自适应尺度信息的U型视网膜血管分割算法

针对视网膜血管形态结构和尺度信息复杂多变的特点,提出一种自适应血管形态结构和尺度信息的U型视网膜血管分割算法。首先采用二维K-L(Karhunen-Loeve)变换(即霍特林变换)综合分析彩色图像三通道的频带信息,从而得到视网膜灰度图像以及多尺度形态学滤波增强血管与背景的对比度信息。然后将预处理图像经U型分割模型对图像进行端对端训练,并利用局部信息熵采样进行数据增强。该网络编码部分的密集可变形卷积结构根据上下特征层信息有效地捕捉图像中多种尺度信息和形状结构,底部金字塔型的多尺度空洞卷积扩大局部感受野,同时解码阶段带有Attention机制的反卷积网络将底层与高层特征映射有效结合,解决权重分散和图像纹理损失的问题。最后通过SoftMax激活函数得到最终的分割结果。在DRIVE(Digital Retinal Images for Vessel Extraction)与STARE(Structured Analysis of the Retina)数据集上对该算法进行了仿真,准确率分别达到97.48%与96.83%,特异性分别达到98.83%与97.75%,总体性能优于现有算法。     

结合边缘信息和图像特征信息的曲波域遥感图像融合

曲波变换是一种更适合于图像处理的多尺度几何分析方法,具有比小波变换更强的方向选择和辨识能力,而且对图像边缘的表达更优于小波.结合色度-饱合度-亮度变换将其应用于合成孔径雷达图像和多光谱图像融合可以更好地表示图像中的有用特征.首先对多光谱图像进行色度-饱合度-亮度变换,得到亮度分量Ⅰ,对雷达图像和Ⅰ分量进行曲波变换得到粗尺度系数和细节尺度系数;将雷达图像的粗尺度系数和细节尺度系数进行叠加,计算归一化的曲波系数直方图,定义边缘有效因子,利用合成孔径雷达图像的特征信息将曲波变换系数分为均匀区、非均匀区和亮点目标区.然后采用相应的融合规则对融合图像的粗尺度系数进行处理,对细节尺度系数采用简单的直接取大方法,逆变换后得到新的亮度分量.用新的亮度分量替代原亮度分量进行逆色度-饱合度-亮度变换得到最终融合结果,利用统计类指标对融合结果进行评价.实验结果表明,该方法在保持光谱信息和提高空间分辨率上都有较好的效果.     

结合边缘信息和图像特征信息的曲波域遥感图像融合

曲波变换是一种更适合于图像处理的多尺度几何分析方法,具有比小波变换更强的方向选择和辨识能力,而且对图像边缘的表达更优于小波.结合色度-饱合度-亮度变换将其应用于合成孔径雷达图像和多光谱图像融合可以更好地表示图像中的有用特征.首先对多光谱图像进行色度-饱合度-亮度变换,得到亮度分量I,对雷达图像和I分量进行曲波变换得到粗尺度系数和细节尺度系数;将雷达图像的粗尺度系数和细节尺度系数进行叠加,计算归一化的曲波系数直方图,定义边缘有效因子,利用合成孔径雷达图像的特征信息将曲波变换系数分为均匀区、非均匀区和亮点目标区.然后采用相应的融合规则对融合图像的粗尺度系数进行处理,对细节尺度系数采用简单的直接取大方法,逆变换后得到新的亮度分量.用新的亮度分量替代原亮度分量进行逆色度-饱合度-亮度变换得到最终融合结果,利用统计类指标对融合结果进行评价.实验结果表明,该方法在保持光谱信息和提高空间分辨率上都有较好的效果.     

