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。     

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.     

基于稀疏表示和NSCT-PCNN的红外与可见光图像融合

针对小波变换容易造成细节信息丢失、非下采样轮廓波变换(NSCT)分解的低频子带系数不稀疏以及红外与可见光图像融合结果综合性能不佳的问题,提出了一种基于稀疏表示和NSCT-PCNN的红外与可见光图像融合算法。首先将源图像进行NSCT分解,获得低、高频子带;其次,利用K奇异值分解(K-SVD)算法对低频子带进行字典训练,实现低频子带的稀疏表示和低频稀疏系数的融合;然后,利用高频子带的空间频率激励脉冲耦合神经网络(PCNN),选择较大点火次数的系数作为高频子带的融合系数;最后对低、高频子带融合系数进行NSCT逆变换,得到融合的图像。实验结果表明,该算法在视觉效果和客观指标方面均具有较大优势,且融合结果综合性能优于现有算法。     

基于NSST和CS的红外与可见光图像融合

针对红外与可见光图像需要实时融合的特点,提出一种降低算法复杂度的基于非降采样剪切波变换(Non-subsampled Shearlet Transform)和压缩感知域的红外与可见光图像融合算法。利用NSST算法对红外图像和可见光图像分别进行多尺度、多方向稀疏分解,分别得到低频系数和各带通方向子带系数。对低频子带系数采用基于目标特征的加权平均融合规则;压缩感知理论的测量矩阵采用哈达马阶快速沃尔什矩阵,对细节信息保留较多的各带通子带系数进行观测测量,得到更稀疏的各带通子带系数测量值,对此测量值采用基于区域方差选大的融合规则得到融合测量值,运用基于增广的拉格朗日乘子和交叠方向恢复算法对融合测量值进行重构得到近似精确的各带通子带融合系数,最后对低频子带融合系数和各带通方向子带融合系数执行NSST逆变换得到最终的融合图像。实验结果表明,该融合方法不仅可以保证融合清晰度,同时还可以缩短算法的运行时间。     

基于NSST的红外与可见光图像融合算法

针对红外与可见光图像具有不同的特点,提出一种新的基于非下采样剪切波变换（NSST）的红外与可见光图像融合算法.算法首先采用NSST将已配准的红外与可见光图像进行分解,得到低频子带图像和各尺度各方向的高频子带图像;然后对低频子带图像采用一种基于显著图的低频融合规则进行融合,而对高频子带图像的融合,结合人眼视觉特性,采用一种基于改进的区域对比度的融合规则;最后,对融合的低频子带图像和高频子带图像进行NSST逆变换得到融合图像.实验结果表明,该算法能够有效地综合红外与可见光图像中的重要信息,融合效果要优于一般的基于NSCT、NSST的图像融合方法.     

基于热辐射信息保留的图像融合算法

针对现有的红外与可见光图像融合算法无法很好地保留红外图像热辐射信息这一问题,提出了一种基于热辐射信息保留的图像融合算法。通过NSCT（non-subsampled contourlet transform）变换对红外与可见光图像进行多尺度分解,得到各自的高频子带和低频子带,可见光低频子带部分经拉普拉斯算子提取特征后与红外低频子带部分叠加得到融合图像的低频系数,高频部分使用基于点锐度和细节增强的融合规则进行融合以得到高频系数,最后通过逆NSCT变换重构得到融合图像。实验表明,相较于其它图像融合算法,所提算法能在保留红外图像热辐射信息的同时,保有较好的清晰细节表现能力,并在多项客观评价指标上优于其它算法,具有更好的视觉效果,且在伪彩色变换后有良好的视觉体验,验证了所提算法的有效性和可行性。     

一种基于NSCT和PCNN的图像融合算法

在NSCT变换域提出了一种基于清晰度和PCNN的图像融合算法。首先对源图像分别进行NSCT变换,得到一组高频子带,和一个低频子带。然后对低频子带用提出的边缘清晰度算法进行融合处理,对高频子带,用提出的空间频率做链接强度的自适应PCNN算法进行融合处理。最后通过NSCT逆变换得到融合结果图像。对融合图像的结果分析证明,该算法在主观评价和客观评价指标方面都有所提高。     

