基于 Sobel 算子和局部能量的图像融合新算法

文中提出一种新的基于小波变换的图像融合算法,以提高图像融合质量.首先应用小波变换将图像分为高频和低频部分,再对小波的高频和低频系数采用融合算法进行处理,最终将处理后的高频和低频小波系数进行融合.文中对低频系数采用基于 Sobel 算子的方法,有效保留边缘特征.对高频系数采用基于局部能量取大准则,有效保留高频的细节和区域特征.为了抑制噪声和控制图像的不稳定性,最后再对低频和高频系数的选择结果进行邻域窗口的一致性检验与调整.与传统金字塔方法和经典小波变换相比较,实验结果表明此方法融合效果较好     

基于小波变换区域方差的遥感图像融合新算法

提出一种基于小波变换的遥感图像融合新算法。利用离散小波变换把图像分解成不同尺度的低频和高频部分,采用小波区域窗口和子区域窗口统计把小波系数分类成边缘和非边缘系数。在融合处理中,低频图像的小波系数平均值作为融合后的低频系数,高频细节系数根据不同区域特征选择方法以及对应输入图像小波系数的最大多窗口区域方差来确定融合后高频小波系数。实验结果表明,这种方法能够在保留图像微小细节方面获得满意的结果,这种算法有效且优于其他的图像融合方法。     

基于小波变换区域方差的遥感图像融合新算法

提出一种基于小波变换的遥感图像融合新算法。利用离散小波变换把图像分解成不同尺度的低频和高频部分，采用小波区域窗口和子区域窗口统计把小波系数分类成边缘和非边缘系数。在融合处理中，低频图像的小波系数平均值作为融合后的低频系数，高频细节系数根据不同区域特征选择方法以及对应输入图像小波系数的最大多窗口区域方差来确定融合后高频小波系数。实验结果表明，这种方法能够在保留图像微小细节方面获得满意的结果，这种算法有效且优于其他的图像融合方法。     

改进的小波图像融合算法及应用研究

为了提高图像融合质量,论文提出了一种改进的小波变换的图像融合方法,该算法将源图像分别进行小波分解,各图像分解成低频系数和高频系数,低频系数采用基于prewitt算子的融合规则,高频系数采用融合系数选大的融合规则,然后将融合后的低频系数和高频系数做离散小波变换,得到小波变换后的融合图像.与传统的图像融合算法相比较,实验表明了改进的小波图像融合新算法具有更好的融合效果,将改进后的算法用于发动机温度场检测中,融合后的热端部件示温漆彩色图像边缘特征更加突出,区域分割精度更高.     

基于小波融合的射线图像增强算法*

提出一种基于小波融合的射线图像增强算法,利用射线成像的特点,对射线成像系统采集信号作分段灰度变换,将变换得到的多幅图像利用小波变换进行图像融合,以增强射线图像的显示效果。融合中采用低频图像的小波系数均值作为融合后的低频系数,高频图像根据梯度和一致性检测确定融合规则,调整高频小波系数大小,很好地将来自不同图像的特征与细节融合在一起,并对融合图像质量进行了对比评价。实验结果表明,这种方法能够在保留图像微小细节方面获得满意的结果,且优于传统的射线图像增强方法。     

Contourlet相关性和PCA的图像融合算法

Contourlet变换克服了小波变换在处理高维信号时的不足,它比小波变换具有更好的方向性和更好的稀疏表达性能。将Contourlet变换应用于图像融合领域,能更好地提取图像边缘特征,为融合提取更多的特征信息。基于Contourlet变换系数相关性的图像融合算法是将图像进行Contourlet变换分解后,针对高频分解系数尺度内以及尺度间像素点具有的相关性设计图像融合规则,低频信息选择PCA的方法进行融合,最后通过重构得到融合图像。实验结果表明Contourlet能够为融合图像保留更全面的原始图像信息,基于相关性的图像融合算法能够更加有效、准确地提取图像中的特征,是一种有效可行的图像融合算法。     

基于单层小波变换的图像融合压缩感知研究

提出了一种将单层小波变换与压缩感知相结合的图像融合新方法，仅通过测量图像的高频小波系数且保留了低频小波系数，利用不同的方案对低频小波系数和高频小波系数的测量进行融合。结合总变分（TV）最小化算法和融合测量来恢复高频小波系数，运用逆小波变换对融合图像进行重建。实验表明，该方法具有良好的融合性能和较低的计算复杂度。     

