Remote Sensing image fusion algorithm based on wavelet decomposition and PCNN

在小波变换理论的基础上,提出了一种结合小波分解和脉冲耦合神经网络(PCNN)的遥感图像融合新方法.首先对两幅已经配准的原始遥感图像进行小波多尺度分解,得到低频子带系数和各带通子带系数;其次对低频子带系数采取一种基于边缘的方法以得到融合图像的低频子带系数;对各带通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;最后通过逆小波变换重构图像得到融合后的图像.仿真结果和评价指标结果表明,此方法更好地保留了原图像中的有用信息,提高了融合图像的质量.     

PCK对西部高师化学专业学生培养新思考

在小波变换理论的基础上,提出了一种结合小波分解和脉冲耦合神经网络(PCNN)的遥感图像融合新方法.首先对两幅已经配准的原始遥感图像进行小波多尺度分解,得到低频子带系数和各带通子带系数;其次对低频子带系数采取一种基于边缘的方法以得到融合图像的低频子带系数;对各带通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;最后通过逆小波变换重构图像得到融合后的图像.仿真结果和评价指标结果表明,此方法更好地保留了原图像中的有用信息,提高了融合图像的质量.     

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。     

基于小波变换与LBP算子的遥感图像融合研究

提出一种新的基于小波变换与LBP算子相结合的遥感图像融合算法.该算法在源图像小波变换的高频子带内,利用局部LBP算子极大的方法得到小波重构高频系数,而低频系数则利用源图像小波分解后低频子带系数的非线性加权得到.然后由此高频和低频系数进行小波重构得到融合图像.实验采用可见光图像与SAR图像融合,结果表明这种方法可以很好地在保留源图像各自信息的同时融合源图像的细节信息,并且能够有效抑制源图像中孤立噪声点.     

基于双通道PCNN的NSST域红外与可见光图像融合

针对传统红外与可见光图像融合中存在的一些不足,提出一种新的基于非下采样剪切波变换(NSST)和双通道脉冲耦合神经网络模型(2APCNN)的红外与可见光图像融合算法.该算法首先对红外图像进行预处理,提高源图像的对比度,再对红外与可见光图像进行NSST分解得到低频和高频子带系数;然后对分解后的低频子带系数进行二维小波分解再次得到相应的低频和高频子带,低频部分采用一种基于显著图的融合策略,高频部分采用绝对值取大的原则,之后再对低频和高频采用小波逆变换得到NSST重构所需的低频部分;接着对NSST分解后的高频子带采用双通道PCNN进行处理;最后对处理过的低频和高频子带进行NSST逆变换得到最终的融合图像.几组图像的实验结果对比显示,该算法相比其他算法在客观评价指标和视觉效果上均取得了一定的改进.     

一种基于第二代曲波变换的多聚焦图像融合方法

提出了一种基于第二代曲波变换的多聚焦图像融合方法。将两幅源多聚焦图像分别进行第二代曲波变换分解,得到各自的低频子带系数和各带通方向子带系数;采用一定的融合规则对曲波变换系数进行组合得到融合图像的曲波系数;最后对得到的曲波系数进行曲波重构得到融合图像。实验结果表明,该方法的融合效果明显优于常见的融合方法。     

基于NSCT与PCNN的自适应图像融合

提出了一种新的基于非下采样轮廓波(NSCT)和脉冲耦合神经网络(PCNN)相结合的自适应图像融合方法.对已经配准的源图像进行NSCT分解,得到低频子带系数和不同方向的高频子带系数.对NSCT分解的低频部分采用简单的加权平均融合规则;而高通子带系数,采用改进的拉普拉斯能量作为PCNN链接强度的方法.最后,对融合的系数进行NSCT逆变换得到融合图像.实验结果表明,本文算法明显优于其他几种方法,具有更好的融合性能,清晰度更高,是一种可行、有效的图像融合方法.     

