一种新的红外与可见光图像融合算法

提出了一种新的红外与可见光图像融合算法,首先应用非抽样Contourlet变换(NSCT)对图像进行多尺度、多方向变换,对变换的低频子带采用改进的能量加权法融合,带通子带融合采用最大系数与区域方差加权相结合方法,然后对融合的2个子带系数进行NSCT反变换,得到融合图像。对不同算法的融合实验结果进行比较,通过主观和客观评价,该算法融合效果较好。     

基于非抽样Contourlet变换的医学图像融合算法

分析了非抽样Contourlet变换（Nonsubsampled Contourlet Transform,NSCT）的原理,提出了一种新的基于NSCT的医学图像融合算法,应用NSCT对CT和MRI图像进行多尺度、多方向分解,低频子带采取区域能量加权法融合,带通子带采取模最大融合,最后将融合的系数进行NSCT逆变换得到融合图像。实验表明,与其它融合算法比较,该算法融合图像效果较好。     

基于非采样Contourlet变换多传感器图像融合算法

针对同一场景多聚焦图像的融合问题, 提出了一种基于非采样 Contourlet 变换 (Nonsubsampled Contourlet transform, NSCT) 图像融合算法. 并对经 NSCT 分解得到的不同频域子带系数, 分别讨论了低频子带系数和各带通方向子带系数的选择方案. 在选择低频子带系数时, 提出了一种基于图像局部区域梯度能量和``加权平均'相结合的系数选择方案, 从而不仅能够恰当地选择融合后图像的 NSCT 系数, 还能够有效地抑制噪声对融合图像质量的影响; 在选择带通方向子带系数时, 充分利用了 NSCT 的方向特性以及各尺度子带图像与源图像尺寸大小相同的特性, 给出了非采样 Contourlet 域方向对比度的概念, 并提出了一种基于方向对比度的系数选择方案. 采用了多聚焦图像进行仿真实验, 并对融合结果进行了主客观评价. 实验结果表明, 相比于传统的基于小波变换的图像融合算法, 该算法能够有效避免``人为'效应或高频噪声的引入, 得到具有更好视觉效果和更优量化指标的融合图像.     

基于非下采样Contourlet变换多聚焦图像融合

针对同一场景多聚焦图像的融合问题,本文提出了一种基于非下采样Contourlet变换(NSCT)多聚焦图像融合算法。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;其后,针对低频子带系数的选择,提出了一种基于方向向量模和加权平均相结合的融合规则;然后,针对带通方向子带系数的选择,提出了一种基于改进的方向对比度和局部区域能量相结合的融合规则;最后,经NSCT逆变换得到融合图像。实验结果表明,该算法能够有效地保留源图像的有用信息,避免噪声、虚影等效应,是一种有效可行的图像融合算法。     

NSCT变换的SAR和可见光图像融合

非下采样Contourlet变换同时具有多尺度、多方向选择性、多分辨分析和平移不变性质的特点,对SAR和彩色可见光图像融合的问题,提出一种基于非下采样Contourlet变换和HIS变换相结合的多传感器融合算法。通过对经非下采样Contourlet变换分解得到的不同频域子带系数选择方案的分析,对低频子带系数的选择,提出了一种基于SAR图像与彩色可见光图像物理特征的“加权平均”的系数选择方案;针对各带通方向子带系数的选择,采用绝对值选大多分辨率融合算法。实验以同一场景下ku波段的SAR图像和彩色可见光图像进行算法验证,实验结果和信息熵、均值、相关系数、偏差指数和交叉熵等客观评价数据表明,方法具有较好的融合效果。     

基于NSCT变换的红外与可见光图像融合技术研究

提出了一种基于非下采样Contourlet变换(NSCT)的红外与可见光图像的融合算法。采用对低频系数取平均,对高频系数中最大分解尺度选择系数最大值,其他尺度系数采用局部方差最大的规则,通过对所得到的融合系数进行逆变换即可得到融合后的图像。实验表明:该算法结合了NSCT的多尺度、多方向和平移不变性的优点,能够更好地提取源图像特征,增强融合图像的空间细节表现能力。融合后的图像具有较好的主观视觉效果,标准差和熵值较传统的融合方法有所提高。     

基于非抽样Contourlet变换的多聚焦图像融合算法

文中研究了非抽样Contourlet变换（NSCT）的原理,以及其多尺度、局部化、方向性和各向异性等优点。提出了一种基于NSCT的多聚焦图像融合新算法。本算法将多聚焦图像进行NSCT分解,不同子带采用不同的融合规则,低频子带采用新的基于灰度形态学梯度算子的融合算法,并做一致性检测,带通子带采用基于区域能量的融合算法。最后将融合得到的系数进行NSCT反变换得到融合图像。实验结果表明,与其他融合算法相比较,该算法可以更有效地保留源图像信息和细节特征。     

