基于NSCT和改进Pal_King算法的电力设备红外图像增强方法

针对电力设备红外图像存在对比度较低、噪声复杂、清晰度不优的问题,提出一种基于NSCT和改进Pal_King算法的电力设备红外图像增强方法.采用直方图双向均衡化对红外测温图像进行预处理,对NSCT变换产生的低高频子带分别采用线性增强和改进的自适应阈值函数进行系数修正,通过NSCT反变换重构图像,利用改进的Pal_King算法进行图像增强处理.实验结果表明,该方法输出图像的平均梯度值、峰值信噪比值和熵值分别保持在5.9、25.4和6.8以上,提高了电力设备红外图像的对比度,有效抑制了噪声,使图像更加清晰.     

基于NSCT的遥感图像模糊增强算法

针对传统小波变换增强方法无法调整图像亮度的问题,提出一种基于非下采样Contourlet变换(NSCT)的遥感图像模糊增强算法。对遥感图像进行NSCT变换,得到图像的高通子带和低通子带,在高通子带设置阈值,对大于阈值的高通子带系数进行线性增强,小于阈值的系数置为0,对低通子带进行模糊对比增强。实验结果表明,该算法能获得较好的图像平均值和熵值,视觉效果较优。     

一种新的基于NSCT域的遥感图像增强算法

针对图像增强处理中产生的伪Gibbs现象、清晰度差等问题,利用下采样轮廓波变换（NSCT）的平移不变性特点,来抑制伪Gibbs现象,同时把模糊对比度和空间频率相结合来处理NSCT系数,提高了增强后图像的清晰度。实验结果证实,该算法使得增强后图像的质量明显优于常用的增强算法,具有一定实践价值。     

基于非下采样剪切波变换与引导滤波结合的遥感图像增强

针对遥感图像中对比度低、细节信息缺失和边缘梯度保持能力较弱等问题,提出了一种基于非下采样剪切波变换（NSST）与引导滤波相结合的遥感图像增强算法。首先,原始图像通过NSST被分解成低频子带和高频子带两部分。然后,对低频子带进行线性增强,提高整体对比度;采用自适应阈值法抑制高频子带的噪声,再对去噪后的高频子带进行引导滤波增强,提高图像的细节信息和边缘梯度保持能力。最后,对两部分子带进行NSST反变换,得到增强后的图像。实验结果表明,与直方图均衡、基于Contourlet变换和模糊理论的图像增强算法、基于非下采样Contourlet变换与反锐化掩膜结合的遥感图像增强算法以及基于非下采样Shearlet变换与参数化对数图像处理相结合的遥感图像增强算法相比,该算法的图像信息熵、峰值信噪比（PSNR）和结构相似性（SSIM）都有一定的提升,能明显地改善图像视觉效果,使得图像纹理更加清晰。     

基于自适应伽马转换函数的遥感图像增强

针对传统的遥感图像增强方法视觉效果不够理想的缺点,提出了一种基于平稳小波变换和分段自适应伽马灰度转换函数的遥感图像对比度增强方法。首先,对遥感图像进行平稳小波变换,接着对得到的最大尺度低频子带图像采用基于核函数的样本加权模糊C-均值聚类算法将该图像分为低、中和高亮度区域,并对各亮度区域依据其各自特点分别采用不同的自适应伽马灰度转换函数进行增强,然后利用贝叶斯萎缩阈值法和非线性自适应增益函数相结合计算高频子带的增益系数,从而得到增强后的高频子带图像;最后,由低频子带图像和高频子带图像重构得到增强后的图像。实验表明,该方法提高了遥感图像的全局对比度,改善了视觉效果,增强了图像的细节并抑制了噪声,获得了较好的图像增强整体效果。     

卫星遥感图像增强处理方法研究

在地震减灾研究中,遥感技术作为获取某些震害特征信息和基础空间信息工具而被广泛应用,但是由于在卫星成像过程中,受传统航宅摄影技术以及其它各种噪声的影响,造成遥感图像图质的退化,从而影响了后期的遥感信息的提取和处理.遥感图像增强处理,可以改善图像中某些特性的视觉效果,通过在Visual C++平台上对采集回来的图像进行直方图修正和局部方差均衡图像增强处理,结果提高了卫星遥感的显示质量,为后期地震减灾遥感信息的提取和处理奠定了一定的理论基础.     

