SAR图像的NSCT域自适应收缩相干斑抑制

提出了一种基于Nonsubsampled Contourlet（NSCT）变换域自适应收缩的SAR图像相干斑抑制算法。首先将SAR图像分解至NSCT域,其次对NSCT系数进行Pizurica自适应收缩。利用NSCT变换的良好的方向选择性及平移不变性,同时结合Pizurica自适应收缩的方向空间相关性及其局部噪声度量,自适应地得到各方向的高频子带系数对应的收缩因子,修正NSCT系数,最终将修正后的子带系数通过NSCT逆变换获得经过斑点噪声抑制的图像。实验结果表明,与小波域软阈值和Contourlet域软阈值算法相比,该算法在有效抑制SAR图像斑点噪声的同时能更好、更清晰地保持图像的边缘细节特征。     

基于NSCT域自适应缩减原理的SAR图像去噪

根据SAR图像在NSCT变换域中高频子带系数的现实分布特性,提出一种自适应缩减原理的SAR图像去噪方法,使分解后的高频子带系数中代表噪声的系数得到有效抑制,而代表边缘细节的系数得到完美保护,经NSCT反变换后得到较理想的去噪图像,实测SAR图像的去噪结果表明该方法在减少噪声的同时很好地保持了图像的细节,实验证明该方案比原有的去噪方法具有更好的边缘保持性能和后向散射系数保持性能.     

一种混合噪声图像去噪方法

首先分析了含有高斯白噪声和脉冲噪声的图像必须采用不同去噪方法的原因;然后分别给出了小波变换后的低频子带图像与高频子带图像的去噪方法：用改进的邻域平均法对低频子带图像进行去噪处理。对高频子带图像采用中值滤波、阀值处理、小波系数增强方法去除脉冲噪声;最后对经过处理后的各子带图像进行小波逆变换得到恢复图像;实验结果证明了理论分析的正确性。     

基于形态Haar小波的SAR图像斑点噪声抑制方法

针对现有相干斑抑制算法不能在去除斑点噪声和保持图像边缘、细节信息之间做到很好的折中,提出了一种新的基于形态Haar小波变换的合成孔径雷达(SAR)图像斑点噪声抑制方法。该方法首先对SAR图像进行二维形态Haar小波分解,图像的边缘、细节和纹理信息在低频子带中得到了更好的保留,噪声主要分布在高频子带;然后,根据各高频子带噪声的特点,分别对高频子带进行均值和中值滤波达到去除斑点噪声的目的;最后,再对低频子带和处理后的高频子带进行形态Haar小波精确重构得到去斑图像。实验证明:该算法不仅大大改善了原始SAR图像的画面质量,同时很好地保持了原始SAR图像的纹理特性和细节信息;该算法去斑性能指标总体优于传统的Lee滤波、Frost滤波、Kuan滤波和小波软阈值法。     

融合NSCT和自适应平滑的光照不变量提取算法

为了更好地解决光照变化对人脸识别系统的干扰问题,提出一种融合了NSCT和自适应平滑的算法,以提取带有更多人脸结构信息的光照不变量.首先用NSCT分解对数域人脸图像,并对各高频子带进行NormalShrink阈值滤波;再将滤波后的高频子带和未经处理的低频子带进行逆NSCT处理得到人脸图像的模糊图像;然后对NSCT分解后的低频子带使用自适应平滑提取出低频子带中的人脸细节信息;最后结合该人脸细节信息和模糊图像进行计算,得到人脸图像的光照不变量.该不变量有效地弥补了NSCT方法中缺乏低频子带中的人脸细节信息的不足,提高了人脸信息的利用率.在Yale B和CMU PIE人脸库上的实验结果表明,该算法能够有效地消除光照变化的影响,具有更优的人脸识别性能,提高人脸识别系统的光照鲁棒性.     

