IHS变换域的遥感图像NSCT融合算法

针对非采样Contourlet变换(NSCT)在多光谱图像与全色图像融合时复杂度较大的问题,提出一种IHS变换域的多光谱图像与全色图像NSCT融合算法.该算法首先对多光谱图像进行IHS变换,然后再将强度分量图像与全色图像进行基于NSCT的融合,得到新的强度分量,最后再做IHS逆变换得到融合图像.实验结果表明,将IHS变换与NSCT相结合,有效地减少了融合计算量.另外与小波变换、Contourlet变换、NSCT等多分辨率分析的遥感图像融合算法相比,该算法还有效地减少了融合图像的光谱扭曲,提高了融合图像的视觉效果.     

基于1αβ空间和抗混叠Contourlet变换的遥感图像融合算法

针对遥感图像中多光谱和全色图像的融合问题,提出一种基于lαβ空间和抗混叠Contourlet变换(non-aliasingcontourlet transform,NACT)的融合方法.该方法首先将多光谱图像进行lαβ变换,对其l分量和全色图像分别进行抗混叠Contourlet变换;然后,利用循环平移(cycle spinning,CS)算法消除由于变换缺乏平移不变性而引起的图像失真,对得到的低频子带系数和各带通方向子带系数分别进行融合;最后,通过抗混叠Contourlet逆变换和lαβ逆变换得到新的l分量以及融合后的高空间分辨率的多光谱图像.实验结果表明,该算法优于传统的色度-亮度-饱和度(hue-intensity-saturation,HIS)变换融合方法、小波融合方法以及Contourlet变换方法.     

基于lαβ空间和抗混叠Contourlet变换的遥感图像融合算法

针对遥感图像中多光谱和全色图像的融合问题,提出一种基于lαβ空间和抗混叠Contourlet变换(non aliasingcontourlettransform,NACT)的融合方法.该方法首先将多光谱图像进行lαβ变换,对其l分量和全色图像分别进行抗混叠Contourlet变换;然后,利用循环平移(cyclespinning,CS)算法消除由于变换缺乏平移不变性而引起的图像失真,对得到的低频子带系数和各带通方向子带系数分别进行融合;最后,通过抗混叠Contourlet逆变换和lαβ逆变换得到新的l分量以及融合后的高空间分辨率的多光谱图像.实验结果表明,该算法优于传统的色度 亮度 饱和度(hue intensity saturation,HIS)变换融合方法、小波融合方法以及Contourlet变换方法     

基于空间频率和小波变换的图像融合方法

为了更好的对多光谱图像和高分辨图像进行融合，根据小波变换有三个方向的高频细节这．特点，提出了一种计算空间频率的新方法。利用这种空间频率、IHS和小波变换方法对多光谱图像和高分辨图像进行了融合，得到了具有较好的空间分辨率和光谱信息的融合图像，并对融合图像进行了评价。实验结果表明该方法得到的融合图像优于传统IHS变换法和传统小波变换方法。     

改进的阈值加权平均HSV与小波变换图像融合

为提高图像的空间分辨率、增加图像的细节信息,改善HSV融合和小波融合中存在的光谱失真、原SAR与ETM图像的纹理特征保持不良等现象.提出一种改进加权平均法的HSV与小波变换融合方法.将ETM图像转换到HSV彩色空间,得到亮度分量V.将高分辨率的SAR图像与该分量进行小波分解,得到高低频信息,将低频信息按照提出的改进的加权平均法进行融合,高频信息按照绝对值最大法进行融合,得到新的亮度分量,再通过HSV逆变换得到新的融合图像.实验采用3 m分辨率的Cosmo-Sky Med图像和30 m分辨率的Landsat8图像进行实验.研究结果表明:该融合方法能够提高图像空间分辨率,在地物细节和光谱特征方面保持良好.     

融合算法在高空间分辨率影像中的应用研究

为了分析非下采样Contourlet变换(Nonsubsampled Contourlet Transform,NSCT)在高空间分辨率影像处理中的优势,对影像降噪处理的具体过程进行分析,得到二次采样Contourlet变换(Sampled Contourlet Transform,SCT)与NSCT算法之间的相关性以及互补性,给出了基于小波理论的Contourlet变换图像融合算法.分析结果显示,在该图像融合算法下,SCT及NSCT方法的标准差均高于原始光谱带,整体的空间及光谱分辨率都较高.     

