基于非下采样Contourlet信息熵的纹理图像检索

提出了一种基于非下采样Contourlet信息熵的纹理图像检索新方法.首先对原始图像进行三层非下采样Contourlet分解;然后计算各个子带的能量,并对其进行排序、合并,得到纹理直方图;最后以纹理直方图为概率密度函数,并用改进的信息熵方法求得函数的熵,以此作为纹理特征进行检索.实验结果表明,该方法与当前基于多分辨率的纹理图像检索方法相比具有更高的查全率和查准率.     

基于非下采样contourlet变换的纹理图像检索算法

提出一种应用非下采样contourlet变换(nonsubsampled contourlet transform,NSCT)进行图像检索的算法,以获取一种兼顾纹理图像概貌和细节信息的特征,从而提高图像检索的性能.该算法利用NSCT对图像进行多尺度、多方向分解,获得子带系数矩阵;对低频子带系数提取能量和方差作为全局纹理特征,并对高频子带系数分别提取尺度间和尺度内纹理信息;通过非高斯双变量模型拟合子带系数,利用信息熵描述尺度间特征;尺度内特征通过对同一层子带图像按主方向排序,获得直方图图像,计算其加权信息熵作为特征向量.对Brodatz标准纹理库的检索实验结果表明,与同类算法相比,该文方法具有更高的检索性能.     

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。     

融合显著区域和非下采样Contourlet变换的图像检索方法

为了提高图像的检索性能,基于显著区域直方图和非下采样Contourlet变换技术,提出了一种图像检索新方法。首先,以兴趣点为基础实现图像显著区域和背景区域的划分,并提取这两个区域的直方图作为颜色特征;其次,对图像进行非下采样Contourlet分解,获得高频子带的均值和方差作为图像的纹理信息;最后,将得到的颜色特征和纹理信息有机结合对图像进行检索。实验结果表明,该方法性能稳定,具有较高的检索效率。     

基于多小波和非下采样Contourlet变换的纹理检索

为了更有效地进行纹理图像检索,提出了一种新的基于多小波变换和非下采样Contourlet变换相结合的纹理图像检索方法.首先,采用多小波对图像进行多尺度分解以便保证变换平移不变性的同时也消除变换的冗余性;然后,将所得的高频子带采用非下采样方向滤波器组进行多方向分解,计算低频子带和各层方向子带的一阶几何矩作为纹理特征;最后...     

多孔小波和非下采样滤波器组去除遥感图像的多种噪声

结合àtrous小波变换和非下采样轮廓波变换的优点,提出一种基于àtrous 非下采样轮廓波变换的遥感图像去噪方法.该方法用非抽取离散小波变换的àtrous算法对图像进行多尺度分解,然后用非下采样的多方向滤波器组对得到的细节分量进行多方向分解.对含有多种噪声的遥感图像,àtrous 非下采样轮廓波变换将图像中不同种类的噪声分解到不同的小波系数分量中,使得可以根据噪声特性选择最合适的去噪方法,比用一种方法去除所有类型的噪声更科学且去噪效果更好.     

基于多特征的旋转不变纹理图像检索

为了消除图像旋转对图像检索的影响,提出了一个基于非下采样轮廓波变换、灰度共生矩阵和新相似性度量的旋转不变纹理图像检索算法。非下采样轮廓波变换具有各向异性和平移不变性。灰度共生矩阵描述了图像的方向性、邻近空间关系和方差的变化范围。通过计算每个非下采样轮廓波变换尺度下的所有子带的平均能量和平均标准差,灰度共生矩阵的二阶矩角、惯性熵、惯性矩、反差分矩,惯性相关系数的均值、标准差,得到具有旋转不变性的纹理多特征。提出一种新的相似性度量以改进纹理图像检索性能。实验结果表明,对于1个含640幅图像的旋转纹理图像库,与基于双树复小波变换的方法相比,该文图像检索算法将旋转纹理图像检索准确率由73.28%提高至80.71%。     

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...     

基于非抽样contourlet变换的图像增强方法

针对实验图像光照不均、对比度低、噪声大等特点,提出一种基于非抽样contourlet变换的图像非线性增强算法.首先对原图进行非抽样contourlet变换,分解为低频和高频子带;然后对低频子图进行自适应直方图处理,以增强像素的对比度,对高频系数采用分层阈值处理和分段非线性变换;最后将其反变换得到增强的图像.仿真实验结果表明:此算法不仅增强效果好,鲁棒性强,而且具有较大的实用价值.     

基于非下采样contourlet变换的压缩感知图像重建

受传统采样定理限制,直接从信号采集系统得到高分辨率图像较困难,且信号获取过程会导致大量的采样数据.压缩感知理论指出可用特定测量矩阵将高维信号投影到低维空间上,求解数值优化问题准确重构原始信号,突破了传统采样定理的限制.传统压缩感知图像重建算法对所有系数测量,需进行多层小波变换保证图像质量,且小波捕捉方向信息有限,重建图像质量较差.故此提出采用非下采样contourlet变换(NSCT)做信号稀疏变换,并针对变换系数的特点,选择性的对系数测量,利用正交匹配追踪算法进行重构.实验结果表明,仅用单层NSCT变换可重建出高质量图像,克服传统算法需进行多层小波变换的缺点,降低采样和存储的数据量且重建的图像质量得到极大提升.     

基于非抽样Contourlet变换的高定位精度认证水印算法

本文提出了一种基于非抽样Contourlet变换的高定位精度图像自适应认证水印算法。对原始图像进行非抽样Contourlet变换,选取低频子图分块后进行奇异值分解,通过自适应量化修改奇异值嵌入经混沌置乱后的二值水印信息。整个分解过程没有任何抽样环节,各尺度下各方向子带均与原始图像具有相同的尺寸,从而提高了篡改定位的精度,增加了水印的嵌入量。水印的提取只需要由混沌初值和量化参数构成的密钥,保证了算法的安全性。同时该水印算法对JPEG压缩稳健,对恶意操作敏感。     

基于非抽样Contourlet变换的遥感影像道路提取

提出一种基于非抽样Contourlet变换的遥感影像道路提取算法.该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,再通过给定窗口大小分别计算各个尺度各个方向上的变换系数模在窗口内的局部最大值,然后比较各尺度在同一方向和同一窗口位置上系数模的最大值,取值最大的点作为特征点;同时利用自适应阈值对各个尺度各个方向上的系数模值进行二值化,消除小于一定面积的区域,筛选出特征点位于提取区域内的点;最后以筛选出的特征点为种子点,对道路进行Snake跟踪.实验结果表明:该文算法在道路提取的精确度、完整性方面比小波变换好.     

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.     

基于小波的图像检索方法

结合小波系数统计特性的方法进行图像检索。由于小波系数提供了重要的方向信息,图像的小波系数的统计分布具有广义高斯分布特性。利用小波变换系数的统计特性,描述图像子带小波系数统计的特征矢量。结果表明,色度矩和小波系数统计特性相结合是一种有效的图像检索方法。     

基于颜色及空间信息的图象检索方法

为解决目前的颜色检索方法多没有较好地结合图象的空间分布特征的问题,采用改进的区域增长法对图象进行分割,即先检查各区域的均匀性,对不均匀区域进行分裂。在一定程度上改善了对纹理图象的分割效果。然后根据分割区域的灰度、形状、空间位置等特征计算图象间的相似度。并提出采用图象的灰度特征代替彩色信息以提高查询速度。     

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。