NSCT变换和小波包变换相结合的图像隐藏方法

为了更好地解决NSCT域图像隐藏不可见性和鲁棒性之间的矛盾,提出了一种基于NSCT变换和小波包变换相结合的可见光图像隐藏方法,利用NSCT变换将载体图像分解为低频子带和一组高频子带,对低频子带进行二级小波包分解,通过奇异值变换将秘密图像重要位平面信息隐藏在小波包分解低频子带中,次要信息自适应隐藏在NSCT高频子带中。实验表明,在同等嵌入容量下,算法峰值信噪比大于50 dB,对几何攻击和滤波等干扰处理后,秘密图像的归一化系数仍接近于1。     

基于小波变换的低频子带图像去噪方法研究

小波阈值去噪方法是研究最为广泛的方法之一,基于此方法提出了许多改进算法。然而,这些改进的小波阈值去噪算法都没有对低频子带进行处理。本文采用自适应中值滤波对小波变换的低频子带进行处理,而对高频子带采用通用阈值去噪算法。实验结果表明噪声方差越大（即噪声污染越严重）,重构图像PSNR提高的越多;对于噪声方差较小及细节较少的图像来说,重构图像的PSNR不是很理想。     

基于Contourlet能量标准差积的极化SAR图像融合

针对Contourlet多尺度、多方向性的优点,以及单一特征量融合规则过于片面性的缺点,提出了一种结合Contourlet自适应阈值滤波的区域能量标准差积的多极化SAR图像融合算法.该方法利用Sigmoid函数构建一种自适应阈值函数来处理Contourlet的高频子带系数,实现融合前图像的去噪处理,然后在Contourlet域中完成不同极化SAR图像的信息融合.根据各子带系数的特性,对低频子带系数采用区域能量融合规则和加权算法;高频子带系数采用区域能量和标准差之积作为融合规则,进行选择性融合.通过对实测极化SAR图像融合的试验表明,该算法在目视效果和客观评价指标方面比其他算法,都具有一定的优越性.     

基于NSCT和改进模糊的遥感图像增强方法

为了解决遥感图像处理过程中噪声放大和图像失真现象,提出了一种结合NSCT和改进模糊对比度的图像增强方法。通过NSCT变换把图像分解成低频子带和若干个高频子带;对低频子带进行线性增强,并利用改进的阈值函数对高频子带进行去噪;随后采用改进的模糊对比度来调整NSCT反变换的系数,以提高图像的整体对比度。实验结果表明,提出的算法的客观指标明显优于其他对比算法,并且视觉效果也得到很大改善。     

基于系数相关性的小波变换红外图像去噪

提出了一种基于层内邻域相关性的正交小波变换红外图像去噪算法.首先对红外图像进行离散小波变换,分别对各个分解层的高频子带进行处理;考虑到小波系数的层内邻域相关性,通过基于最小均方误差算法的邻域小波系数向量估计小波系数,然后由估计的高频子带小波系数,通过小波反变换得到去噪图像.仿真结果表明,该红外图像去噪算法能有效去除图像噪声,在峰值信噪比和主观视觉质量等方面都有明显改善.     

邻域小波系数自适应的图像降噪

如何去除自然图像中的高斯白噪声是图像处理中的一个经典问题。基于小波收缩的NeighShrink降噪方法取得了很好的降噪效果,但是NeighShrink在所有小波子带上均使用了次优的universal阈值以及固定的邻域窗口尺寸,导致了较大的偏差,而且使得算法不健壮。为此,运用Stein的无偏风险估计改进了NeighShrink方法。该方法能够为每个小波子带确定最优的阈值和邻域窗口尺寸。实验结果显示,该方法取得了比NeighShrink更低的均方误差,也优于当前尖端的图像降噪算法—FeatShrink,其平均MSE大约低6%。     

基于NSCT和卷积稀疏表示的红外与可见光图像融合

针对红外与可见光图像融合时出现的细节模糊、对比度降低等问题,论文提出了一种基于非下采样轮廓波变换(Nonsubsampled Contourlet Transform,NSCT)和卷积稀疏表示(Convolutional Sparse Representation,CSR)的图像融合方法.首先,分别对红外图像和可见光图...     