基于自适应补偿网络的视网膜血管分割

基于眼底图像的视网膜血管精确分割对眼科疾病诊断意义重大。但视网膜血管结构高度复杂,多尺度及前、背景比例失衡,自动分割困难。因此,本文提出自适应补偿网络（SACom）实现端到端的视网膜血管精确分割。SACom以U型网络为基本框架,首先在编码器端引入可变形卷积提高复杂血管结构信息学习能力;然后在U型网络底部设计自适应多尺度对齐上下文模块提取并聚合多尺度上下文信息,对齐上下文特征;最后在解码器端设计协同补偿分支,融合多级输出提升模型的映射能力,实现精细分割。实验结果表明,SACom可有效提高视网膜血管的分割精度,在DRIVE、CHASE＿DB1和STARE三个公共数据集上的准确率分别达到0.9695、0.9763和0.9753,灵敏度分别达到0.8403、0.8748和0.8506,曲线下面积（AUC）分别达到0.9880、0.9917和0.9919。     

一种基于区域的NSCT域多光谱与高分辨率图像融合算法

提出了一种基于多阈值分割和无下采样Contourlet变换(Nonsubsampled Contourlet Transform,NSCT)的多光谱与高分辨率图像融合算法.对多光谱图像进行多阈值分割,并利用提出的区域均值比指标将多光谱图像划分为需要进行空间细节增强及需要保持光谱特征的区域;然后利用NSCT对高分辨率图像和多光谱图像的强度分量进行多尺度、多方向分解.分解后的低频部分采用基于窗口邻域的融合规则和算子进行融合,高频部分按区域均值比指标进行区域融合;最后进行重构得到融合后的多光谱图像的强度分量,经IHS逆变换后得到高分辨率的多光谱图像.实验结果表明,该算法可获得较理想的融合图像,融合效果优于IHS变换法、基于像素的à trous小波变换法以及基于像素的NSCT法.     

一种基于小波变换的红外偏振融合算法

针对红外偏振图像可以较好地抑制背景噪声,对目标边缘信息比较敏感的特点,提出一种基于小波变换的红外偏振融合算法,它主要用于红外辐射强度图像和偏振度图像融合,增加图像的信息量。首先采用小波变换对参与融合的每幅图像分别进行各尺度分解,得到各尺度小波系数,然后针对不同尺度小波系数,采用邻域平均梯度为判据进行融合,得到融合后的各尺度小波系数,最后通过小波逆变换进行图像重构,得到融合图像。融合前后的图像对比表明融合图像在保留辐射强度图像的清晰度的同时,突出了目标的边缘、轮廓信息。相对于辐射强度图像,融合图像的梯度均值提高了112%,相对于偏振度图像,融合图像的标准差提高了151%,信息熵提高了38%。     

基于多尺度滤波和线检测算子的视网膜血管检测

视网膜血管分割在眼底图像分析中具有重要作用。结合多尺度Hessian矩阵滤波和线检测算子,提出了一种有效的血管检测方法。首先利用多尺度Hessian矩阵的特征值构建血管相似性函数,实现血管增强;然后采用改进的线检测算子,提取反映血管测度的特征;最后采用SVM实现血管检测。实验结果表明,该方法只需要较少的训练样本即可达到与其他方法相当的准确率,且在灵敏性上具有更好的性能。     

基于多尺度形态学滤波器的图像融合新方法

提出了一种保持图像细节和高抗噪性的图像融合新方法。这种方法首先对源图像进行多尺度形态学开闭滤波,得到源图像的低频平滑图像;然后应用多尺度Top-hat变换和Bottom-hat变换来提取小于相应尺度的图像细节特征。因为在较小的尺度特征中包含噪声颗粒的可能性较大,据此修正了Top-hat变换和Bottom-hat变换的相应系数;最后对以上两步骤得到的低频平滑图像和多尺度高频细节图像分别进行图像融合,应用形态学重建过程生成融合图像。实验表明,这种融合方法具有图像细节保持完整和噪声消除效果好的优点,处理效果优于传统的图像融合方法。     

基于局部线结构约束的FCM聚类视网膜血管分割

提出了一种基于局部线结构约束的模糊C均值(FCM)聚类眼底视网膜血管分割方法。通过预处理增强血管和背景的对比度信息,采用多尺度匹配滤波器和B-COSFIRE滤波器提取像素特征,然后采用局部线结构约束的FCM聚类算法实现视网膜血管分割,最后通过后处理操作去除孤立的噪声点。在DRIVE数据库的实验结果表明,本文方法的平均准确率为94.21%,平均灵敏度为67.21%,平均特异性为98.2%。与特征空间FCM方法相比,本文方法分割的血管结构的连续性较好,提升了对细小血管检测的灵敏度。     

