基于Contourlet域HMT模型的声纳图像去噪

声纳图像预处理是声纳图像目标识别与跟踪的前提;声纳图像对比度低,特性信息弱,为此,提出Contourlet域HMT模型(CT-HMT)的声纳图像去噪算法。Contourlet域中,不同方向间子带系数的相关性体现于DFB分解中,相邻尺度间父节点对应的4个子节点分布在2个可分离的方向子带上,父、子节点状态"持续性"采用Markov模型建模,尺度内Contourlet系数的"聚集性"采用混合高斯模型建模;最后,用贝叶斯准则估计无噪图像的Contourlet系数,实现声纳图像去噪。实验结果从视觉效果和定量分析两方面验证表明,本文算法能有效地抑制噪声,提取声纳图像的弱特征信息,较好地保全了图像的边缘和轮廓信息。     

基于Contourlet域隐马尔可夫树模型的图像融合算法

本文提出一种基于Contourlet域隐马尔可夫树(HMT)模型的图像融合算法。由于Contourlet变换能克服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、较高的逼近精度和更好的稀疏表达性能。而HMT模型能有效捕获尺度间、尺度内的contourlet系数特性。因此将Contourlet域HMT模型应用于图像融合领域,能充分挖掘数据之间的相关性,更好的提取图像边缘特征,为融合提取更多的特征信息。实验结果表明本文的算法获得的融合图像视觉效果良好,是一种有效且可行的融合算法。     

基于Contourlet域持续性和聚集性的合成孔径雷达图像融合分割算法

针对合成孔径雷达(SAR)图像含有大量斑点噪声的特点,基于Contourlet的多尺度、局部化、方向性和各向异性等优点,并结合隐马尔科夫树(HMT)模型和隐马尔科夫场(MRF),提出了一种基于Contourlet域持续性和聚集性的SAR图像模糊融合分割算法。该算法有效捕获了Contourlet子带的持续性和聚集性,并分别用HMT和MRF来刻画,再依据模糊测度,将多尺度HMT和MRF有机融合,建立Contourlet域HMT-MRF融合模型,并导出新模型下的最大后验概率(MAP)分割公式。对实测SAR图像进行了仿真,仿真结果和分析表明:与小波域上的HMT-MRF融合分割及Contourlet域上HMT和MRF分割算法相比,该算法在抑制斑点噪声的同时,有效地提高了SAR图像的分割精度。     

基于小波域三状态HMT模型的含噪图像增强

针对含噪图像增强问题,提出一种基于小波域三状态隐马尔可夫树模型的方法,采用三状态的高斯混合模型逼近小波系数的分布,不需要设定精确的阈值,依据期望最大算法训练得到的每个系数所属状态的后验概率,将系数区分为噪声系数、弱边缘系数和强边缘系数,然后通过抑制噪声系数,增强细节特征系数来达到对含噪图像增强的目的,并引入循环平移策略避免人工失真.通过对含噪的标准图像和人脑核磁共振图像进行仿真实验,并与几种经典的图像增强方法作视觉上的对比和定量分析.实验结果表明,本文所提出的方法具有很好的鲁棒性,在突出了图像中更多的细节信息的同时,可以有效抑制噪声.     

基于小波域三状态HMT模型的含噪图像增强

针对含噪图像增强问题,提出一种基于小波域三状态隐马尔可夫树模型的方法,采用三状态的高斯混合模型逼近小波系数的分布,不需要设定精确的阈值,依据期望最大算法训练得到的每个系数所属状态的后验概率,将系数区分为噪声系数、弱边缘系数和强边缘系数,然后通过抑制噪声系数,增强细节特征系数来达到对含噪图像增强的目的,并引入循环平移策略避免人工失真.通过对含噪的标准图像和人脑核磁共振图像进行仿真实验,并与几种经典的图像增强方法作视觉上的对比和定量分析.实验结果表明,本文所提出的方法具有很好的鲁棒性,在突出了图像中更多的细节信息的同时,可以有效抑制噪声.     