基于区域特征的非下采样Contourlet变换卫星云图融合

对不同的卫星云图进行融合处理,可为灾害性天气的监测和预警提供更为全面的信息,提出一种基于区域特征的非下采样Contourlet变换(NSCT)卫星云图融合新方法。首先,采用NSCT对卫星云图进行多尺度和多方向分解,得到低通子带系数和各带通方向子带系数;然后,对低通子带系数采用基于图像区域相关系数和区域能量的自适应融合规则,对各带通方向子带系数采用加权和区域方差相结合的融合规则;最后,对融合系数进行NSCT逆变换得到融合云图。实验结果表明,该算法在增强融合云图的纹理及边缘等细节信息的同时,能更好地保留源红外云图的红外信息,融合效果更好。     

自适应PCNN与信息提取的红外与可见光图像融合

提出基于非采样Contourlet变换（NSCT）的红外与可见光图像融合方法,用于有效地保留目标信息与空间背景信息,提高融合图像的可观测性与视觉效果。首先,基于NSCT方法对红外与可见光图像进行第一次融合,采用自适应PCNN方法提取目标信息融合低频子带系数,采用区域方差取大的规则融合高频子带系数,通过逆NSCT得到初次融合图像。然后,通过信息提取,得到初次融合图像和源图像的边缘保持度与信息熵。最后,依据信息熵与边缘保持度,采用不同的融合策略对红外与可见光图像进行第二次融合。实验结果表明,所述方法从主观视觉效果和客观评价都优于几个流行的基于多尺度变换的图像融合方法,与基于NSCT融合图像对比,两组实验融合质量指标分别提高了261.06%、48.31%、5.15%、142.95%、21.62%和372.85%、54.62%、4.73%、163.07%、25.40%。融合图像不仅边缘等细节纹理更加清晰,且视觉上更符合人眼视觉特性。     

基于非下采样Contourlet系数局部特征的遥感图像融合方法

根据多光谱图像和全色图像非下采样Contourlet变换(NSCT)后低频子带和高频方向子带不同的融合目的,提出了一种基于NSCT系数局部特征的遥感图像融合方法。首先将全色图像和多光谱图像的I分量进行NSCT变换,在低频子带采用有选择的加权求和规则,对于高频方向子带系数,在最高分解层上,采用高频方向子带系数绝对值较大的算子,而在其它的分解层,根据高频方向子带系数的区域方差,比较一定区域内各个系数区域方差的大小,采用有选择的融合方法,然后对融合的高频方向子带系数进行一致性检验。实验表明:融合图像在最大限度保持源图像光谱信息的同时,其清晰度较其它的融合方法得到了较大的提高。     

基于PCNN与区域特征的红外与可见光图像融合

针对红外图像与可见光图像融合中容易产生红外目标不明显、对比度不高的问题,提出了一种新的融合算法。该算法创新地将PCNN与区域特征应用到NSCT域内低频和带通子带系数的选择上。通过NSCT分解得到待融合图像的子带系数。运用PCNN对分解后的子带系数进行处理,得到子带系数的点火映射图。低频子带点火映射图采取基于区域标准差的方法选取融合系数。带通子带点火映射图采取基于区域能量的方法选取融合系数。融合图像通过NSCT逆变换可以得到。仿真实验表明与其他算法相比,该算法能够得到红外目标突出、质量更好的融合图像,图像客观评价指标提升明显。     

基于NSCT和卷积稀疏表示的红外与可见光图像融合

针对红外与可见光图像融合时出现的细节模糊、对比度降低等问题,论文提出了一种基于非下采样轮廓波变换(Nonsubsampled Contourlet Transform,NSCT)和卷积稀疏表示(Convolutional Sparse Representation,CSR)的图像融合方法.首先,分别对红外图像和可见光图...     

基于非降采样Contourlet变换的红外与可见光图像融合及稳健性分析

提出一种基于区域显著性融合规则的非降采样Contourlet变换的红外与可见光图像融合方法.首先,对来自同一场景图像的红外与可见光图像的Ⅰ分量进行非降采样Contourlet变换;然后,依照区域匹配度量和显著性度量规则进行融合,而融合图像通过非降采样Contourlet反变换即可得到.最后,针对此方法进行大量实验,并将其融合结果与基于小波变换及拉普拉斯金子塔变换的融合结果进行比较,同时分析它们在不同噪声条件下的性能指标.     

基于非下采样contourlet变换与脉冲耦合神经网络的图像融合算法

提出一种基于非下采样contourlet变换(NSCT)与脉冲耦合神经网络(PCNN)的图像融合算法.该方法首先利用非下采样eontourlet变换对输入图像进行多尺度分解、多方向稀疏分解,准确捕获图像中的高维奇异信息,然后利用脉冲耦合神经网络的同步激发特性确定融合规则,选取融合系数,提高融合性能.实验结果表明,算法比小波变换、contourlet变换有更好的融合性能.