基于NSCT阈值萎缩法的遥感图像去噪

针对图像去噪过程中产生的伪吉布斯现象以及峰值信噪比(PSNR)较低等问题,提出一种基于非下采样Contourlet变换(NSCT)阈 值萎缩法的遥感图像去噪算法。根据NeighShrink去噪算法中尺度内系数的邻域系数相关性,以及BiShink去噪算法中不同尺度间系数的相关性,对图像进行去噪,利用NSCT的平移不变性,抑制小波去噪中的伪吉布斯现象。实验结果证明,采用该算法去噪后的图像PSNR较高,视觉效果较优。     

基于PCNN与区域特征的红外与可见光图像融合

针对红外图像与可见光图像融合中容易产生红外目标不明显、对比度不高的问题,提出了一种新的融合算法。该算法创新地将PCNN与区域特征应用到NSCT域内低频和带通子带系数的选择上。通过NSCT分解得到待融合图像的子带系数。运用PCNN对分解后的子带系数进行处理,得到子带系数的点火映射图。低频子带点火映射图采取基于区域标准差的方法选取融合系数。带通子带点火映射图采取基于区域能量的方法选取融合系数。融合图像通过NSCT逆变换可以得到。仿真实验表明与其他算法相比,该算法能够得到红外目标突出、质量更好的融合图像,图像客观评价指标提升明显。     

基于NSCT阈值和自适应扩散的图像降噪

提出一种基于非下采样Contourlet变换(NSCT)阈值和P-Laplace扩散的图像降噪方法。通过NSCT阈值的平移不变性得到初步降噪图像,保留阈值变换后需要置0的高频部分,利用P-Laplace算子对其进行扩散,并将得到的扩散图像融合到阈值降噪图像中,从而提高降噪图像的质量。数值结果表明,该方法能有效保持原图像的纹理细节,减少图像降噪的吉普斯震荡现象。     

基于NSCT的红外与可见光图像融合

针对红外与可见光图像的不同特点,提出一种基于非采样Contourlet变换（NSCT）的红外与可见光图像融合算法。采用NSCT对源图像进行多尺度、多方向分解;分别采用基于局部能量和区域特征的融合规则得到融合图像的低频子带系数和带通方向子带系数;最后经过NSCT逆变换得到融合图像。实验结果表明,该算法能够获得较理想的融合图像,其融合效果优于基于Contourlet变换的图像融合算法。     

自适应PCNN与信息提取的红外与可见光图像融合

提出基于非采样Contourlet变换（NSCT）的红外与可见光图像融合方法,用于有效地保留目标信息与空间背景信息,提高融合图像的可观测性与视觉效果。首先,基于NSCT方法对红外与可见光图像进行第一次融合,采用自适应PCNN方法提取目标信息融合低频子带系数,采用区域方差取大的规则融合高频子带系数,通过逆NSCT得到初次融合图像。然后,通过信息提取,得到初次融合图像和源图像的边缘保持度与信息熵。最后,依据信息熵与边缘保持度,采用不同的融合策略对红外与可见光图像进行第二次融合。实验结果表明,所述方法从主观视觉效果和客观评价都优于几个流行的基于多尺度变换的图像融合方法,与基于NSCT融合图像对比,两组实验融合质量指标分别提高了261.06%、48.31%、5.15%、142.95%、21.62%和372.85%、54.62%、4.73%、163.07%、25.40%。融合图像不仅边缘等细节纹理更加清晰,且视觉上更符合人眼视觉特性。     

区域能量和图像自相似的NSCT域图像融合

非降采样轮廓波变换(NSCT)不仅具有平移不变性,还拥有足够的冗余信息,可以更有效地提取源图像中的方向信息,使得融合后的图像更符合人眼的视觉特性.利用NSCT在图像处理中的优势,针对红外光与可见光图像的融合,提出了一种新的基于改进的区域能量和图像自相似的NSCT域图像融合算法.首先,利用NSCT将图像分解为一个低频子带和多个不同方向的带通子带;然后,对低频子带采用区域能量自适应加权融合规则,带通方向子带则利用图像自相似进行系数的融合;最后,对融合系数进行NSCT逆变换,以重构生成融合图像.实验结果表明:与一些现有算法相比,该算法的图像融合结果在人眼主观视觉标准和客观评价标准上均具有明显优势.