一种新的基于非下采样Contourlet变换的自适应图像去噪算法

提出了一种新的结合非下采样Contourlet变换(NSCT)和斯坦无偏风险估计(SURE)的自适应图像去噪方法.通过NSCT对含噪图像进行分解,根据斯坦无偏风险估计准则对分解后的噪声图像进行均方误差E估计,并依据得剑的E<,MS>构造线性自适应阚值方程,对含噪图像的每一个分解子带进行阈值去噪.对自适应阈值去噪后的图像分解子带进行重构.得到去噪图像.实验结果表明,该方法可以有效地消除标准图像和自然图像中的噪声,在去噪图像峰值信噪比(PSNR)和边缘保持性能上都优于已有算法.     

基于Contourlet系数相关特性的自适应图像去噪算法

研究发现, 图像经过Contourlet变换之后, 其变换系数在尺度内和尺度间都表现出很强的相关特性.基于此, 首先根据Contourlet系数在同一尺度内的邻域相关特性, 构造得到一个自适应阈值, 然后在采用阈值法进行自适应阈值去噪的同时, 利用Contourlet系数在相邻尺度间的相关性对系数进行进一步的取舍, 从而提出一种新的基于Contourlet变换系数特性的自适应阈值图像去噪算法.该算法不仅可以有效去除噪声, 而且可以很好地保留图像边缘信息.实验结果表明, 在相同条件下该算法的主客观去噪效果均优于现有同类方法.     

一种基于噪声修整Contourlet变换的低码率图像压缩算法

为了克服冗余性的Contourlet变换不利于图像压缩的缺陷,提出了噪声修整的Contourlet变换结构,或称为NS-Contourlet.该结构通过迭代的方式减少了量化后的非零系数数量,并且提高了非零系数的逼近能力.设计了一种可采用提升小波实现的拉普拉斯金字塔变换,有效地提高了Contourlet中拉普拉斯金字塔变换部分的速度.提出的NS-Contourlet结构结合EBCOT编码器实现了一种图像压缩算法,并且通过实验验证了该算法的有效性.尤其当低码率压缩(小于0.2 bpp)或者待压缩图像呈现直线纹理特征时,提出算法在主观视觉质量和PSNR指标上均优于JPEG2000,平均PSNR值提高了0.1～0.5 dB.     

一种基于噪声修整Contourlet变换的低码率图像压缩算法*

为了克服冗余性的Contourlet变换不利于图像压缩的缺陷,提出了噪声修整的Contourlet变换结构,或称为NS-Contourlet.该结构通过迭代的方式减少了量化后的非零系数数量,并且提高了非零系数的逼近能力.设计了一种可采用提升小波实现的拉普拉斯金字塔变换,有效地提高了Contourlet中拉普拉斯金字塔变换部分的速度.提出的NS-Contourlet结构结合EBCOT编码器实现了一种图像压缩算法,并且通过实验验证了该算法的有效性.尤其当低码率压缩(小于0.2 bpp)或者待压缩图像呈现直线纹理特征时,提出算法在主观视觉质量和PSNR指标上均优于JPEG2000,平均PSNR值提高了0.1～0.5 dB.     

基于Contourlet变换的区域特征自适应图像融合算法

Contourlet变换克服了小波变换在处理高维信号时的不足,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Contourlet变换应用于图像融合领域,能更好的提取图像边缘特征,为融合提取更多的特征信息.基于Contourlet变换的区域特征自适应图像融合算法是将图像进行Contourlet变换分解后,针对不同的频率域特点选择不同的融合规则,针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.将基于小波变换的融合算法和本文所提算法进行了主观和客观的对比,结果表明,基于Contourlet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Cycle Spinning Contourlet变换和总变分最小化的遥感图像去噪算法

针对很多已有的遥感图像去噪算法去噪的同时存在不能有效的保留细节和增强边缘的问题,提出了一种基于Cycle Spinning Contourlet变换和总变分最小化的图像去噪新算法。该算法依据了Cycle Spinning Contourlet变换能够很好的保留原始图像的细节和纹理信息,而总变分最小化方法具有在去噪的同时增强图像边缘的特性,因此使用所提出的融合规则对两种算法去噪后的图像进行融合能够取得更好的增强效果。通过对比,实验结果表明该算法不仅能在很大程度上削弱分别由平移不变Contourlet变换和总变分最小化的图像去噪方法产生的伪吉布斯现象和阶梯效应,而且视觉效果和PSNR值均优于其它方法,同时该算法能够保留更多的光谱信息,因此该算法是一种有效的遥感图像去噪算法。     

