数进行观测测量,得到更稀疏的各带通子带系数测量值,对此测量值采用基于区域方差选大的融合规则得到融合测量值,运用基于增广的拉格朗日乘子和交叠方向恢复算法对融合测量值进行重构得到近似精确的各带通子带融合系数,最后对低频子带融合系数和各带通方向子带融合系数执行NSST逆变换得到最终的融合图像。实验结果表明,该融合方法不仅可以保证融合清晰度,同时还可以缩短算法的运行时间。     

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和自适应稀疏表示的紫外光与可见光图像融合

针对紫外成像仪中紫外光图像与可见光图像的灰度值特点及传统的图像融合方法在图像融合时存在紫外光斑信息丢失的问题,提出一种基于非下采样剪切波变换(NSST)和自适应稀疏表示的紫外光与可见光图像融合方法。首先用NSST变换分解源图像,得到低频子带系数和高频子带系数;然后采用邻域标准偏差取大的融合规则融合低频子带系数,生成近似融合图像;根据自适应稀疏思想指导高频子带系数的融合;最后通过逆NSST变换重构得到融合图像。实验结果表明,该方法在保留可见光背景信息的基础上,很好地融合了紫外光斑信息,改善了图像的主观视觉质量,在客观评价指标上也有所提高。     

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。     

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。     

Low bit-rate cloud-based image coding in the wavelet transform domain

The rapid growth of image resources on the Internet makes it possible to find some highly correlated images on some Web sites when people plan to transmit an image over the Internet. This study proposes a low bit-rate cloud-based image coding scheme, which utilizes cloud resources to implement image coding. Multiple- discrete wavelet transform was adopted to decompose the input image into a low-frequency sub-band and several high-frequency sub-bands. The low-frequency sub-band image was used to retrieve highly correlated images (HCOIs) in the cloud. The highly correlated regions in the HCOIs were used to reconstruct the high-frequency sub-bands at the decoder to save bits. The final reconstructed image was generated using multiple inverse wavelet transform from a decompressed low-frequency sub-band and reconstructed high-frequency sub-bands. The experimental results showed that the coding scheme performed well, especially at low bit rates. The peak signal-to-noise ratio of the reconstructed image can gain up to 7 and 1.69 dB over JPEG and JPEG2000 under the same compression ratio, respectively. By utilizing the cloud resources, our coding scheme showed an obvious advantage in terms of visual quality. The details in the image can be well reconstructed compared with both JPEG, JPEG2000, and intracoding of HEVC.     

Low-light color image enhancement based on NSST

In order to improve the visibility and contrast of low-light images and better preserve the edge and details of images, a new low-light color image enhancement algorithm is proposed in this paper. The steps of the proposed algorithm are described as follows. First, the image is converted from the red, green and blue (RGB) color space to the hue , saturation and value (HSV) color space, and the histogram equalization (HE) is performed on the value component. Next, non-subsampled shearlet transform (NSST) is used on the value component to decompose the image into a low frequency sub-band and several high frequency sub-bands. Then, the low frequency sub-band and high frequency sub-bands are enhanced respectively by Gamma correction and improved guided image filtering (IGIF), and the enhancedvalue component is formed by inverse NSST transform. Finally, the image is converted back to the RGB color space to obtain the enhanced image. Experimental results show that the proposed method not only significantly improves the visibility and contrast, but also better preserves the edge and details of images.     

基于双树复小波变换的红外小目标检测算法

双树复小波分析是一种有效的图像处理方法,但是将其直接应用于红外小目标检测时,由于其对图像中的高频信息特别敏感,无法在保留目标的同时有效地滤除噪声。论文充分利用双树复小波方法方向性好的优点,并针对其高频敏感问题,提出了一种基于双树复小波变换与图像熵的红外小目标检测算法,从而能够有效去除图像中的杂波,同时凸显出小目标。该算法首先对原始图像进行双树复小波分解,将其低频子带置零,并利用高频子带进行双树复小波重构;接着,对重构后的图像进行二次双树复小波分解,并采用改进的Top-Hat算子对分解后的低频子带进行滤波,同时保留分解后±15°方向的子带,并通过高通滤波对其进行处理;之后,将滤波后的低频子带图像与原低频子带图像进行差分,得到低频差分图像;最后,利用低频差分图像与滤波后的高频子带图像进行红外图像重构,并通过局部图像熵进行加权,从而提取出红外小目标。实验结果表明,与对比算法相比,本文算法在BSF与SCRG方面表现优越,可以有效抑制背景中的杂波并提高小目标的信杂比。     

一种基于蚁狮最大熵算法与引导滤波的图像融合算法

传统红外与可见光图像融合算法中易出现目标提取不够充分、细节丢失等问题,导致融合效果不理想,从而无法应用于目标检测、跟踪或识别等领域。因此,该文提出一种基于蚁狮优化算法(ALO)改进的最大香农(Shannon)熵分割法结合引导滤波的红外与可见光图像融合方法。首先,使用蚁狮最大熵分割法(ALO-MES)对红外图像进行目标提取,然后,对红外和可见光图像使用非下采样剪切波变换(NSST),并对获得的低频和高频分量进行引导滤波。由提取的目标图像与增强后的红外和可见光低频分量通过低频融合规则得到低频融合系数,增强后的高频分量通过双通道脉冲发放皮层模型(DCSCM)得到高频融合系数,最后经NSST逆变换得到融合图像。实验结果表明,所提算法能够得到目标明确、背景信息清晰的融合图像。     

NSST域内结合UDWT与PCNN医学图像融合算法

为了进一步突出医学融合图像的细节信息,提升 清晰度,本文提出NSST域内结合UDWT与PCNN医学图 像融合算法。首先,将两幅源图像分别通过NSST 进行分解,获得相应的低频和高频子带。 在低频融合规则中, 采用UDWT将低频子带进一步分解为能量子带与细节子带,进一步利用PCNN融合这两幅源图 像对应的低频能量 子带;利用区域能量和融合这两幅源图像的低频细节子带,再应用逆UDWT融合低频细节子 带和能量子带。其次, 在高频融合规则中,采取UDWT分别将A和B两幅源图像对应的高频子带进一步分解为高频 能量子带与高频细节 子带,再根据拉普拉斯能量和与区域能量和的组合,获取融合后的高频子带。最后,利用逆 NSST获取融合图像。 实验证明,本文提出的算法与现有主流算法相比,实验结果在视觉效果和客观指标方面均具 有较大优势。