基于Shearlet变换的图像去噪算法

针对传统变换域去噪算法的不足,提出一种基于Shearlet变换的图像去噪算法。该算法首先在Shearlet变换理论基础上实现了一种分解和重构的方法,然后用Monte-Carlo方法对高频系数进行估计,最后通过阈值函数进行收缩去噪。实验结果表明,该算法在抑噪和保持边缘的同时,取得了较好的视觉效果和更高的PSNR值。     

Shearlet与改进PCNN相结合的图像融合

为提高多聚焦和医学图像融合的性能,提出了一种基于Shearlet变换的新型图像融合算法。与小波变换类似,Shearlet具有简单的数学结构,这使其可以很方便地和多分辨分析关联起来。在对一幅图像作Shearlet变换时,可以将其在任意尺度和方向上进行解构,因而Shearlet比传统小波可以捕获更多的方向和其他几何信息。所以对于图像融合来说,Shearlet是一种很好选择。对于Shearlet子带系数的选择,采用了一种改进的PCNN的点火幅度来得到融合策略,而不是传统PCNN方法中的点火次数,点火幅度通过一个Sigmoid函数来得到。并且采用改进拉普拉斯能量和(SML)这一有效的聚焦度量作为PCNN的输入,以提高其性能。实验结果表明,该方法在视觉效果和客观评价指标上都要优于小波和非下采样Contourle(tNSCT)方法。     

基于Shearlet变换的图像边缘检测

现存的基于空间域或小波变换域的图像边缘检测算法只能有效检测出有限方向的边缘,不能很好地检测较为复杂的边缘。Shearlet变换能够对图像进行任意层次和任意方向的分解,可以捕捉更多复杂的边缘。利用这些特点,提出一种新的基于Shearlet变换和改进canny算子的边缘检测算法。算法对canny算子进行改进,提出自适应阈值确定方法;根据Shearlet变换的多尺度和多方向特性,提出融合多个方向子图边缘信息的算法。实验证明,该算法不仅提高了边缘检测的完整性和精确性,还可以有效抑制噪声。     

基于Shearlet的双正则化图像压缩采样恢复

针对图像压缩采样中正交小波变换方向有限和单一正则化的问题,提出了一种基于Shearlet的双正则化图像压缩采样恢复算法。该算法用Shearlet作为图像的稀疏表示,用交替最小化对联合正则化模型进行求解。实验结果表明,该算法恢复的图像与单一的全变分正则化方法和小波变换相比有更好的视觉效果,更高的峰值信噪比。     

SAR图像水域的改进Shearlet边缘检测

SAR图像水域边缘检测中,传统算法由于不能较好地克服斑点噪声影响,因此检测出的虚假边缘较多。利用多尺度几何Shearlet变换对曲线精确有效检测等特点,通过改进Shearlet变换并结合聚类及Snake模型等方法,提出了一种新的SAR图像水域检测方法。实验结果表明,该方法不仅提高了边缘检测的完整性和精确性,而且有效克服了斑点噪声的影响,对SAR图像水域边缘的检测是有效可行的。     

粒子群优化的最佳阈值选取

选取最佳的收缩阈值是变换域收缩去噪的关键。针对Shearlet变换域图像收缩去噪的阈值选取问题,提出了基于粒子群优化的最佳阈值选取算法。建立了Shearlet变换域最佳阈值选取的广义交叉验证准则;以广义交叉验证准则为适应值函数,利用粒子群优化算法自适应地确定出与Shearlet尺度和方向匹配的最佳阈值。算法不依赖任何的先验知识,实现Shearlet变换域图像自适应去噪。仿真结果表明,最佳阈值能够更有效地去除噪声,获得更好的视觉效果。     

迭代离散Shearlet变换异类源遥感图像融合

Shearlet变换是一种多尺度几何分析算法,适用于遥感这类纹理丰富、边缘复杂的图像处理。提出了一种基于迭代离散Shearlet变换的图像融合算法,将源图像进行分解,得到图像的多尺度、多方向树型结构表示;对粗糙分量和带通细节分量分别采用不同的融合规,得到融合图像的树型结构表示;最后进行Shearlet反变换得到融合图像。仿真结果表明,提出的算法比基于Contourlet变换的图像融合算法有更好的效果,更有利于保留纹理和边缘信息。     