基于小波变换的区域特征加权自适应图像融合算法

提出了一种基于小波变换的区域特征加权自适应图像融合算法。首先对源图像做小波变换,分解成低频和高频图像,分解后的低频图像选取一组区域特征进行自适应动态加权,高低频图像采用区域能量融合规则,再对得到的低频和高频图像进行小波反变换。实验结果表明该方法能得到较好的融合效果。     

基于Sobel算子的小波包变换遥感图像融合算法

针对遥感图像融合时图像的空间信息与光谱信息不易兼容的问题,在小波包变换的基础上提出了一种基于Sobel算子的图像融合算法。该方法将多光谱图像与高分辨率图像进行小波包变换,根据阈值选用不同的融合准则得到小波低频系数,利用Sobel算子提取图像高频特征值,采用最值法获取高频系数。实验结果表明,所提算法优于传统的HIS(Intensity,Hue,Saturation)变换、小波变换以及两者结合的方法,在较好地保留图像光谱信息的同时,进一步增强图像的细节信息、边缘特征,从而提高图像的清晰度。     

基于形态学小波变换的图像融合算法

在给出基于小波变换图像融合算法的基础上,为了增强图像的质量,提高图像分辨率,提出一种基于数学形态学的小波变换图像融合算法。对读入的图像进行小波变换分解,将分解后的高低频系数用一个扩展矩阵进行存储。在低频分量系数选择中,采用数学形态学方法进行边缘检测,得到边缘图像后,对边缘图像中的尺度系数采用加权平均法进行融合。在选择高频系数时,基于绝对值最大的原则。对多组图像进行实验,实验结果表明,该算法优于传统的融合算法,有效提高了图像的分辨率。     

基于局部熵的小波变换图像融合算法

研究基于小波变换的图像融合算法。首先对待融合图像进行小波多尺度分解,得到小波的分解系数,对高频分量和低频分量系数采取不同的融合规则。低频部分系数融合采用简单加权平均法,高频部分系数融合采用基于邻域熵值的方法。对融合后系数进行逆小波变换得到重构图像,融合后图像清晰、对比度好。与最大绝对值法、领域方差法作比较。最后通过熵、标准差、平均梯度值等参数对融合后的图像进行定量分析。实验数据表明提出的方法是切实可行的。     

小波变换和稀疏表示相结合的遥感图像融合

针对多光谱图像与全色图像的融合,提出一种结合小波变换和稀疏表示的融合算法.该算法充分利用小波变换具有保持光谱信息这一优势,首先对多光谱图像进行IHS (intensity-hue-satuation)变换,然后对亮度分量和全色图像进行单层小波变换,得到对应的高低频系数.分析高低频系数的特征,对于不能认为是“稀疏”的低频系数采用稀疏表示进行融合;对于可以认为是“稀疏”的高频系数采用图像信息融合规则进行融合.最后进行小波逆变换和IHS逆变换得到融合结果.实验结果表明,该算法最大限度地保留了光谱信息,并提高了空间分辨率.     

自适应对偶树复小波－Curvelet变换的遥感图像融合

Curvelet变换克服了小波变换在处理高维信号时的不足,比小波变换具有更好的方向性、较高的逼近精度和更好的稀疏表达性能。因此将Curvelet变换应用于图像融合领域,能更好地提取图像边缘特征,为融合提取更多的特征信息。利用对偶树复小波-Curvelett变换的多尺度和多方向性特征以及自适应融合规则在选取融合系数上的优势,提出了一种基于对偶树复小波-Curvelet变换的自适应遥感图像融合新算法。算法是将全色图像和多光谱图像进行对偶树复小波-Curvelet变换分解后,针对不同的频率域特点选择不同的融合规则,对低频系数选取区域能量的加权系数自适应融合规则,对高频系数特性选用了区域特征自适应的融合规则,最后通过重构得到融合图像。将其他的融合算法和所提算法进行主观和客观的对比,结果表明,基于对偶树复小波-Curvelet变换区域特征自适应的图像融合算法是一种有效可行的图像融合算法。     

