基于脉冲耦合神经网络的RLNSW-NSCT卫星云图融合算法研究

提出了一种基于脉冲耦合神经网络(pulse coupled neural network,PCNN)的冗余提升不可分离小波-非下采样Contourlet变换(redundant lifting non-separable waveletbased non-subsampled Contourlet transform,RLNSW-NSCT)卫星云图融合新方法。首先采用基于冗余提升不可分离小波的非下采样Contourlet变换(non subsampled Contourlet transform,NSCT)变换对卫星云图进行变换。对带通方向子带系数的融合设计了基于PCNN的融合规则,而低通子带系数的融合则采用基于图像区域信息熵的系数加权融合规则。为验证算法的有效性,对不同多尺度变换算法和不同融合规则分别进行了融合实验。结果表明该方法在较多地保留云图红外信息的同时,具有更好图像细节表达能力,融合云图的云层特征更为分明。     

非下采样Contourlet变换耦合锐度制约的遥感图像融合

当前多数遥感图像融合算法主要是依靠比值法选取全色图像或多光谱图像中的其中一个高频子带作为高频融合系数,忽略了另一个高频系数所包含的信息,易导致融合图像出现模糊以及光谱失真等不足.对此,本文提出了基于非下采样Contourlet变换与锐度制约模型的遥感图像融合算法.通过亮度-色调-饱和度(IHS)变换,获取多光谱图像的I,H,S分量,利用非下采样Contourlet变换对多光谱图像的I分量以及全色图像进行多尺度精细分解,得到相应的低频子带与高频子带;利用像素点邻域的像素值之差构造锐度制约模型,完成低频子带的融合.考虑多光谱图像中I分量与全色图像的高频子带特征,构造高频子带融合模型,完成高频子带的融合;将融合后的高频子带与低频子带通过非下采样Contourlet逆变换,输出融合图像的亮度分量珔I,将珔I与H,S分量进行IHS逆变换,形成最终的融合图像.仿真实验显示,与当前遥感图像融合方法相比,所提方法的融合图像具有更高的视觉质量,可保留更多的光谱以及边缘等图像细节信息.     

一种基于NSCT和对比度拉伸的红外与可见光图像融合算法

针对传统的红外与可见光图像融合算法所存在的边缘信息缺失等问题,提出了一种基于非下采样轮廓波变换和对比拉伸度的图像融合方法.首先,采用非下采样轮廓波对红外与可见光图像进行分解,得到高低频子带系数,采用"绝对值取大"和"窗口系数绝对值取大"的融合规则融合高频子带,低频子带采用改进的局部拉普拉斯能量的融合规则进行融合,经过N...     

基于非下采样Contourlet变换耦合近似度规则的多聚焦图像融合算法

当前多聚焦图像融合算法主要通过单一的比值取大法来完成高频系数的融合,忽略了不同高频系数间的近似度,导致融合图像存在模糊效应与块效应等不足,采用非下采样Contourlet变换耦合近似度规则对多聚焦图像进行融合,来改善以上不足。利用非下采样Contourlet变换对图像进行多尺度、多方向的分解,获取图像的高、低频分解系数。利用图像的区域能量对低频系数的信息量进行度量,构造低频系数融合函数,用于低频系数融合。利用图像的平均梯度差值对不同高频系数的差异度进行度量,建立近似度规则,根据不同高频系数的近似度采用不同的融合方法获取融合高频系数。将融合后系数通过非下采样Contourlet逆变换获取最后融合图像。仿真表明,所提算法与当前多聚焦图像融合方法相比,融合的图像具有较好的质量。     

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.     

NSST域内基于压缩感知和PCNN的遥感图像融合

针对NSCT融合算法运算数据量大、计算复杂度较高、实时性较低的问题,提出一种基于非下采样剪切波变换(nonsubsampled shearlet transform,NSST)和压缩感知(compressed sensing,CS)的遥感图像融合方法。首先,对待融合图像进行NSST变换,分解后得到的低频子带系数采用区域能量的融合规则;分解后的高频子带系数具有较高稀疏性。通过CS进行压缩后采用PCNN的融合规则,最后对重构系数进行NSST逆变换。实验结果表明,与传统经典算法相比,新方法不仅有效提高了图像融合效果,而且加快了算法的运行速度,满足融合系统实时性的要求。     

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.     

基于区域特性的Contourlet域多聚焦图像融合算法

利用Contourlet变换的多尺度、局部化、方向性和各向异性等优点，提出了一种基于区域特性的Contourlet域多聚焦图像融合算法．该算法将源图像分解至Contourlet变换域，在不同尺度、不同方向的子带中结合区域特性进行图像融合，低频和高频子带中分别采用区域方差和区域能量作为融合规则，最后通过反变换得到融合图像．实验结果表明，所提出的算法能够更好地提取原始图像特征，融合后的图像具有更好的主观视觉效果，与经典的梯度金字塔算法和小波变换算法相比，新算法的均方误差最大值仅为前二者的34．8％和42．6％．     

一种改进的压缩感知图像融合方法

传统基于压缩感知的图像融合算法在通过压缩感知观测图像高频分量时会丢失分量的空间信息,仅能采用简单规则进行融合,导致融合图像纹理细节等信息效果较差。针对此,文中提出了一种结合图像高频特征的自适应融合规则。首先,对融合图像进行非下采样contourlet变换(NSCT),分解后得到的低频子带系数采用区域能量融合规则,较传统低频系数处理更好的保留源图像的背景信息;然后,由于高频子带系数具有较高稀疏性,因此通过压缩感知进行压缩后根据标准差特征自适应选择融合规则;最后,对重构系数进行非下采样contourlet逆变换。实验结果表明:与传统经典算法相比,新方法不仅精准提取到红外目标,同时充分保留可见光图像的细节信息,兼顾了待融合图像的背景信息和红外目标信息,有效提高了融合效果和主观感受。     