Shearlet变换域内容自适应图像水印算法

提出了一种Shearlet变换域嵌入强度因子能随图像内容自适应的水印算法。算法首先利用Shearlet变换对图像内容稀疏表示选择性,找出符合人眼视觉特性要求的水印嵌入位置,然后依据图像内容自适应地计算出水印嵌入强度因子,较好地解决了鲁棒性与可见性之间的矛盾。实验结果表明,该算法能够抵抗各种攻击,具有强鲁棒性。     

基于Shearlet框架的多尺度去噪算法

目前的经典多尺度系统Curverlet、Contourlet存在的主要缺点之一是它们无法将连续性与数字世界进行统一处理,而Shearlet系统是目前多尺度领域内唯一满足这一性质同时还提供对图像的最优稀疏表示的多尺度系统。提出一种用限制频带的Shearlet变换来进行多尺度分析,其主要通过对图像进行快速PPFT变换,以及加权和加窗处理得到Shearlet系数,通过SURE-LET变换进行噪声估计优化分解系数,最后进行Shearlet重构得到去噪图像。实验结果表明,相比于目前的去噪算法,在PSNR、SSIM和时间上,该算法都有一定的优势。     

基于NSST域的自适应区域和SCM相结合的多聚焦图像融合

为了提高多聚焦图像的融合效果,结合多源图像之间的共享相似性,提出了一种基于非下采样Shearlet变换(Nonsubsampled Shearlet Transform,NSST)域的自适应区域与脉冲发放皮层模型(Spiking Cortical Model,SCM)结合的新型图像融合算法。首先用NSST分解源图像,然后计算边缘能量(Energy Of Edge,EOE),在自适应区域用投票加权法融合低频系数,高频系数由边缘能量作为输入的SCM点火图融合,最后通过逆NSST获得该融合图像。该算法既可以很好地保持源图像的信息,又可以抑制在变换域因非线性运算产生的像素失真。实验结果表明,该方法优于最新的变换域和脉冲耦合神经网络(Pulse Coupled Neural Network,PCNN)融合方法。     

基于非局部自相似的Shearlet自适应收缩图像去噪

针对Shearlet收缩去噪引入的Gibbs伪影和"裂痕"现象,提出一种结合非局部自相似的Shearlet自适应收缩图像去噪方法.首先,对噪声图像进行多方向多尺度的Shearlet分解;然后,基于高斯比例混合(GSM)模型的Shearlet系数分布建模,利用贝叶斯最小二乘估计对Shearlet系数进行自适应收缩去噪,重构得到初始去噪图像;最后,利用非局域自相似模型对初始去噪图像进行滤波处理,得到最终的去噪图像.实验结果表明,所提方法在更好地保留边缘特征的同时,有效地去除噪声和收缩去噪引入的Gibbs伪影,该方法获得的峰值信噪比(PSNR)和结构自相似指标(SSIM)比基于非抽样剪切波变换(NSST)的硬阈值去噪方法提高1.41 dB和0.08;比非抽样Shearlet域GSM模型去噪方法提高1.04 dB和0.045;比基于三变量模型的剪切波去噪方法提高0.64 dB和0.025.     

Image denoising in extended Shearlet domain using hidden Markov tree models

Denoising of images is one of the most basic tasks of image processing. It is a challenging work to design an edge-preserving image denoising scheme. Extended discrete Shearlet transform (extended DST) is an effective multi-scale and multi-direction analysis method; it not only can exactly compute the Shearlet coefficients based on a multiresolution analysis, but also can provide nearly optimal approximation for a piecewise smooth function. In this paper, a new image denoising approach in extended Shearlet domain using hidden Markov tree (HMT) model is proposed. Firstly, the joint statistics and mutual information of the extended DST coefficients are studied. Then, the extended DST coefficients are modeled using an HMT model with Gaussian mixtures, which can effectively capture the intra-scale and inter-scale dependencies. Finally, the extended Shearlet HMT model is applied to image denoising. Extensive experimental results demonstrate that our extended Shearlet HMT denoising method can obtain better performances in terms of both subjective and objective evaluations than other state-of-the-art HMT denoising techniques. Especially, the proposed method can preserve edges very well while removing noise.     