基于非采样Contourlet变换的遥感图像融合算法

为了使融合后的多光谱图像在尽可能保持原始多光谱图像光谱特性的同时,显著提高空间分辨力,提出了一种基于非采样Contourlet变换(NSCT)的遥感图像融合算法。算法首先对全色波段图像进行非采样Contourlet变换,得到全色波段图像的低频子带系数和各带通方向子带系数;然后针对多光谱图像的每一个波段,将其进行双线性插值后作为融合后多光谱图像的低频子带系数,对全色波段图像的各带通方向子带系数采用基于成像系统物理特性的注入模型(调整系数)进行局部调整后,作为融合后多光谱图像的各带通方向子带系数,从而得到融合后多光谱图像的非采样Contourlet变换系数;最后再经非采样Contourlet逆变换得到该波段具有高空间分辨力的多光谱图像。采用IKONOS卫星遥感图像进行了仿真实验,实验结果表明,该算法在光谱保留和空间质量提高方面优于其它传统的遥感图像融合算法。     

基于Cycle Spinning Contourlet变换和总变分最小化的遥感图像去噪算法(英文)

针对大部分已有的遥感图像去噪算法在去噪的同时不能有效的保留细节和增强边缘,提出了一种基于Cycle Spinning Contourlet变换和总变分最小化的图像去噪新算法.该算法依据了Cycle Spinning Contourlet变换能够很好的保留原始图像的细节和纹理信息,而总变分最小化方法具有在去噪的同时增强图像边缘的特性,因此使用所提出的融合规则对两种算法去噪后的图像进行融合能够取得更好的增强效果.通过对比,实验结果表明该算法不仅能在很大程度上削弱分别由平移不变Contourlet变换和总变分最小化的图像去噪方法产生的伪吉布斯现象和阶梯效应,而且视觉效果和PSNR值均优于其它方法,同时该算法能够保留更多的光谱信息,因此该算法是一种有效的遥感图像去噪算法.     

基于非采样Contourlet变换高分辨率遥感图像配准

为了提高高分辨率遥感图像配准的精确度,将非采样Contourlet变换应用于高分辨率遥感图像配准算法中.首先对高分辨率遥感图像进行非采样Contourlet变换.利用非采样Contourlet变换的平移不变性在变换域提取图像的边缘并选择合适的阈值准确地得到图像的边缘特征点.然后利用归一化互相关匹配法和概率支撑法对特征点进行匹配.最后通过三角形局部变换映射甬数实现图像配准.实验结果表明,该方法更能准确地提取高分辨率遥感图像的特征点,大大提高了正确匹配的概率,与基于小波方法的图像配准效果相比有更高的准确性和稳健性.     

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.     

基于非下采样轮廓波变换遥感影像超分辨重建方法

针对现有非下采样轮廓波变换(NSCT)超分辨率重建方法的不足提出了一种改进的重建方法。空间频率大小反映图像细节信息丰富的程度,改进方法将区域窗口内空间频率的大小作为定权的标准对NSCT分解获得的各对应高频图像进行自适应加权融合。将NSCT分析与自适应加权融合相结合用以实现影像超分辨率重建,其中利用自适应加权融合方法将各高频图像分别进行融合,同时将低频图像进行取均值处理,分别获得处理后的高低频图像,通过NSCT逆变换获得最终的超分辨图像。通过仿真实验与工程应用验证了改进方法的可行性与有效性。     

基于改进梯度投影NMF和复Contourlet变换的遥感图像融合

为了尽可能地保留全色图像的空间信息和多光谱图像的光谱信息,提出了一种基于改进梯度投影非负矩阵分解和复Contourlet变换的遥感图像融合方法.首先,以多光谱图像的强度分量图像为标准,对全色图像做直方图匹配,得到新的全色图像;然后,利用复Contourlet变换分别分解多光谱图像的强度分量图像和新的全色图像,得到各自对应的低频分量和高频分量;接着,对两幅低频分量图像采用改进梯度投影的非负矩阵分解作为融合规则获取新的低频分量,并对两幅高频分量图像使用系数绝对值较大法获取新的高频分量;最后,通过逆复Contourlet变换和逆色调-饱和度-强度变换获得融合后的图像.大量实验结果表明,与HSI方法、NMF与无下采样Contourlet变换结合的方法以及提升小波变换与HSI结合的方法相比,本文方法获得的融合图像具有更高的空间分辨率和更多的光谱信息.     

