织物纹理计算机图像处理的多频道分解方法

采用一种新的图像处理方法－－小波多频道分解方法,对织物图像进行处理,根据这种独到的图像分解方法及基本分解结果,提一种测量织物密度的新方法,它对织物组织与参数的计算机图像分析,识别及其进一步的应用;研究具有重要的参考价值。     

基于双树紧支剪切波变换的遥感图像融合

提出一种基于双树紧支剪切波的遥感图像融合算法。紧支剪切波变换是剪切波理论的空域实现,因其步骤中包含了传统的离散小波变换(DWT),引入了移变性。分析移变性对图像融合的影响,采用双树复数小波抑制紧支剪切波的移变性,与主分量分析变换(PCA)或IHS变换相结合,提出遥感图像融合算法。通过QuickBird和IKONOS的三组数据的进行实验,结果表明提出的融合方法性能优于基于DWT、à trous小波、Curvelet以及基于频域实现剪切波(à trous shearlet)方法。     

基于NSST域像素相关分析的医学图像融合

针对像素级多模态医学图像融合信息丢失的问题,提出了一种基于非下采样剪切波变换（NSST）的像素相关性分析（PCAS）的图像融合方法。首先,对源图像进行NSST分解,获得高低频子带。然后,利用提出的中心像素方差计算邻域像素与中心像素的强度相关因子,构建邻域像素相关系数矩阵,并提出将相关性拉普拉斯能量和作为高频方向子带的融合规则。再次,计算低频子带中心像素能量以及邻域像素能量梯度信息,得到低频融合决策图。最后,通过逆变换得到融合结果图像。磁共振图像（MRI）和计算机断层扫描（CT）、单光子发射计算机断层成像（PET）、正电子发射断层成像（SPECT）的脑部图像融合实验结果表明,本文融合方法可以很好地保留源图像的显著信息和纹理细节。     

像素级多传感器图像融合技术

随着图像传感器技术的发展,多传感器图像融合已成为图像理解、计算机视觉以及遥感领域中的一个研究热点,并广泛应用于自动目标识别、智能机器人、遥感、医学图像处理和制造业等领域.像素级多传感器图像融合获取的原始信息量最多、检测性能最好、应用范围最广,是各级图像融合的基础.详细介绍了像素级多传感器图像融合的原理,着重分析总结了常用的像素级多传感器图像融合的算法与质量评价标准,探讨了多传感器图像融合的应用与发展方向.     

QRS波的多尺度融合检测算法

提出一种基于模糊积分的小波变换多尺度融合检测算法，算法首先对心电信号进行Haar二进小波分解，并在每个尺度上输出各自的判决向量，在各个尺度的检测中采用了软决策方式，使决策形式更加合理，小波变换后各个尺度上的信息存在互补性，采用模糊积分的融合方法可以充分发挥和利用各个尺度的信息，在小波分解后1尺度和2尺度的效果较差，因此只选择3至6尺度的决策作为模糊积分融合算法的输入，尺度的检测效果是确定模糊积分密度的依据，因此融合算法不仅考虑了各尺度的决策结果，还考虑了各尺度之间的差异，实验表明，模糊积分融合算法可以有效提高检测能力。     

基于稀疏表示和PCNN的多模态图像融合

提出一种基于稀疏表示和脉冲耦合神经网络(pulse coupled neural network, PCNN)的新方法。首先将原图像进行bandelet变换,提取出图像中的几何流和bandelet系数等重要信息,再利用PCNN进行几何流融合、根据稀疏相似度优化融合后的几何流,然后更新部分bandelet系数并根据最大绝对值规则进行融合,最后通过bandelet逆变换得到融合后的图像。仿真实验结果表明,本算法有效改善了融合效果,融合图像边缘、纹理清晰,整体效果极佳;与现有的平均值融合算法、拉普拉斯金字塔算法以及基于小波变换和PCNN的WT-PCNN算法相比,本算法得到的融合图像的灰度均值、标准差、平均梯度、互信息等指标都得到了提高。     

基于区域显著性的双波段图像融合方法

为了在红外与可见光图像融合中保留更多有效信息,提出一种基于区域显著性分析的融合方法.通过区域分割以及多分辨率对比度分析,获得图像的尺度不变区域显著性图（RSISM）.利用RSISM能够有效表达区域的显著性特征,合理区分不同性质的区域;根据RSISM划分显著性区域、背景区域及中间区域,对各区域制定相异融合规则,并在非降采样轮廓波变换（NSCT）变换域上融合双波段图像.实验证明,与传统方法相比,该方法能够更好地保留显著性区域的红外特征及其他区域的细节信息,同时对背景热辐射干扰不敏感,有较好融合效果,并能够拓展应用于动态图像的融合中.     

基于帧间差分和背景差分的运动目标检测算法

针对运动目标检测领域中帧间差分法和背景差分法的缺陷,提出一种将两种方法融合在一起的新算法。首先,该算法在采用混合高斯建立背景模型时对方差更新作了修改,使得模型与真实背景更接近。其次,用连续三帧差分代替两帧差分,采取自适应差分阈值的方法。最后,将两种差分的结果融合并作形态学处理提取目标。实验结果表明,本文算法能有效抑制噪声和空洞,适应性强、检测效果良好。     

利用稀疏非负矩阵分解的大转角SAR成像方法

提出了一种采用稀疏非负矩阵分解(NMF)的大转角成像方法．首先将全孔径划分为若干相互重叠的子孔径,然后分别使用极坐标格式算法获得不同视角下的子图像,最终采用加入稀疏增强正则项的NMF算法在图像域对子图像进行迭代融合,获得目标增强和信噪比更高的全孔径综合图像．仿真实验结果验证了该方法的有效性．     

基于小波变换和稀疏成分分析的盲图像分离法

针对图像信号不满足稀疏性条件,不能直接用稀疏成分分析模型进行盲分离的现象,提出一种基于小波变换和稀疏成分分析的盲图像分离法. 利用小波分解将混合图像从空域转化到频域,获取混合图像高频对角分量,在频域空间利用线性聚类稀疏成分分析法估计混合矩阵,进而最终重构源图像. 实验结果表明,该方法能准确有效地提取源图像. 目视结果及相关系数分析结果均表明,与经典独立成分分析法(FASTICA)相比,该方法分离精度高,分离效果好.      

