基于局部能量的NSCT域红外与可见光图像融合算法

提出了一种基于非下采样Contourlet变换(NSCT)的红外与可见光图像融合方法。首先对红外和可见光源图像进行多尺度、多方向分解;在低频系数上,采用基于局部能量比与基于局部能量加权相结合的方法进行融合;在高频系数上,定义了局部尺度方差的概念,并以局部尺度方差为测度进行取大融合;最后对融合系数进行重构得到融合图像。使用该算法对两类不同目的的红外与可见光图像进行了融合实验,实验结果表明,文中提出的算法在保留图像细节信息、增加信息量、方便目标检测方面都有显著地提高。     

基于四阶相关系数的NSCT域红外与可见光图像融合

采用非下采样Contourlet变换(NSCT)模型提出了基于四阶相关系数的红外与可见光图像融合方法。首先对融合图像进行多尺度和多方向分解;对于低频分量,充分考虑红外和可见光图像物理特性的差异,采用基于区域平均梯度的融合策略;对高频分量采用四阶相关系数匹配策略来选择合适的高频系数;最后对融合后的系数进行NSCT逆变换得到融合图像。实验结果表明,该融合算法能更好地保留目标信息,同时也显著地提高了图像的信息量,在主观视觉效果和客观评价方面具有较好的融合性能。     

基于目标提取与NSCT的图像融合技术研究

针对红外图像目 标突出、背景对比度差、可见光图像分辨率高以及对热目标不敏感且隐蔽目标无法发现等问 题,本文 提出了一种能够突出两种图像的优势信息且不降低图像分辨率的图像融合方法。首先采用 Renyi熵提取红外目标,并通过非下采样Contourlet变换(NSCT)对可见光图像进行自适应增 强;然 后将图像增强后的可见光图像与目标图像进行融合,得到融合图像。通过对比,本文融合图 像的视觉 效果明显优于其他方法的融合图像。最后,采用多种指标进行评价。结果表明,基于目标提 取的图 像融合方法可以有效突出目标信息,提高图像的亮度和对比度,特别适于低能见度下的目标 检测与图像增强。     

神经网络结合NSCT的多源图像融合算法

针对海洋弱目标监测存在因背景、海雾影响而"认不清"、"看不远"的问题,提出非下采样轮廓波变换和神经网络结合的多源图像融合算法。首先使用非下采样塔式结构滤波器组分解其预处理得到的偏振长波红外图像和可见光图像,进而采用神经网络得到初次融合图像与短波红外图像的图像特征,并从这些特征中提取权重,然后将特征图像取相对应的权重,融合得到最后的图像。该算法充分利用了红外图像亮度、强度信息和偏振光穿云透雾的特性,突出了目标轮廓细节,提高图像对比度,从而达到清晰识别海面目标的目的。     

基于多阈值分割的红外与可见光图像融合

对基于NSCT分解的可见光和红外图像的融合算法进行了优化技术研究.在场景复杂或有多个区域需要同时关注时,低频子图融合阶段采用简单的二值化区域分割方法并不能将不同区域的感兴趣目标有效地反映到融合结果中.所以本文采用基于最大熵的多阈值分割方法,并对每一个分割区域计算其区域能量比指导融合系数的求取;高频融合阶段采用最能保持图像细节的梯度最大规则.实验结果表明本文算法能够将多个区域中的感兴趣目标很好地反映到融合结果中,并保留了可见光图像丰富的细节信息和分辨率高特征,融合图像具有更好的视觉效果.     

NSCT域内结合边缘特征和自适应PCNN的红外与可见光图像融合

针对传统的基于多尺度变换的红外与可见光图像融合,对比度不高,边缘等细节信息保留不充分等问题,结合NSCT变换的多分辨率、多方向特性和PCNN全局耦合、脉冲同步激发等优点,提出一种基于NSCT变换结合边缘特征和自适应PCNN红外与可见光图像融合算法.对于低频子带,采用一种基于边缘的融合方法;对于高频方向子带,采用方向信息自适应调节PCNN的链接强度,使用改进的空间频率特征作为PCNN的外部激励,根据脉冲点火幅度融合子带系数.实验结果验证了该算法的有效性.     

基于NSCT结合显著图与区域能量的红外与可见光图像融合

针对传统的红外与可见光图像融合出现的清晰度和对比度偏低,目标不够突出的问题,本文提出了一种基于Non-subsampled Contourlet(NSCT)变换结合显著图与区域能量的融合方法。首先,使用改进的频率调谐（Frequency-tuned, FT）方法求出红外图像显著图并归一化得到显著图权重,单尺度Retinex(Single-scale Retinex, SSR)处理可见光图像。其次,使用NSCT分解红外与可见光图像,并基于归一化显著图与区域能量设计新的融和权重来指导低频系数融合,解决了区域能量自适应加权容易引入噪声的问题;采用改进的“加权拉普拉斯能量和”指导高频系数融合。最后,通过逆NSCT变换求出融合图像。本文方法与7种经典方法在6组图像中进行对比实验,在信息熵、互信息、平均梯度和标准差指标中最优,在空间频率中第一组图像为次优,其余图像均为最优结果。融合图像信息量丰富、清晰度高、对比度高并且亮度适中易于人眼观察,验证了本文方法的有效性。     