自适应Shearlet域约束的全变差图像去噪

采用传统非线性扩散图像去噪方法得到的图像边缘模糊,为此,提出一种有限自适应Shearlet域约束的极小化变分图像去噪算法。通过自适应阈值收缩Shearlet系数,保留图像纹理与边缘空间,利用全变差极小化平滑空间,建立全变差正则化的能量泛函去噪模型。实验结果表明,该算法能在减少图像噪声的同时,保留图像边缘信息,对含有丰富纹理结构的图像,去噪性能更佳。     

Extended Shearlet HMT Model-Based Image Denoising Using BKF Distribution

Images are often corrupted by noise in the procedures of image acquisition and transmission. It is a challenging work to design an edge-preserving image denoising scheme. Extended discrete Shearlet transform (extended DST) is an effective multi-scale and multi-direction analysis method; it not only can exactly compute the Shearlet coefficients based on a multiresolution analysis, but also can represent images with very few coefficients. In this paper, we propose a new image denoising approach in extended DST domain, which combines hidden Markov tree (HMT) model and Bessel K Form (BKF) distribution. Firstly, the marginal statistics of extended DST coefficients are studied, and their distribution is analytically calculated by modeling extended DST coefficients with BKF probability density function. Then, an extended Shearlet HMT model is established for capturing the intra-scale, inter-scale, and cross-orientation coefficients dependencies. Finally, an image denoising approach based on the extended Shearlet HMT model is presented. Extensive experimental results demonstrate that our extended Shearlet HMT denoising approach can obtain better performances in terms of both subjective and objective evaluations than other state-of-the-art HMT denoising techniques. Especially, the proposed approach can preserve edges very well while removing noise.     

基于快速响应码的非线性光学图像加密算法

为增强加密系统的抗破译能力,提出快速响应码耦合Shearlet变换的非线性光学加密算法。引入非线性复合混沌系统,构建交叉置乱方法,改变明文的像素位置;借助二维码生成器,将置乱结果转换成对应的快速响应码QR (quick response)码;采用Shearlet变换,对QR码实施5级分解,输出5个剪切系数,利用一个安全图像与第一个剪切系数互换,联合其它4个系数,借助可逆Shearlet变换,生成过渡图像;设计调制融合掩码,基于Gyrator变换,对过渡图像实施加密,获取Gyrator频谱;通过幅度-相位截断,将Gyrator频谱实施分割,输出密文。测试数据表明,与已有的光学加密方法相比,所提方案具备更高加密安全性与复原质量。     

基于Shearlet变换和多尺度Retinex的遥感图像增强算法

传统的小波变换、曲波变换和轮廓波变换无法对图像提供最优的稀疏表示,不能取得好的增强效果,为此,提出了一种基于剪切波(Shearlet)变换的图像增强算法.经Shearlet变换,图像被分解成低频分量和高频分量.首先,对Shearlet变换分解后的低频分量进行多尺度Retinex(MSR)调整,以减轻光照条件对图像的影响;其次,对各尺度、各方向上的高频系数采用阈值抑噪来消除噪声;最后,对重构图像进行模糊对比度增强,提高图像的整体对比度.实验结果表明该算法能够明显改善图像的视觉效果,突出图像的纹理细节且具有良好的抗噪性能.与直方图均衡(HE)、MSR、基于非下采样轮廓波变换(NSCT)的图像模糊增强(NSCT_fuzzy)算法相比,图像清晰度、信息熵、峰值信噪比(PSNR)均有一定的提高,且运行时间缩短为MSR的1/2和NSCT_fuzzy的1/10左右.