基于曲波变换和模糊理论的遥感图像融合

作为一种新的多尺度几何分析方法,曲波比小波更适于分析图像中的直线和曲线边缘特征,利用这一特性,提出了基于曲波变换和模糊理论的遥感图像融合算法,利用曲波变换获取代表待融合图像特征的曲波系数,并将模糊理论引入融合规则中,自适应确定曲波系数的加权权值,实现图像的融合处理.对SAR与全色、多光谱图像融合实验结果的分析表明,该算法的融合效果优于传统的基于PCA、小波变换以及标准曲波变换的融合算法.     

基于非下采样Shearlet变换与模糊对比度的合成孔径雷达图像增强

针对合成孔径雷达（SAR）图像在成像和传输过程中引入噪声和干扰从而导致图像清晰度下降、细节丢失等问题,提出了一种非下采样Shearlet变换（NSST）与模糊对比度的SAR图像增强算法。首先,原始图像经NSST分解成一个低频分量和若干个高频分量;然后对低频分量进行线性增强以提高整体对比度,对高频分量采用阈值法进行增强以去除图像中的噪声;接着对处理后的两部分分量进行NSST反变换得到重构图像;最后采用模糊对比度算法对重构图像进行增强,提高图像细节信息和层次感,得到增强后的图像。对40幅图像的实验结果表明,与直方图均衡化、多尺度Retinex增强算法、基于Shearlet变换和多尺度Retinex的遥感图像增强算法、基于剪切波域改进Gamma校正的医学图像增强算法相比,该算法的图像峰值信噪比至少提升了22.9%,均方根误差至少降低了36.2%,能明显提升图像的清晰度,使图像的纹理信息更加清晰。     

一种改进的自适应模糊图像增强方法

Russo提出了一种模糊图像增强方法,该方法的效果由一个事先给定的参数来控制,由于同一幅图像不同区域的灰度值分布不尽相同,所以固定的参数并不能取得满意效果。为了获得更好的滤噪效果,研究了一种基于图像区域信息的改进的自适应模糊图像增强方法。该方法首先计算每个像素与其邻域像素的平均灰度差,然后根据该差值为每个像素分配一个噪声率,最后通过该噪声率来自适应地选择参数。该方法能够在滤除图像噪声的同时,不损失图像的细节特征信息。实验结果显示该方法较原方法有较大改进,并明显优于其他一些常规方法。     

基于小波变换和模糊理论的裂纹图像增强算法

针对传统图像增强算法的缺陷, 提出了一种基于小波分析和模糊理论的图像增强算法, 该算法先对原始图像进行小波变换得到图像的高频和低频小波系数, 再定义新的模糊隶属度函数对低频系数进行模糊增强, 对不同方向上的高频系数进行小波阈值去噪, 通过小波重构得到增强后的图像, 所有算法通过Matlab编程验证, 能有效的增强图像, 改善图像的视觉效果. 实验结果表明, 算法是可行有效的.     

改进的小波变换在多源遥感图像融合中的应用

在分析方向可调的小波变换与不可分离小波变换的基础上,以全色SPOT和多光谱TM遥感影像为数据源,结合可调小波变换与不可分离小波变换的优点,借助Matlab与ERDAS IMAGINE等工具,实现了改进的方向可调的不可分离框架小波变换的遥感影像融合处理.该方法与传统的融合方法相比,具有不可分离小波变换和方向可调性等优点,对图像的多分辨率信息的刻画比较精细,既能保持多光谱图像的光谱信息,又能保持全色图像的空间分辨率特性,从而提高了对影像的解译能力.     