基于小波变换的双通道脉冲耦合神经网络图像融合

提出了一种基于小波变换的双通道脉冲耦合神经网络的图像融合方法.先使用小波变换的方法来分解配准后的各个源图像,进而得到各个源图像的低频分量和高频分量,再把得到的低频和高频系数进行融合处理,使用高斯加权平均的低频融合规则来处理低频子带,利用双通道脉冲耦合神经网络的融合规则处理各高频子带,链接系数为图像的清晰度.融合后的小波系数取决于点火图和点火次数的多少,最后的融合图像由小波逆变换得到.实验结果表明,该方法能更有效地提取原始图像的特征信息,在主观视觉效果以及客观性能指标上较传统算法都有所改善.     

一种基于四元数小波变换的图像融合方法*

目的基于四元数小波变换理论提出了一种新的图像融合方法。方法基本思想主要包括3步:首先,对图像进行四元数小波分解,得到各个尺度下的高频子带和低频子带。其次,对高频子带和低频子带分别采用区域最大值法和系数平均的融合准则,得到融合的四元数小波融合系数。最后,利用四元数小波逆变换得到融合图像。结果用所提方法得到了6组测试图像在主观和客观上的融合结果。结论实验表明,所提方法比离散小波变换、对偶数复小波变换和曲线波变换的图像融合方法更有效。     

基于小波变换的多聚焦图像融合方法

为了改善图像融合效率,针对当前图像融合方法存在的局限性,提出一种基于小波变换的多聚焦图像融合方法.首先确定最优的小波分解层数,采用小波变换对图像进行多次分解;然后考虑低频子带与高频子带各自的特点,选择局部平均梯度准则作为高频子带的融合规则,低频子带采用3个系数的平均值作为融合规则;最后通过仿真实验对图像融合的有效性进行测试.实验结果表明,该方法获得了更理想的图像融合结果,提高了融合后的图像质量,且融合效果明显优于对比图像融合方法.     

基于PCNN的RLNSW-NSCT卫星云图融合算法研究

提出了一种基于PCNN的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。     

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Shearlet和稀疏表示的遥感图像融合

针对NSCT变换算法具有较高复杂度、计算时间长、不符合实时性要求的问题,提出将基于Shearlet变换和稀疏表示的算法引入到遥感图像融合中。首先,对待融合图像进行Shearlet变换,分解后得到的低频子带系数采用区域能量取大的融合规则;分解后的高频子带系数采用PCNN的融合规则,最后对重构系数进行Shearlet逆变换。实验结果表明,与NSCT变换及经典算法相比,新方法不仅有效改善了图像融合质量,同时提升了算法的运行速度,实时性良好。     

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     

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。     

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。     

基于二维小波变换的图像压缩新算法

为了实现快速、高质量的图像传输,用尽可能少的小波系数高质量地表征图像,提出了一种基于二维小波变换的图像压缩算法.首先将图像进行二维小波分解,得到各子带的一系列小波系数;其次保留图像低频子带的所有小波系数;然后根据归一化能量序列熵准则提取其他各层子带重要系数,即在某一门限下剩余系数熵值与剩余系数最大熵值比值较大(0.9左...     

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。     

基于小波低频子带的奇异值分解的图像识别

提出一种基于小波低频子带的统一特征空间奇异值分解的人脸识别方法.首先利用小波变换提取人脸图像的低频子带,然后作傅立叶变换,获得低频子带的频谱;将低频子带的频谱投影到标准脸奇异值分解的统一特征空间,投影系数作为人脸识别特征;采用L_1距离进行最小距离分类,实验结果表明,该方法比统一特征空间奇异值分解方法可获得更高的识别率.     

一种基于FPGA动态可重构的图像融合算法

提出一种基于FPGA动态可重构的图像融合算法.该方法对小波分解后的图像低频子带采用平均融合算子处理,在高频子带的融合中依据小波系数树状结构特点,提出了一种新的自适应融合方法,最后经过小波逆变换得到融合图像.核心算法集成到一片FPGA中实现,提高算法的实时性,降低系统的实际功耗,有效地减少融合图像的失真.