基于Contourlet域隐马尔可夫树模型的图像融合算法

针对多尺度几何变换统计信号处理这一领域的优势,提出一种基于Contourlet域隐马尔可夫树模型的图像融合算法.由于Contourlet变换能克服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、较高的逼近精度和更好的稀疏表达性能.而隐马尔可夫树模型能有效捕获尺度间、尺度内的Contourlet系数特性.因此将Contourlet域隐马尔可夫树模型应用于图像融合领域,能充分挖掘数据之间的相关性,更好的提取图像边缘特征,为融合提取更多的特征信息.实验结果表明基于Contourlet域隐马尔可夫树图像融合算法获得的融合图像视觉效果良好,是一种有效且可行的融合算法.     

多尺度无监督彩色图像分割

非采样Contourlet变换是一种新的多尺度多分辨率分析工具.本文提出了一种基于非采样Contourlet变换的彩色图像无监督分割算法.首先利用非采样Contourlet变换的平移不变性在其变换域应用梯度向量法提取图像多尺度边缘|然后在Contourlet变换域的低频子带和高频子带中分别提取局部低频能量纹理特征与高频多尺度Zernike矩纹理特征,并将二种纹理特征融合.最后在边缘图像中映射种子像素点,利用纹理和颜色特征欧氏距离,对彩色图像采用区域生长和区域合并的方法进行分割.实验结果证明:该算法将图像空间域的颜色特征与非采样Contourlet变换域的多尺度边缘和纹理特征恰当结合在一起实现彩色图像无监督自动分割,与传统算法相比有更高的准确性和鲁棒性.     

多尺度无监督彩色图像分割

非采样Contourlet变换是一种新的多尺度多分辨率分析工具,本文提出了一种基于非采样Contourlet变换的彩色图像无监督分割算法.首先利用非采样Contourlet变换的平移不变性在其变换域应用梯度向量法提取图像多尺度边缘;然后在Contourlet变换域的低频子带和高频子带中分别提取局部低频能量纹理特征与高频...     

合成孔径雷达图像的Contourlet域空间选择滤波降斑算法

合成孔径雷达(SAR)图像的相干斑噪声降低了影像分割和分类的效果,会导致影像判识困难。结合Con-tourlet系数的结构特点和SAR图像相干斑乘性噪声模型,提出了一种新的基于Contourlet变换的降斑算法。该算法利用信号与噪声在Contourlet域尺度间相关性的不同,通过空间选择滤波对系数进行分类,采用混合分布模型,实现了SAR图像的降斑处理。实验结果表明,该算法不仅能有效地抑制相干斑,而且还能有效地保护图像的细节特征。     

非下采样变换的红外与可见光图像融合

基于非下采样Contourlet变换(NSCT),提出了一种红外和可见光图像融合算法。针对低频子带系数和各带通方向子带系数分别提出了基于图像物理特征的系数加权选择方式与基于区域能量匹配的系数选择方式,即低频基于区域梯度信息、高频基于区域特征因子的加权与选择结合的图像融合算法。实验结果表明:非下采样Contourlet变换具有较快的运算速度,且经非下采样变换后能量更加集中,可提供更多的图像信息。相对于基于像素的图像融合算法,本文的图像融合算法具有更高的融合性能,是一种更适合图像融合的多尺度几何分析(MGA)工具。     

非下采样Contourlet变换域混合统计模型图像去噪

提出了一种基于非下采样Contourlet变换(NSCT)域图像去噪算法.首先根据尺度间与尺度内的NSCT系数之间的相关性,用非高斯分布模型对NSCT系数与其邻域系数及父系数进行建模,给出分类准则,把系数分为重要系数和非重要系数,再采用广义高斯分布来模拟重要系数的概率分布,根据贝叶斯理论得到自适应阈值,并求出最佳参量范围.为了克服软、硬阈值函数的缺点,提出一种自适应的新阈值函数,利用新阈值函数估计出不含噪音的变换系数,并通过非下采样Contourlet逆变换得到去噪后的图像.仿真实验表明,本文方法在峰值信噪比、结构相似性与视觉效果上均优于目前许多优秀的去噪算法.     