基于人眼视觉特性的遥感图像融合算法

首先提出基于非下采样Contourlet变换(NSCT,Nonsubsampled Contourlet Transform)的人眼视觉相对对比度灵敏度函数(RCSF,relative contrast sensitivity function)和绝对对比度灵敏度函数(ACSF,absolute contrast sensitivity function)。然后提出了基于人眼视觉对比度灵敏度函数(CSF,contrast sensitivityfunction)的遥感图像融合算法(IFA-CSF,image fusion algorithmof human visual contrast sensitivity function)。IFA-CSF采用NSCT作为多尺度变换工具,对单方向高频子带采用ACSF融合,对多方向高频子带采用RCSF融合,并对8方向高频子带采用先方向分组再融合的方法。实验结果表明,IFA-CSF优于基于传统CSF和基于局部能量的图像融合算法。     

基于卷积神经网络结合NSCT的红外与可见光图像融合

传统红外与可见光融合图像在复杂环境下存在细节缺失,特征单一导致目标模糊等问题,本文提出一种基于卷积神经网络结合非下采样轮廓波变换（non-subsampled contourlet transform,NSCT）的红外与可见光图像进行融合的方法。首先,通过卷积神经网络提取红外与可见光目标特征信息,同时利用NSCT对源图像进行多尺度分解,得到源图像的高频系数与低频系数;其次,结合目标特征图利用自适应模糊逻辑与局部方差对比度分别对源图像高频子带与低频子带进行融合;最后,通过逆NSCT变换得到融合图像并与其他5种传统算法进行对比;实验结果表明,本文方法在多个客观评价指标上均有所提高。     

NSCT域内基于改进PCNN和区域能量的多光谱和全色图像融合方法

针对多光谱和全色图像的融合,提出了一种NSCT域内基于改进脉冲耦合神经网络（PCNN）和区域能量的融合方法。首先,利用NSCT将图像分解为一个低频子带和多个不同方向的带通子带。然后,对分解后的低频子带采用基于区域能量的自适应加权算法进行融合;在带通方向子带,结合改进的脉冲耦合神经网络,使用带通方向子带系数作为PCNN的外部输入激励,经过PCNN点火获得待融合图像的点火映射图,根据点火时间计算点火映射图的区域能量,通过判决算子选择待融合图像的带通方向子带系数作为融合系数。最后,对融合处理后的NSCT变换系数进行重构生成融合图像。实验结果显示:在迭代次数为100次时,与改进小波算法相比,标准差提高了9.48%,熵提高了0.95%,相关系数提高了21.56%,偏差指数降低了29.66%;与Contourlet算法相比,标准差提高了9.73%,熵提高了0.94%,相关系数提高了11.27%,偏差指数降低了9.45%;与NSCT算法相比,标准差提高了3.84%,熵提高了3.34%,相关系数提高了7.89%,偏差指数降低了7.42%。     

结合邻域特征与IDCSCM的红外与可见光图像融合

提出了一种结合邻域特征与改进双通道脉冲发放皮层模型(Improved Dual-Channel Spiking Cortical Model,IDCSCM)的红外与可见光图像融合算法。针对传统的脉冲发放皮层模型对于图像较暗区域的处理存在不足,采用双通道脉冲发放皮层模型进行图像融合,并对其进行改进。结合非下采样剪切波对源图像进行分解,同时选用子带图像合适的邻域特征作为IDCSCM的输入激励进行融合。通过实验验证,该方法可以在保留可见背景信息的同时有效地提取红外图像的目标信息,与其他几种方法进行对比,在标准差、信息熵,以及互信息等方面有明显的提高。     

基于双特征量和NSCT的多波段SAR图像融合算法

不同波段的SAR图像进行融合,能够综合不同波段SAR图像的信息,得到包含更多信息的SAR图像。针对传统融合方法不能很好地处理SAR图像中边缘及纹理等细节信息的问题,该文提出一种基于双特征量的在非下采样Contourlet变换域融合的方法。对NSCT分解后的高频分量提出了一种基于区域能量和梯度两个特征量,采用平均与选择相结合的规则来计算高频子带系数。实验结果表明,该方法得到的融合图像在客观评价上要优于传统融合方法,这说明该方法在综合了不同波段SAR图像信息的同时能更好地保持细节信息。      

基于NSCT和PCNN的可见光与红外图像融合算法

提出了一种基于Contourlet变换的非下采样变换(Nonsubsampled ContourletTransform,NSCT)和脉冲耦合神经网络(Pulse Coupled Neural Network,PCNN)的可见光与红外图像融合算法。该算法首先对源图像进行NSCT分解,得到低频子带系数和各带通方向子带系数。然后对低频子带系数提出一种基于可见光与红外图像自身特性的加权平均融合方法,再对各带通子带系数提出基于PCNN的融合方法。最后经过NSCT逆变换得到融合图像。实验证明,该方法优于小波方法和传统的NSCT方法。     

