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.     

用方向小波域的维纳滤波图像去噪算法

方向小波是在多尺度几何分析(MGA)的思想下产生的一种新的图像处理工具.针对含高斯噪声图像的方向小波系数仍服从高斯分布的特点,提出一种方向小波域的维纳滤波去噪方法.修正了多方向框架,给出了维纳滤波处理方向小波系数的方法及过程.并将其分别应用于不同纹理复杂程度和信噪比的图像,利用信噪比进行了验证.实践证明了方向小波域的维纳滤波算法具有计算简单、去噪效果好、保持纹理等特点.     

基于APD的Turbo码编码PPM差错性能分析

在推导了未编码256-ray PPM的符号差错率相对平均发射功率的关系式之后,仿真分析了Turbo码编码PPM与未编码PPM的符号差错率以及850nm和1550nm两种波长激光的符号差错率.分析比较结果表明,未编码时,在相同符号差错率下,波长为1550nm的激光相对850nm激光可节约平均发射功率约3dB;引入Turbo码编码,对同一波长激光,在给定交织长度下相对未编码时可获得3～4dB的编码增益.     

一种Contourlet循环平移自适应阈值SAR图像去噪算法

针对传统阈值算法缺乏自适应性的缺点,利用Contourlet多方向性和各向异性的优点,提出了一种基于Cont-oudct循环平移自适应闲值的SAR图像去噪算法.利用sigmoid函数构建一种新的自适应网值函数.根据Contourlet不同方向子带系数的特点,动态调整阈值函数中的参数.以获得合适的阈值对Contourlet系数进行处理.同时为了抑制图像边缘附近的伪吉布斯效应,引入循环平移算法来抑制人为干扰.分别利用4种经典的阈值算法和本文算法,对实测SAR数据进行相干斑抑制,试验结果表明,Contourlet循环平移自适应阚值SAR图像去噪算法在平滑图像的同时更好地保持了图像本身的纹理信息,图像的视觉效果优于其他算法,等效视数和边缘保持指数分别提高了86.22和O.3.     

基于APD的Turbo码编码PPM差错性能分析

在推导了未编码256-ray PPM的符号差错率相对平均发射功率的关系式之后,仿真分析了Turbo码编码PPM与未编码PPM的符号差错率以及850 nm和1550 nm两种波长激光的符号差错率.分析比较结果表明,未编码时,在相同符号差错率下,波长为1550 nm的激光相对850 nm激光可节约平均发射功率约3 dB;引入Turbo码编码,对同一波长激光,在给定交织长度下相对未编码时可获得3～4 dB的编码增益,为无线光通信系统的优化设计提供了重要理论依据.     

方向小波域的选择性阈值SAR图像去噪

SAR图像去噪一直是SAR图像处理中一个具有特殊意义的研究课题。噪声抑制的关键是解决图像平滑与保持纹理之间的矛盾。提出了一种基于方向小波的选择性阈值SAR图像去噪算法。该算法利用方向小波的多方向框架对图像作12个方向的分解和变换。针对方向小波分解图像所产生的系数序列长度不同的特点,利用白噪声的置信区间,将不同长度的系数分成3组,对中间长度的系数序列采用统一阈值,对其他长度序列采用白噪声置信区间阈值处理。为了更好地保持图像细节信息,将每一尺度高频系数的方差中值作为噪声方差估计值。利用真实的SAR图像进行去噪试验,与几种经典的空域滤波和小波软阈值算法进行比较结果表明,该算法在平滑图像的同时更好地保持了图像本身的纹理信息,图像的视觉效果优于其他算法,等效视数和边缘保持指数分别提高了97和0.15。     

基于快速二维熵的加权模糊C均值聚类图像分割

提出了一种结合快速二维熵和加权模糊C均值聚类的图像分割方法。采用快速二维熵算法对实际图像进行初步分割求得目标和背景的中心,然后采用样本点像素与其邻域灰度像素的差别表征该样本点对分类的影响程度,最后利用加权模糊C均值聚类算法完成图像分割。该方法一方面解决了传统的模糊C均值聚类算法对初始值敏感的问题,另一方面克服了传统的聚类算法对数据集进行等划分的缺陷。实验结果表明,该方法不仅具有良好的收敛性,而且还可以有效地把目标从背景中分割出来,具有重要的实际应用价值。