一种基于小波系数综合能量特征的多算子图像融合算法

提出了一种新的多算子小波分解图像融合算法,算法对输入图像进行多尺度小波分解,综合考虑同层各子带及相邻层子带小波系数图像特征描述的相关一致性,基于局部空间复合能量和局部相对能量差特征测度,采用多算子自适应融合规则构造融合图像,得到含有丰富细节特征的融合图像。     

基于全卷积神经网络的多尺度视网膜血管分割

提出了一种基于多尺度特征融合的全卷积神经网络的视网膜血管分割方法,无需手工设计特征和后处理过程。利用跳跃连接构建编码器-解码器结构全卷积神经网络,将高层语义信息和低层特征信息进行融合;利用残差块进一步学习细节和纹理特征;利用不同空洞率的空洞卷积构建多尺度空间金字塔池化结构,进一步扩大感受野,充分结合图像上下文信息;采用类别平衡损失函数解决正负样本不均衡问题。实验结果表明,在DRIVE(Digital Retinal Images for Vessel Extraction)和STARE (Structured Analysis of the Retina)数据集上的准确率分别为95.46%和96.84%,敏感性分别为80.53%和82.99%,特异性分别为97.67%和97.94%,受试者工作特征(ROC)曲线下的面积分别为97.71%和98.17%。所提方法相较于其他方法性能更优。     

基于小波多尺度积的目标识别

光学相关探测就是利用光学相关的方法,从混乱的图像中找出需要的目标,达到识别的目的.把小波变换应用于光电混含联合变换相关器,突破了传统的傅里叶变换的局限性,实现了对探测目标不同区域、不同尺度的分析.为了充分利用小波不同尺度的特性,采用小波多尺度积的方法提取出目标图像的边缘,兼顾了图像的细节与轮廓特征,将目标图像不同层次的轮廓信息和细节信息相结合,解决了复杂背景下目标图像的识别问题.光学实验结果表明,该方法有效增强了复杂背景目标的相关点强度,成功实现了目标的探测,具有良好的应用前景.     

基于Contourlet变换的图像智能分割方法研究

由于获取图像的设备不同,不同设备所拍摄图像的质量、空间分布特性差异较大。采用当前图像分割方法对图像噪声进行分割时,容易产生过分割和奇异扩散现象。为此,提出一种基于Contourlet变换的图像智能分割方法。该方法先采用方向滤波器组实现图像各个方向纹理分离,利用小波变换替换拉普拉斯变换进行图像多个方向子带分解,计算图像多尺度似然函数,并依据图像最大似然函数估计准则获得图像的初始分割,在此基础上采用自适应上下文结构从图像粗尺度的分割结果融合至最细尺度,获得最终的图像智能分割结果。仿真实验结果表明,所提方法能够有效消除噪声对图像分割的影响,使图像分割精度更高,且运行时间更短,该方法在图像获取设备中具有较高的实践价值。     

分级多尺度变换的水下偏振图像融合法

提出了一种分级多尺度融合的水下偏振图像处理方法.首先,利用非负矩阵分解对偏振参量图像进行融合增强,得到所含局部特征信息完整且冗余度低的偏振参量融合图像;在此基础上,基于二维经验模式分解分别将偏振参量融合图像与偏振强度图像进行多尺度变换,对得到的高低频子图像分别进行加权平均融合,融合权重是采用穷举搜索法计算得到;最后,将高低频融合结果反变换得到最终融合图像.实验仿真结果表明该融合方法在增强图像细节信息及提高水下偏振图像对比度方面具有显著效果.     

基于二代curvelet变换的图像融合研究

曲波(Curvelet)作为一种新的多尺度分析方法比小波更加适合分析二维图像中的曲线或直线状边缘特征,而且具有更高的逼近精度和更好的稀疏表达能力.将curvelet变换引入图像融合,能够更好地提取原始图像的特征,为融合图像提供更多的信息.第二代curvelet理论的提出也使得其理论更易理解和实现.因此,提出了一种基于第二代curvelet变换的图像融合方法,首先将图像进行curvelet变换,然后在相应尺度上利用融合规则将curvelet系数融合,最后进行重构得到融合结果.对多聚焦图像进行了实验,采用均方误差、偏差指数和相关系数对融合结果进行了客观评价,并与基于小波变换的融合进行了比较,实验结果表明该方法除分解2层时与小波性能相当,取其他分解层数时均获得更好的融合效果.     