基于NSCT域主分量分析的遥感图像去噪方法

提出一种新的结合非下采样Contourlet变换（NSCT）和主分量分析（PCA）的图像自适应阈值去噪方法。通过PCA估计NSCT域中的噪声能量,并与NSCT系数的领域信息相结合,构造出自适应阈值对遥感图像进行去噪。仿真实验结果表明,提出的方法与Contourlet硬阈值,基于Contourlet的图像PCA和NSCT硬阈值去噪方法相比能够有效去除遥感图像的高斯噪声,较完整地保持图像的边缘等细节信息,提高了图像的峰值信噪比,图像视觉效果也有明显改善。     

基于模糊形态学梯度的高分辨率遥感影像分割方法*

针对高分辨率遥感影像提出一种有效的分割方法。首先采用分块方式计算图像复杂度,根据不同的复杂度,使用相应参数的均值偏移算法对图像进行颜色量化,图像越复杂,量化级数越多;在量化结果的基础上构建多形状结构元素,然后使用该结构元素对图像提取模糊形态学梯度,并使用浸没式分水岭变换得到分割结果;最后,使用改进的合并代价函数进行小区域合并而获得最终结果。对QuickBird多光谱影像进行分割实验,结果证明了该方法的有效性。     

各向异性扩散的遥感图像边缘增强方法

为解决遥感图像边缘增强过程中辨识弱边缘和噪声的问题,提出一种改进的模糊各向异性边缘增强方法。根据非下采样轮廓波变换系数分布特征,获得像素几何结构信息;并基于各像素在不同子带的系数分布特征和噪声方差,分析其均值和最大值的模糊隶属度;利用模糊推理计算扩散系数,更好地控制各向异性扩散过程。实验结果显示,该方法具有更好的边缘增强和抑噪性能,能有效地辨识弱边缘和降低时间复杂度。     

最小模糊偏移度准则下的SAR图像对比度增强

针对SAR图像灰度特性,提出最小模糊偏移自动对比度增强算法(MFO)。该算法基于模糊理论,利用高斯型隶属度函数将图像灰度信息模糊化,以模糊偏移度最小准则确定模糊对比度增强操作数(INT),得到该准则下最优的S形灰度映射函数,增强SAR图像对比度。利用TEN、EME两种评估参数评价增强结果,验证了算法的有效性。     

基于Kmeans与SVM结合的遥感图像全自动分类方法*

遥感图像分类方法通常采用监督的学习算法,它需要人工选取训练样本,比较繁琐,而且有时很难得到;而非监督学习算法的分类精度通常很难令人满意.针对这些缺陷,提出一种基于K-means与支持向量机(SVM)结合的遥感图像全自动分类方法.首先使用K-means聚类算法对样本进行初始聚类,根据每类中样本数及其稀疏程度选取一些点作为标记的学习样本训练SVM分类器,然后用SVM对原始数据重新分类.Iris数据和遥感数据的实验结果均验证了新方法的有效性.     

改进的FKCN与局部信息相结合的图像分割

FKCN在分割图像时存在速度慢,对噪声比较敏感等问题。对FKCN进行改进,提出了快速的FKCN与图像局部信息相结合的遥感图像分割算法,将图像的空间信息和像素信息引入到改进的FKCN图像分割算法中,从而提高了FKCN的分割速度而且还增强了抗噪性能。实验结果表明,该算法显示了很好的分割效果和较强的抗噪性能。     

湿地遥感图像分割算法设计及实现

提出了一种结合熵和模糊C均值的聚类分割方法。模糊C均值（FCM）聚类算法广泛用于图像的自动分割,但是传统的FCM算法没有考虑像素的空间信息,因而对噪声十分敏感,基于二维直方图的模糊C均值聚类算法除了考虑像素点的灰度信息外还考虑了像素点邻域的空间信息,可有效地抑制噪声;在目标函数中引入熵项则能更好地抑制噪声和外围点对类中心估计的影响。实验分析结果表明,算法对湿地遥感图像的分割效果优于FCM算法。     

基于频域的遥感图像互信息配准方法

针对直接利用互信息进行图像配准存在的误差和插值假象问题,结合图像的频谱特性提出了基于频域的互信息计算方法,引入退火的思想改进了梯度上升法,利用它迭代搜索互信息最大值,使用相关长度估算最佳参数域,使得参数初始化更接近于最大值。实验结果表明,该方法对于多谱段遥感图像,较之传统方法具有明显的收敛性和稳定性。