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.     

一种基于非下采样Contourlet变换的运动点目标背景抑制算法

为了解决机载红外预警探测系统检测地面运动点目标时的结构化背景抑制,提出了一种基于非下采样Contourlet变换的新算法.算法采用非下采样Contourlet变换对原始图像进行多层分解,然后对低频子带和高频子带采用不同的方法处理,最后对各子带进行重构即可得到背景抑制后图像.与数学形态学Top-hat算法比较,实验结果表明本文所提算法能有效地抑制图像背景,从而较好地提高图像的信噪比和对比度.     

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.     

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...     

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.     

一种基于方向窗特性的Contourlet域的多聚焦图像融合算法

针对同一场景多聚焦图像的融合问题,提出了一种基于方向区域特性的Contourlet域多聚焦图像融合算法.该算法对图像进行Contourlet变换,分解为不同尺度、不同方向的高低频子带|低频和高频子带分别采用方向区域的方差匹配度和能量作为融合规则|最后通过反变换得到融合图像.结果表明,所提出的方向区域方法能够更好地体现二维图像中的曲线或直线状边缘特征,是一种有效可行的图像融合算法.     

一种基于方向窗特性的Contourlet域的多聚焦图像融合算法

针对同一场景多聚焦图像的融合问题,提出了一种基于方向区域特性的Contourlet域多聚焦图像融合算法.该算法对图像进行Contourlet变换,分解为不同尺度、不同方向的高低频子带;低频和高频子带分别采用方向区域的方差匹配度和能量作为融合规则;最后通过反变换得到融合图像.结果表明,所提出的方向区域方法能够更好地体现二维图像中的曲线或直线状边缘特征,是一种有效可行的图像融合算法.     

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.     

基于小波变换的分水岭图像分割方法

图像分割技术在数字图像处理中占有重要地位.提出了一种基于小波变换的图像分割方法,有效地将小波分析、小波包分解与数学形态学中的分水岭方法相结合.首先,通过小波包对图像有效降噪,在一定程度上减少了分水岭方法的过分割现象.然后利用小波变换得到的梯度向量进行分水岭变换,有效保持边缘信息.实验结果证明该算法是可行的,与基于形态梯度的分割结果相比,得到了较好的分割效果.     

一种基于NSCT变换的红外与可见光图像融合算法

针对红外与可见光图像融合,提出了一种基于NSCT变换的图像融合方法。对经NSCT变换的低频子带系数采用基于区域能量自适应加权的融合规则,对高频子带系数采用混合的融合方法,即对于低层,采用基于区域方差选大的融合方法,对于高层采用像素点的绝对值选大的融合方法。实验结果表明,该融合算法可以获得更多的细节信息,能获得较理想的融合图像。     

基于多尺度总体最小二乘的图像去噪

提出了一种基于多尺度总体最小二乘的图像去噪算法.采用平稳小波变换对噪音图像进行分解,分别对各个分解层的高频子带,通过总体最小二乘算法估计信号小波系数|并且考虑到不同尺度小波系数之间的相关性,将尺度相关性约束到总体最小二乘算法中,进而准确估计各高频子带信号小波系数,再由估计的信号小波系数通过小波逆变换得到去噪图像.实验结果表明,考虑尺度间相关性的总体最小二乘平稳小波变换图像去噪算法能有效去除图像噪音,在信噪比和视觉质量上有了较大改善.     

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。     

基于边缘软判决的小波域自适应图像去噪

提出了一个新的图像去噪方法。该方法基于非抽样小波变换的多分辨分解,在各尺度下对小波系数进行了边缘和非边缘分类,并根据它们的不同统计特性运用了不同的估计技术。鉴于边缘分类的不确定性,提出了依概率的软分类技术,通过计算边缘发生的概率,判决当前系数应该采用哪一种估计。仿真结果表明:该方法在滤除图像噪声的同时,边缘得到了保持,较目前存在的一些方法更具有优越性。     

Fusion method of infrared and visible images based on neighborhood characteristic and regionalization in NSCT domain

On fusing infrared and visible image, the traditional fusion method cannot get the better image quality. Based on neighborhood characteristic and regionalization in NSCT (Nonsubsampled Contourlet Transform) domain, the fusion algorithm was proposed. Firstly, NSCT was adopted to decompose infrared and visible images at different scales and directions for the low and high frequency coefficients, the low frequency coefficients which were fused with improving regional weighted fusion method based on neighborhood energy, and the high-frequency coefficients were fused with multi-judgment rule based on neighborhood characteristic regional process. Finally, the coefficients were reconstructed to obtain the fused image. The experimental results show that, compared with the other three related methods, the proposed method can get the biggest value of IE (information entropy), MI(VI,F) (mutual information from visible image), MI(VI,F) (mutual information from infrared image), MI (sum of mutual information), and Q^AB/F (edge retention). The proposed method can leave enough information in the original images and its details, and the fused images have better visual effects.     

基于小波包分析二次阈值去噪图像复原方法

提出了基于小波包分析的二次去噪复原的图像复原新方法。利用小波包分析在信号去噪中对图像信号高频部分更加灵活、更加精确的局部分析能力,针对低信噪比模糊图像,通过选取较小的阈值,交替地进行了两次预去噪处理和复原。采用PML算法,实验比较了小波包阈值一次去噪法和二次去噪法。实验表明,二次去噪法由于阈值取值较小,对退化图像信息的能量分布改变较小,可以获得比一次去噪法更加良好的复原效果。     

基于K-SVD和残差比的低信噪比图像稀疏表示去噪算法

针对低信噪比图像去噪问题,提出了一种基于K-SVD(Singular Value Decomposition)和残差比(Residual Ratio Iteration Termination)的正交匹配追踪(Orthogonal Matching Pursuit,OMP)图像稀疏分解去噪算法。该算法利用K-SVD算法将离散余弦变换(Discrete cosine transform,DCT)框架产生的冗余字典训练成能够有效反映图像结构特征的超完备字典,以实现图像的有效表示。然后以残差比作为OMP算法迭代的终止条件来实现图像的去噪。实验表明,该算法相对于传统基于Symlets小波图像去噪、基于Contourlet变换的图像去噪,以及基于DCT冗余字典的稀疏表示图像去噪,能够更加有效地滤除低信噪比图像中的高斯白噪声,保留原图像的有用信息。     

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.     

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。     

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.