基于Contourlet变换的红外图像非线性增强算法

针对红外图像对比度低、噪声大等特点,提出一种基于Contourlet变换的红外图像非线性增强算法.Contourlet变换是一种有效的方向多尺度变换分析方法,能在任意尺度上实现任意方向的分解.首先采用Contourlet变换对图像进行多尺度、多方向分解,得到低频子带系数和各带通方向子带系数.引入非完全贝塔函数对低频子带系数进行处理,提升图像整体对比度;采用非线性增益函数对各带通方向子带系数进行处理,通过估计噪声水平设定阈值,抑制绝对值小于阈值的系数,增强大于阈值的系数.最后经Contourlet逆变换得到增强图像.实际实验结果表明,该方法可以有效地增强低对比度红外图像,无论是在视觉效果上还是在图像对比度评估值定量指标上均明显优于直方图均衡化、小波变换增强等方法,且能保持更多的图像轮廓特征,克服了这些方法对噪声增强过度和图像细节增强不足等缺点.     

基于剪切波变换和邻域结构特征的红外与可见光图像融合

针对传统融合方法融合后目标轮廓模糊和细节不突出等问题,提出一种在剪切波框架下基于邻域结构特征的红外与可见光图像融合算法。通过剪切波变换对源图像进行分解得到与源图像同尺寸的高频和低频子带系数;为防止融合后图像边缘模糊,对低频子带系数采用几何距离与能量距离加权的融合规则,对高频子带系数采用灰度差异与梯度距离加权的融合规则来更好地保留源图像的细节信息;经剪切波逆变换得到融合后图像。结果表明,本文算法能有效地提取红外目标信息和保持可见光图像信息;在保留图像轮廓信息的基础上,凸显目标信息,有效地改善图像融合效果。     

基于小波变换的多尺度图像融合增强算法

为解决原始单源图像缺乏多尺度细节信息和图像融合后出现的噪声问题,提出了一种基于小波变换的多尺度图像融合增强算法,根据不同频率子带分量采用不同融合规则的思想,对高频子带提出了三种融合方法,同时构建了一种新颖的多尺度残差金字塔空间并将其参与融合过程,以减少融合噪声.多种小波分解和对比实验结果表明,提出的小波多尺度融合增强算...     

基于可见光的多波段偏振图像融合新算法

采用了一种新的基于小波变换的偏振图像融合算法.首先,将两个波段中的每一波段三幅偏振图像利用小波变换分解成低频和高频部分,低频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窗口区域方差来确定融合后高频小波系数,得到一个波段一幅图像.接着,将得到的图像再进行小波分解,采用低频图像的小波系数最小值作为融合后的低频系数,高频图像根据纹理一致性测度的纹理检测确定融合规则,用来调整高频小波系数,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,融合后的偏振图像不仅反映了场景的偏振信息,而且还包含了丰富的光谱信息,目标与背景的衬比度也得到了增强,为进一步的目标检测和识别提供了便利.     

基于HIS 小波变换和MOPSO的全色与多光谱图像融合

有效的全色图像和多光谱图像的融合方法必须保证光谱和空间信息的最大化. 采用HIS小波融合算法框架, 提出了新的高频系数提取方法和一种新的全色和多光谱图像融合方法. 根据小波变换后高频中的细节以及边缘信息都具有方向性, 而噪声点一般都是孤立点这一物理特性, 设计了一种基于一阶高斯微分的高频系数提取方法.以多个融合评价指标为目标函数, 对HIS小波融合算法中采用不同融合规则得到的结果图像, 通过多目标粒子群优化算法优化加权组合得到最终结果. 对实际TM多光谱图像和SPOT全色图像进行了融合实验比较研究, 结果表明, 改进的高频系数提取方法得到的融合图像在光谱信息和空间信息上都有较好的改善, 用多目标粒子群优化算法得到的结果图像在光谱信息保留上具有较明显的优势且空间信息也得到了较大的提高.