基于插值Directionlet变换的图像融合方法

为了凸显区域的细节特征,改善图像的视觉效果,本文通过对Directionlet变换进行插值处理,并结合压缩感知理论提出一种新的图像融合方法。在进行插值Directionlet变换分解以后,对低频分量通过其区域特征及其接近度进行系数融合;对于高频分量,使用改进稀疏化的哈达玛矩阵进行观测,并对观测值进行加权融合,然后对融合后的高频方向子带进行重构;最后通过插值Directionlet逆变换重构图像。数值试验显示,本文提出的融合算法计算复杂度低,融合效果好,能同时得到目标和场景均清晰的融合图像。     

基于小波变换的图像融合算法研究

提出了一种新的基于小波多尺度分解的分层图像融合方法;总结出基于小波分解子图像面积比和低频系数均方根误差2个标准,来确定最佳小波分解层数的方法。通过仿真实验,对分解层数、区域大小对该融合方法的性能影响进行了比较分析,并得出融合结果,将其与金字塔算法融合结果进行了比较。实验结果表明,该融合方法是十分有效的。     

基于显著计算与自适应PCNN的图像融合方法

针对多尺度变换的图像融合对低频系数进行简单的加权平均处理时,不能很好地保护源图像中的显著信息的问题,提出一种将视觉显著计算的结果作为自适应脉冲耦合神经网络的链接强度,通过脉冲耦合神经网络指导多尺度图像融合中低频系数融合的方法。首先对源图像进行形态非抽样小波分解,得到低频系数和各尺度的高频系数,对低频系数采用显著计算与脉冲耦合神经网络的融合规则,高频系数选取绝对值较大者,最后通过反变换得到融合图像。实验结果表明,该方法在一定程度上保留了源图像中的显著信息,改善了互信息、信息熵、平均梯度和边缘保持度等融合指标。     

Inverse synthetic aperture radar imaging based on sparse signal processing

Based on the measurement model of inverse synthetic aperture radar (ISAR) within a small aspect sector, an imaging method was presented with the application of sparse signal processing. This method can form higher resolution inverse synthetic aperture radar images from compensating incomplete measured data, and improves the clarity of the images and makes the feature structure much more clear, which is helpful for target recognition. The simulation results indicate that this method can provide clear ISAR images with high contrast under complex motion case.     

一种新的基于混合变换的图像稀疏表示

Tetrolet变换对图像中边缘和纹理的稀疏逼近性能远远高于小波变换,对细节丰富的图像具有明显优势,但其对平滑图像的逼近性能却不如小波变换．针对这一问题,本文提出了具有一定普适性的图像稀疏方法．首先,对图像进行小波变换,采用p-fold抽取滤波器对各子带进行多相分解,对分解结果进行主成分变换,并对两次能量聚集后的图像进行低频稀疏逼近;然后,根据前面结果生成细节图像,采用Tetrolet变换进行高频稀疏逼近．实验表明,在相同条件下,无论是客观质量还是主观质量,该方法均优于单一的小波变换和Tetrolet变换,证实了本文方法的有效性．     

Remote sensing image fusion based on sparse non-negative matrix factorization

In order to reduce the spectral and spatial distortions, a novel method based on sparse non-negative matrix factorization (SNMF) is proposed for multispectral and panchromatic images fusion. Firstly, the high spatial resolution and low spatial resolution dictionaries are learned from panchromatic. Then we construct a sparse non-negative matrix factorization model of the multispectral image. Thus, the coefficients matrix with spectral information can be obtained. The high spatial resolution multispectral image is produced by the multiplication high spatial resolution dictionary and the coefficients matrix. By introducing the sparse regularization, the instability of the standard non-negative matrix factorization is conquered and the fused image can preserve the high spectral and spatial information. Some experiments are made on QuickBird and Geoeye satellite datasets, and experimental results show that our proposed method can reduce distortions in both the spectral and spatial domains, and outperform some related pan-sharpening approaches in visual results and numerical guidelines.     

非凸稀疏低秩约束的高光谱解混方法

针对高光谱混合像元的丰度矩阵具有行稀疏特性,提出一种非凸稀疏低秩约束的高光谱解混方法．首先,建立高光谱图像非凸稀疏低秩约束模型,将丰度系数矩阵的非凸p范数作为稀疏约束,并将丰度系数矩阵奇异值的非凸p范数作为低秩约束;其次,构建联合低秩性先验与稀疏性先验的非凸极小化模型,并提出求解的增广拉格朗日交替极小化算法,将复合正则化问题分解成多个单一正则化问题,交替迭代求解．实验仿真结果表明,该算法比贪婪算法和凸优化算法能获得更高的解混精度,并且适用于信噪比较高的高光谱数据．     

基于引入反馈后的小波变换的图像融合

一般的图像融合算法需要通过人工参与比较才能判断融合效果的好坏。将效果评价作为反馈信号运用于多聚焦图像融合中,能够更方便地获得各个目标都比较清晰的图像。实验表明这种应用在图像融合中是有效的,比单一的融合算法要方便一些。