基于非抽样Contourlet变换的红外图像和可见光图像融合算法

分析了非抽样Contourlet交换(nonsubsampled contourlet transform,NSCT)的原理和优点,针对红外图像和可见光图像的特征,提出了一种新的基于NSCT图像融合算法,应用NSCT对图像进行多尺度、多方向分解,低频子带采取区域能量加权法融合,带通子带采取区域方差加权法融合,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NSCT-PCNN的多聚焦红外图像融合

由于红外镜头景深的限制,为获得场景中所有区域都聚焦清晰的图像,提出一种在非下采样轮廓波变换(NSCT)域结合改进的脉冲耦合神经网络(PCNN)的多聚焦红外图像的融合算法。首先通过NSCT将图像分解为不同尺度和方向的子带;低频子带图像利用基于一致性验证的特征选择规则进行融合;对于高频子带,采用改进的空域频率激励PCNN模型,选择点火时间最大的系数进行融合;最后通过NSCT反变换得到融合图像。通过多组同一场景不同聚焦位置下的红外图像融合实验,结果分析表明该算法能从源图像中获得更多的信息,更好地保留源图像的边缘信息,融合效果优于相关算法。     

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%。     

基于Shearlet与改进PCNN的图像融合

提出了一种基于离散剪切波(shearlet)和改进的脉冲耦合神经网络(PCNN)进行图像融合的方法。首先,采用shearlet变换将已配准的两个源图像进行分解,得到低频子带系数和不同尺度不同方向的高频子带系数,低频部分采用简单的加权平均法;高频部分,提出基于改进的拉普拉斯能量作为PCNN链接强度的算法。最后,进行shearlet反变换得到融合图像。仿真结果表明,本文的算法有更好的融合效果,并且所用时间也比非采样轮廓波(NSCT)少。     

基于NSCT的自适应多判决图像融合方法

针对传统的融合方法对于红外图像目标信息和可见光图像丰富的背景信息无法有效地保留到融合图像的问题,提出一种基于NSCT变换的自适应多判决红外与可见光图像融合方法。首先,将来自同一场景配准后的红外与可见光图像进行NSCT多尺度、多方向分解;然后,分别对高低频系数采取不同的融合规则：低频系数采用基于区域能量调节因子自适应加权的方法,对高频系数采用混合的融合方法,即对于高层,采用像素点绝对值选大的融合方法,对于低层采用基于对比度的多判决融合方法;最后,将得到的高低频融合系数进行逆NSCT变换得到融合图像。实验结果表明,经主客观评价,本文提出的融合方法优于文中其他基于多尺度分析的图像融合方法,可得到更理想的融合图像。     

基于NSCT—PCNN算法的雷达图像融合研究

为了提高雷达图像的融合质量,创新性地将非下采样Contourlet变换（NSCT）与脉冲耦合神经网络（PCNN）相结合,运用到可见光和红外雷达图像的融合中。先对待融合的两幅源图像进行NSCT分解,利用得到的低频子带系数去触发PCNN的神经元,最后进行NSCT重构,得到所需要的新图像。结果表明此方法较传统的融合方法,提高了信息量和清晰度,获得了较好的识别率。此方法得到的图像更有利于对流云形成时的预测。     

基于非采样Contourlet变换的红外与可见光图像融合方法

针对同一场景的红外与可见光图像融合,提出了一种基于非采样Contourlet变换（NSCT）和改进的脉冲耦合神经网络（IPCNN）的图像融合新算法。首先利用NSCT对图像进行多尺度、多方向稀疏分解,然后针对各带通方向高频子带系数的选择,提出了一种应用IPCNN计算图像匹配度的融合策略。实验结果表明,该算法能够很好地将红外图像与可见光图像中的重要信息提取并注入到融合图像中,与其他方法相比较,取得了更好的融合效果,提高了融合图像的质量。     

基于卷积稀疏表示的红外与可见光图像融合

稀疏表示是以块为单位进行编码的,因此破坏了图像块间的相关性。针对上述问题,提出了基于卷积稀疏表示的红外与可见光图像融合算法。该算法采用交替方向乘子算法(ADMM)求解非下采样轮廓波变换(NSCT)域强边缘子带的卷积稀疏系数,完成特征响应系数的融合。同时,采用脉冲耦合神经网络(PCNN)模型的点火图完成NSCT域高频子带的融合。实验结果表明:该算法解决了稀疏表示的“块效应”问题,同时又兼具PCNN模型的视觉特性,可以有效地捕捉源图像的特征信息。另外,在主观视觉评价和客观质量评价方面均优于现有算法。