结合NSDTCT和稀疏表示的遥感图像融合

为了提高全色图像与多光谱图像的融合质量,提出一种基于非下采样双树复轮廓波变换和稀疏表示的图像融合算法.对多光谱图像进行亮度-色度-饱和度变换,再对亮度分量和全色图像进行直方图匹配及亮度平滑滤波处理.利用非下采样双树复轮廓波变换处理亮度分量和全色图像,得到对应的高低频系数.对于低频系数,利用稀疏表示进行融合,采用空间频率和l1范数双指标取大的融合规则得到稀疏表示系数;对于高频系数,将改进的拉普拉斯能量和作为脉冲耦合神经网络的外部输入项,提出了改进的脉冲耦合神经网络的融合策略.最后进行非下采样双树复轮廓波逆变换和亮度-色度-饱和度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光谱信息的同时可以提高空间分辨率,视觉效果及客观指标均优于经典的融合算法.     

基于Contourlet变换的迭代图像复原算法

考虑到contourlet变换的多尺度多方向性以及对二维图像具有比小波变换更好的稀疏表示特性,提出了一种基于contourlet变换的图像复原算法.算法采用边界优化的方法,通过类期望最大化算法在contourlet域进行迭代计算,并最终获得惩罚似然函数的最优解.实验结果表明.与传统的基于小波变换的同类图像复原算法相比,基于contourlet变换的复原算法在保持了较低的运算代价的同时,更好地保护了图像的边缘和细节信息,峰值信噪比有0.6 dB～0.8 dB左右的提高.     

基于区域分割和Counterlet变换的图像融合算法

提出了一种基于区域分割和Contourlet变换的图像融合算法。首先,对各源图像做区域分割,并利用区域能量比和区域清晰比的概念来度量和提取区域信息;然后,对各源图像进行多尺度非子采样Contourlet分解,分解后的高频部分采用绝对值取大算子进行融合,低频部分则采用基于区域的融合规则和算子进行融合;最后进行重构得到融合图像。对红外与可见光图像进行了融合实验,并与基于像素的àtrous小波变换和Contourlet变换的融合效果进行了比较。结果表明,采用本文算法的融合图像既保留了可见光图像的光谱信息,又继承了红外图像的目标信息,其熵值高于基于像素的融合方法约10%,交叉熵仅为基于像素的融合方法的1%左右。     

基于拉普拉斯塔型变换的Contourlet变换频谱混叠特性分析

针对Contourlet变换存在频谱混叠的问题,立足于拉普拉斯(Laplace)塔型变换的分析研究,指出了Contourlet变换频谱混叠的根本原因在于Laplace塔型变换中两个低通滤波器不满足Nyquist抽样定律,致使阻带截全频率大于π/2,导致Contourlet变换的频谱混叠.基此.设计了满足Nyquist抽样定律的低通滤波器,提出了一种新型的Contourlet变换,即抗混叠Contourlet变换.抗混叠Contourlet变换有效地抑制了频谱混叠,基函数的空频局域件均明显优于Contourlet.通过对Barbara图像的硬阈值去噪实验研究结果表明,抗混叠Contourlet变换去噪在峰值信噪比(PSNR)上高出Contou[et变换2.3 dB(噪声均方差为30),去噪效果好,同时还有效抑制了Contoulet变换去噪后的"划痕"现象,图像的视觉效果更佳.     

基于非抽样Contourlet变换的彩色图像数字水印算法

研究了小波变换和Contourlet变换的不足,利用非抽样Contourlet变换的多尺度性、多方向性以及平移不变性特征进行彩色图像数字水印.先对图像进行非抽样Contourlet变换得到不同尺度不同方向上的系数.然后为了满足水印的不町见性和稳健性,在低频系数和高频系数中采用不同的嵌入强度.并依据人类视觉的彩色感知特性,在蓝色分量中嵌入较多水印,在其他颜色分量选取变换系数能量最大的区域嵌入水印.与同样嵌入规则的Contourlet变换算法和平稳小波变换算法相比.该算法具有更好的稳健性,利用该算法得到的水印相似度更高,最高町提高约0.5.     

基于Contourlet的遥感图像放大与增强

提出一种遥感图像放大和增强的新方法.应用拉普拉斯塔形变换（LP）构建原图像的细节图像,采取双三次插值的方法分别放大原图像和细节图像,并将两个放大后的图像相加后线性处理.经过二级Contourlet分解变换,构造非线性增强函数增强Contourlet系数.最后用原图像取代Contourlet分解变换后的低频子带后重构图像,完成图像的放大和增强.结果表明,此方法能丰富放大后图像的细节,增强效果良好,有效提高放大后遥感图像的空间分辨率.