非下采样变换的红外与可见光图像融合

基于非下采样Contourlet变换（NSCT）,提出了一种红外和可见光图像融合算法。针对低频子带系数和各带通方向子带系数分别提出了基于图像物理特征的系数加权选择方式与基于区域能量匹配的系数选择方式,即低频基于区域梯度信息、高频基于区域特征因子的加权与选择结合的图像融合算法。实验结果表明：非下采样Contourlet变换具有较快的运算速度,且经非下采样变换后能量更加集中,可提供更多的图像信息。相对于基于像素的图像融合算法,本文的图像融合算法具有更高的融合性能,是一种更适合图像融合的多尺度几何分析（MGA）工具。     

贴片电阻表面缺陷自动识别方法

提出了一种基于非下采样Contourlet变换(NSCT)域图像去噪算法.首先根据尺度间与尺度内的NSCT系数之间的相关性,用非高斯分布模型对NSCT系数与其邻域系数及父系数进行建模,给出分类准则,把系数分为重要系数和非重要系数,再采用广义高斯分布来模拟重要系数的概率分布,根据贝叶斯理论得到自适应阈值,并求出最佳参量范围.为了克服软、硬阈值函数的缺点,提出一种自适应的新阈值函数,利用新阈值函数估计出不含噪音的变换系数,并通过非下采样Contourlet逆变换得到去噪后的图像.仿真实验表明,本文方法在峰值信噪比、结构相似性与视觉效果上均优于目前许多优秀的去噪算法.     

基于数学形态学的Contourlet变换域图像降噪方法

提出了一种基于数学形态学的Contourlet变换域图像降噪方法.首先对输入的带噪图像进行多尺度、多方向的Contourlet稀疏变换,然后利用数学形态学算子在Contourlet域对高频系数进行处理,去除图像中具有较小支撑域的噪音,有效保留具有连续支撑域的图像边缘信息.最后通过Contourlet反变换得到预降噪图像.仿真结果表明,该方法较一般的Contourlet域收缩阈值降噪方法的降噪效果好,提高了PSNR值并降低了MSE值,获得更好的图像恢复质量.     

Multifocus image fusion scheme based on features of multiscale products and PCNN in lifting stationary wavelet domain

Multifocus image fusion aims at overcoming imaging cameras's finite depth of field by combining information from multiple images with the same scene. For the fusion problem of the multifocus image of the same scene, a novel algorithm is proposed based on multiscale products of the lifting stationary wavelet transform (LSWT) and the improved pulse coupled neural network (PCNN), where the linking strength of each neuron can be chosen adaptively. In order to select the coefficients of the fused image properly with the source multifocus images in a noisy environment, the selection principles of the low frequency subband coefficients and bandpass subband coefficients are discussed, respectively. For choosing the low frequency subband coefficients, a new sum modified-Laplacian (NSML) of the low frequency subband, which can effectively represent the salient features and sharp boundaries of the image in the LSWT domain, is an input to motivate the PCNN neurons; when choosing the high frequency subband coefficients, a novel local neighborhood sum of Laplacian of multiscale products is developed and taken as one type of feature of high frequency to motivate the PCNN neurons. The coefficients in the LSWT domain with large firing times are selected as coefficients of the fused image. Experimental results demonstrate that the proposed fusion approach outperforms the traditional discrete wavelet transform (DWT)-based, LSWT-based and LSWT-PCNN-based image fusion methods even though the source image is in a noisy environment in terms of both visual quality and objective evaluation.     

基于Contourlet变换和形态学的图像增强方法

传统的图像增强算法在增强图像时,增大噪音,同时丢失细节.针对该问题,结合Contourlet变换中相关系数理论,提出了基于Contourlet变换和数学形态学的图像增强新算法.首先,对图像进行Contourlet变换分解,采用数学形态学算子对高频细节部分区分为细节信息和噪音产生的系数,然后,对变换系数采用非线性映射函数进行增强.最后,利用修改后的变换系数进行Contourlet逆变换得到增强后的图像.实验表明,该方法无论是增强效果还是抗噪性能都明显优于传统的图像增强算法.