基于小波支持向量回归的遥感多光谱图像分辨率增强算法

利用小波支持向量回归,实现了遥感多光谱图像分辨率的增强。首先采用非下采样Contourlet变换对低分辨率的多光谱图像和高分辨率的全色图像进行多分辨率分解,再利用小波支持向量回归对分解系数进行学习和预测,获得分辨率初步提高的多光谱图像,最后再与传统的插值方法得到的结果进行融合来实现多光谱图像分辨率增强。实验结果表明:此方法借遥感全色图像的辅助获得丰富的高频细节信息,使得分辨率增强结果无论是最小均方误差还是峰值信噪比都要优于仅依靠原图像本身放大的传统方法以及其他的分辨率增强方法。     

基于Contourlet和IHS的遥感图像融合

针对目前最新发展的Contourlet变换较小波变换能提供更丰富的方向和形状,有助于捕捉图像中的几何结构,提出了一种新的基于Contourlet变换和IHS(Intensity-Hue-Saturation)变换的遥感图像融合方法,首先对多频谱图像进行IHS变换,然后对所得的亮度分量和全色图像分别进行Contourlet变换,再对得到的低频近似系数和高频细节系数采用一定的融合规则得到一个新的亮度分量,并对其做逆向的IHS变换得到融合图像.实验结果表明,该方法在保留多频谱图像的频谱信息的同时增强了融合图像的空间细节表现能力,提高了融合图像的信息量,并且优于同等条件下的小波变换方法,该方法是有效可行的.     

一种基于Contourlet变换的图像边缘检测方法

基于小波变换域图像边缘检测算法只能有效检测出图像有限方向的边缘,而且这种算法所得到的边缘图像往往出现断裂现象.Contourlet变换是一种新的多尺度几何分析方法,它不仅拥有小波变换的时频局域特性和多分辨率特性,而且还具有很好的方向性和各向异性.提出一种新的基于Contourlet变换的边缘检测算法.仿真结果表明,该算法对图像边缘细节的提取比基于小波的图像边缘检测方法更加丰富,且具有较好的连续性.     

基于离散多小波变换的多聚焦图像融合方法

多小波是小波理论的扩展,多小波变换能够为图像分析提供一种比小波多分辨率更加精细的方法。利用多小波将两幅图像进行融合后得到的融合图像,能够很好地将原图像的细节融合在一起。在研究离散多小波图像分析法基础上,提出了一种基于离散多小波变换的多聚焦图像融合方法。试验结果表明,该方法能够很好地解决多聚焦图像融合问题,具有良好的融合特性,得到的融合图像效果优于传统图像融合方法。     

基于NSCT-PCNN变换的多传感器图像融合

针对同源和异源的多传感器图像的特征,提出了一种基于非下采样Contourlet变换(NSCT)和脉冲耦合神经网络(PCNN)的新的图像融合算法。首先,用NSCT对已配准的源图像进行分解,从而准确地提取出了二维和更高维的边缘纹理信息;其次,对低频子带系数采用区域方差进行了整合,从而得到融合图像的低频子带系数,而对高频子带系数提出了一种改进的基于PCNN的图像融合方法来确定融合图像的各带通子带系数;最后通过对所有子带系数进行NSCT逆变换,从而得到了融合图像。实验结果表明,该方法优于Mallat小波方法和传统的NSCT方法,有更好的视觉效果。     

结合NSCT和区域特征的图像融合新算法

提出一种把非下采样Contourlet变换(NSCT)和区域特征相结合的图像融合新方法.该方法能够获取更好的空域和频域中的局部特征,同时提高融合图像的质量.用NSCT对已经配准的源图像在不同尺度和方向进行分解,低频子带分量采用区域平均能量和匹配度相结合的融合规则,高频子带分量使用改进的拉普拉斯能量和取大的融合规则.然后,利用逆NSCT变换对图像重构得到融合结果.实验结果表明,新方法优于其他三个常用的方法,且较好地保留图像的边缘和细节信息.     