基于区域特性的压缩感知多聚焦融合算法

传统的基于压缩感知的图像融合算法是对整个系数进行稀疏处理,而小波分解后的低频系数不稀疏,导致压缩重构质量降低,并且传统的融合规则不易简单、全面地提取高频系数的特征值。针对这一问题,分别对小波分解得到的高、低频系数采取不同的融合规则进行处理,提出了一种改进的区域特性高频压缩感知的融合算法。其中,低频系数采用区域方差加权绝对值最大融合;高频系数首先通过具有较好RIP性质的随机观测矩阵进行压缩采样,得到的观测值基于能量匹配度的不同进行相加或加权融合,以融合不同方向的高频子带特征信息,再用正交匹配追踪重构算法对高频部分进行信号重构。最后,低频、高频信息在小波逆变换下重构出融合图像。实验结果表明,与以往的基于压缩感知的融合方法相比,此算法的融合图像更清晰,新算法无论是在主观评价还是客观评价指标上都有利于图像信号重构,并具有较好的使用性。     

改进双边滤波和阈值函数的图像增强算法

针对基于单尺度Retinex算法产生的图像泛灰现象和光晕现象、基于双边滤波Retinex算法的泛灰现象及噪声放大现象。提出基于小波变换的改进双边滤波的Retinex图像增强算法和改进阈值函数去噪算法。该方法对图像进行小波分解,获得图像的低频和高频系数;采用改进双边滤波的Retinex算法对图像低频系数进行处理,采用改进阈值函数对高频系数进行处理;采用离散小波反变换得到增强后的重构图像;对重构图像进行分段性线性变换,增强图像对比度。实验结果表明,该方法避免了图像泛灰和光晕现象,并有效去除了噪声,细节丰富,对比度强,为图像后续处理奠定基础。     

一种新的多聚焦图像融合算法

提出了一种基于小波-Contourlet变换的多聚焦图像融合算法;该算法首先采用小波-Contourlet变换对源图像进行多尺度分解,得到高频和低频图像;接着根据高、低频分量各自的区域特性,采用不同的融合规则进行处理,得到小波-Contourlet变换域的融合系数,最后通过反变换得到融合图像;采用信息熵、标准差和互信息3个评价标准,将该算法和传统的小波算法和Contourlet算法的融合结果进行了比较;实验结果表明,该算法获得的评价指标都优于其它算法,且融合图像较好地从源图像中提取了有用信息,提高了融合质量.     

非采样Contourlet域内的区域对比度图像融合

针对传统的基于小波对比度图像融合方法的不足,结合非采样Contourlet变换的优点提出了一种新的基于非采样Contourlet变换的区域对比度图像融合方法。该方法对图像经非采样Contourlet变换后得到的低频分量采用基于区域能量的自适应加权融合;高频分量结合人眼的视觉特性,提出了一种新的基于区域对比度的加权与选择相结合的融合方法。通过非采样Contourlet变换的逆变换得到融合图像。实验结果表明,该融合方法较传统的方法具有更强的获取细节信息的能力,其融合效果优于传统的图像融合算法。     

一种区域特性的小波图像融合新算法

提出了一种基于区域特性的小波图像融合新算法。对原始图像进行小波多尺度分解,得到在不同尺度和方向下的低频系数和高频系数;对低频系数,采用图像区域之间的相关系数和区域方差的融合规则确定低频融合系数,而对不同尺度和方向下的高频系数,采用基于局部区域能量的融合规则确定高频融合系数;最后,通过小波逆变换得到融合图像。对多组图像进行了融合仿真实验,并用平均梯度、信息熵和空间频率对融合结果进行了客观评价。实验结果表明,该算法优于传统的融合算法,取得了更好的融合效果。     

基于小波变换和稀疏表示的图像去噪

传统小波阈值去噪在对图像进行去噪时,并不能很好地保留图像的细节纹理等边缘信息部分.针对这一不足,结合了稀疏表示相关的理论,提出了一种基于小波变换和正交匹配算法相结合的图像去噪算法.首先选取小波函数对含噪图像进行处理,分离出图像的高频和低频小波系数,然后对高频系数结合正交匹配追踪算法,通过多次反复迭代求得高频稀疏分量,再结合低频分量,用逆小波变换得到恢复图像.实验结果表明,在相同的噪声条件下,该算法能取得较好的峰值信噪比(PSNR),获得更好的视觉效果.