基于区域特性的NSCT多聚焦图像融合新方法

本文提出了一种基于区域特性的NSCT多聚焦图像融合新算法。首先将待融合图像用NSCT分解成不同尺度,不同方向上的子带;然后对分解后的高频系数采用基于区域能量的方法进行融合,对低频系数采用基于区域方差的方法进行融合;最后将融合后的系数进行NSCT反变换得到融合后的图像。实验结果表明基于区域特性的NSCT图像融合方法优于其他传统方法,验证了本文算法的合理性。     

基于非子采样Contourlet变换的多聚焦图像融合方法

非子采样Contourlet变换(NSCT),是针对Contourlet变换的一些局限性进行了改进,可以对图像进行灵活的多尺度、多方向和平移不变性分解.提出了一种基于NSCT的多聚焦图像融合方法.首先对多聚焦图像进行NSCT变换;然后对变换得到的低频分量系数采用改进的加权平均融合规则进行融合处理,对高频分量的最高层和其它层系数分别采用绝对值最大和改进的区域方差融合规则进行融合处理;最后重构图像得到融合结果;并给出了实验结果.对结果的分析比较表明,所提出的融合规则的效果优于常用的融合方法和参考文献的融合方法.     

一种基于形态分量的多聚焦图像融合算法

提出一种基于形态分量思想的多聚焦图像融合算法。该方法首先对源图像迭代分解,将其分解为低频和高频两个分量,并用curvelet变换表示低频分量,然后,对低频分量采用高斯差分算子定义图像点的特征活跃度和融合规则,对高频分量的细节特征度量采用加权梯度差的方法来衡量和融合。仿真实验在四组多聚焦图像中进行,除了与传统的图像融合算法做比较外,还与系数绝对值最大法的融合算法进行比较。实验结果表明:该方法在平均梯度、空间频率、信息熵等指标上优于传统的图像融合方法,同时也优于基于系数绝对值最大法的融合规则。     

基于NSCT变换的红外与可见光图像融合新算法

考虑红外与可见光图像的成像机理,提出把非下采样Contourlet变换用于该类图像融合的改进措施.先用NSCT变换在多尺度和多方向上去分解已经配准的图像,可以得到低频系数部分和高频系数部分;再对低频子代部分应用归一化局部方差的差和融合阈值比较的融合规则,对于高频方向子代部分则使用拉普拉斯能量和的能量取大的融合方法;最后把NSCT逆变换应用在高低频部分,输出最后的图像.通过对比实验可知,提出的新方法较传统的图像融合方法更能准确地反映所要研究的场景.     

基于Contourlet变换的多聚焦图像融合算法研究

针对传统图像融合算法某些方面的不足,提出了一种基于Conlourlet变换的多聚焦图像融合算法。首先对两幅多聚焦图像进行Contourlet变换,得到不同分辨率层次下的Contourlet系数,包括低频分量和高频分量,利用Contourlet变换将图像的低频子带与高频子带进行分离,低频部分采用平均方法求出相关系数,高频部分采用绝对值取大的方法求出相关系数,对两个相关系数进行融合处理。实验结果表明,与传统的多聚焦图像融合算法相比,该算法增强了图像融合在细节方面的表现能力。     

基于小波变换的图像融合算法研究

为提高不同聚焦图像的融合质量,提出一种基于小波变换的图像融合改进算法. 利用小波变换将多聚焦图像进行多尺度分解,对分解后的高频系数与低频系数采用不同的选择方案,采用3×3滑动高斯窗口分别计算出待融合图像高频部分的相似度矩阵以及边缘能量矩阵,最后采用将结构相似度与图像边缘算子结合的融合算子对图像进行融合. 结果表明,该改进算法极大地抑制了图像融合中振铃效应,有效避免了融合过程中的信息缺失, 融合图像具有更好的视觉效果.      

基于小波变换与块分割的多聚焦图像融合

 提出了1种新的多聚焦图像融合方法.首先,对2幅源图像采用小波变换的方法进行图像融合,得到初始的融合图像;其次,针对多聚焦图像的特点,采用块区域局部小波空间频率将图像划分为3部分:聚焦清晰区域、聚焦模糊区域以及两者的交界区域.对于聚焦清晰和模糊区域,直接选取清晰区域作为融合后的相应块区域;对于边界区域,则选取小波融合的图像块区域.实验对比结果表明,该方法的融合效果明显优于常见的融合方法,并消除了块效应.     

改进区域分割的多聚焦图像融合方法

针对传统多尺度几何分析方法在图像融合时易损失清晰度以及融合规则选取复杂的缺点,提出一种改进基于区域分割的多聚焦图像融合方法;首先,根据提升静态小波变换快速获得初始融合图像,并对初始融合后的图像进行Normalized Cut算法处理以获得不同的分割区域,然后分别对原始图像进行NSCT变换并计算每个分割区域内高频分量系数的绝对值之和,最后选取绝对值最大的区域为融合后区域,并通过遍历每个分割区域获得融合后的多聚焦图像;数值试验证明,本算法不但融合规则选取较传统多尺度分析融合算法简单,还能够有效克服清晰度损失的缺点,具有有效性。