基于NSCT变换的SAR图像融合的算法

首先分析了小波变换在进行图像处理时不能有效表示直线／曲线的奇异性问题,然后研究了能够很好表示二维或更高维奇异性的非采样Contourlet变换（Nonsubsampled Contourlet transform,NSCT）的基本原理。接着讨论了将NSCT变换应用于图像融合的可行性,提出了经NSCT变换分解得到的不同的频域子带系数,在选择低频子带系数时,提出了基于局部梯度的尺度系数融合的方案,在对带通方向子带系数进行融合时,采用了自适应尺度系数融合的方案。同时,对主客观性能比较进行了仿真实验,结果表明,提出的新方法比其它几种方法传统的基于小波变换的图像融合效果要好得多。     

基于非下采样Contourlet变换的 SVM多聚焦图像融合

提出基于非下采样Contourlet变换的支持向量机(SVM)多聚焦图像融合算法. 采用非下采样Contourlet变换分解图像得到不同频域子带系数. 针对直接取系数绝对值最大融合规则不能反映图像区域的缺点,提出SVM分类系数融合规则. 根据各子带系数物理意义将区域方差、区域能量作为SVM核函数参考量来选择清晰像素点系数,根据融合系数重构得到融合图像. 结果证明该算法能有效并准确地融合图像中的信息.     

一种新颖的图像多尺度几何变换及其应用

提出了一种新颖的图像多尺度几何变换方法,主要由预处理、方向滤波器组和最优方向小波变换等组成.方向滤波器组将预处理后的高频分量分解为多个方向子带,然后每个方向子带执行改进的最优方向小波变换.该变换兼有Bandelet变换和Contourlet变换的多尺度几何分析特性,能更稀疏地表示边缘和纹理特征.分别将EBCOT编码和硬阈值去噪应用到图像变换系数中,从而实现了有效的图像压缩和去噪,很好地保护了图像细节.实验结果表明,对于纹理和边缘丰富的图像,所提出的图像压缩和去噪方法在视觉质量上明显优于基于Bandelet或Contourlet变换的方法,峰值信噪比也提高了0.1 dB以上.     

基于非下采样Contourlet变换的自适应阈值图像去噪方法

Contourlet变换是一种真正的图像二维表示方法,具有方向性和各向异性,能稀疏地表示图像。但Contourlet变换不具备平移不变性,图像去噪时会存在伪Gibbs现象。为了克服这种不足,在Contourlet变换基础上,构建了非下采样Contourlet变换,首先将图像进行非下采样Contourlet变换,接着运用自适应阈值进行去噪处理,然后进行非下采样Contourlet逆变换,得到去噪后图像。实验结果表明,采用非下采样Contourlet变换方法能有效去除图像噪声,并能保持图像纹理细节,提高图像信噪比,视觉效果好,其去噪效果优于传统小波及Contourlet去噪效果。     

基于非采样Contourlet与全变差模型的图像去噪

分析非采样Contourlet与全变差滤波器在图像去噪中的特点,提出一种基于图像全变差模型的非线性扩散与非采样Contourlet相结合的自适应混合图像去噪算法.该算法在中、低频部分采用全变差扩散,在高频部分采用非采样Contourlet变换,并在此基础上用半软阈值法取代软阈值法.实验结果表明,该算法能够在降低复杂度的同时得到好的滤波效果.     

基于NSCT和矩阵F-范数的图像检索方法

介绍一种基于非下采样轮廓波Nonsubsampled Contourlet(NSCT)和矩阵F-范数的图像检索(CBIR)技术。首先对图像进行NSCT变换,然后将变换结果用矩阵F-范数构建特征向量,设计了两个特征向量相似度度量,最后给出加权相似度实现了图像检索。实验结果表明,该技术具有很好的检索率。     

基于NSCT与形状特征的遥感影像道路提取

提出一种基于非抽样Contourlet变换（NSCT）与形状特征的遥感影像道路提取算法.首先对图像进行非抽样Contourlet变换,得到不同尺度、不同方向上的变换系数,对变换系数进行增强处理并通过反变换得到增强图像;然后对增强图像进行分割处理,利用道路形状特征对分割结果进行道路提取;最后利用光谱特征对提取的道路进行判断,并利用形态学方法对道路网进行规整.对比实验结果表明：该算法取得了较好的高分辨率遥感影像道路提取效果.