基于NSCT的红外与可见光图像融合

针对红外与可见光图像特点,提出一种基于非下采样Contourlet变换(NSCT)的红外与可见光图像融合算法。该算法对源图像进行NSCT分解,得到低频分量和各带通方向子带分量;引入图像区域相关系数决策度,对低频分量和带通方向子带分量采用不同的融合规则进行融合;最后经过NSCT逆变换得到融合图像。实验证明,该方法可以更好地保留目标信息和图像细节信息。     

基于边缘和多特征选择的多聚焦图像融合

为了有效度量多聚焦图像中的聚焦区域,提出一 种基于边缘和多特征选择的多聚焦图像融合算法。 利用NSCT对源图像进行分解,对得到的低频子带系数采用基于边缘的融合策略;对于高频子 带系数,通过 拉普拉斯能量和、区域能量和方差提取邻域窗口的显著性特征,提出一种新颖的基于多特征 选择的高频融 合策略,该融合策略可以综合考虑区域特征的贡献,自适应的选取显著性特征和融合方法; 最后进行NSCT 逆变换得到融合图像。实验结果表明,与常用的融合方法相比,在主观效果上,本文方法能 够更有效保留 源图像中的边缘和细节信息;在客观指标上,本文方法的融合图像在互信息、边缘保持度、 熵、结构相似度以及标准差等客观评价具有明显的优势。     

基于NSCT的红外与可见光图像融合方法

针对红外与可见光图像在融合时亮点目标易丢失且背景信息不够清晰的问题,提出基于非下采样轮廓波变换(NSCT)与局部区域融合规则相结合的红外与可见光图像融合方法。利用NSCT对源图像进行多尺度、多方向分解,对低频子带系数采用加权平均取均值的融合规则,对高频子带系数采用系数值选大与局部均方差相结合的融合规则,将前两步得到的系数进行逆NSCT得到融合图像。实验结果表明,在主观视觉效果和客观评价方面,该融合算法都是有效的且可得到比参考融合算法更为理想的融合图像。     

一种基于非采样Contourlet变换红外图像与可见光图像融合算法

针对同一场景红外图像与可见光图像的融合问题,提出了一种基于非采样Contourlet变换(Nonsubsampled Contourlet Transform,NSCT)图像融合算法.算法首先采用NSCT对源图像进行多尺度、多方向分解,得到低频子带系数和各带通方向子带系数.然后,针对低频子带系数的选择,提出了一种基于红外图像与可见光图像物理特征的"加权平均"系数选择方案;针对各带通方向子带系数的选择,结合人眼视觉特性,提出了一种基于区域能量匹配的系数选择方案,得到融合图像的NSCT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可获得较理想的融合图像,其融合效果优于传统的基于离散小波变换以及离散小波框架变换的图像融合算法.     

基于NSCT域压缩感知模型的路面病害图像滤波算法

针对目前路面图像滤波算法复杂度高且难以耦合噪声抑制和信号平衡的缺点,提出一种基于非下采样Contourlet变换(NSCT)域压缩采样的滤波算法。首先,使用NSCT对含噪路面病害图像进行分解,得到变换后的低频子带系数和高频子带系数;然后,对高频子带系数建立压缩感知(CS)去噪模型,并采用伪随机傅里叶矩阵对系数进行观测,之后使用分裂Bregman迭代方法对系数进行重构,得到去噪模型重建后的高频子带系数;最后,采用逆NSCT对低频子带系数和高频子带系数进行重构,得到滤波后的图像。实验结果分析表明了本文算法的有效性。     

基于NSST与改进PCNN的红外与可见光图像融合方法

针对目标红外图像与可见光图像信息优势互补的需 求,引入改进的脉冲耦合神经网络,提出一种新颖的基于非下采样 剪切波变换的红外与可见光图像融合算法。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;其次低频分量的 融合是利用改进空间频率作用脉冲耦合神经网络输入激励,且其链接强度由表征图像信息的 平均梯度自适应调整;而高频分量 处理方法是利用局部平均梯度与区域方差自适应加权融合;最后,对分别处理后的低高频分 量经过非下采样剪切波变换可逆变 换获取融合图像。实验结果表明,该算法可以有效综合图像的优势信息,融合结果在主观与 客观评价上比经典算法更好。     

一种基于频域的红外与可见光图像融合新算法

引入具有详细数学表达的多小波——V-系统,利用V-系统的多分辨性和NSCT的多方向性,对红外和可见光图像进行多层次、多方向分解,各层次各方向采用不同的融合方案进行图像融合。首先对源图像进行多层V-分解,得到图像的轮廓信息和多层细节信息;接着用NSCT对V分解得到的轮廓信息再分解,得到相应的低频和高频系数,低频系数用基于稀疏表示的融合规则融合,高频系数用基于二维Log-Gabor能量的融合规则融合,将改进的脉冲耦合神经网络融合规则用于V分解得到的细节信息的融合;最后,经过相应的逆变换得到融合图像。本文算法从不同层面、不同方向对源图像分解,使得源图像的细节得到细致刻画,同时多种融合方案的结合,使得融合图像的细节信息更加清晰,对比度得到提高,客观指标也有显著提高。