一种改进的非下采样轮廓波变换图像去噪算法

优化图像去噪问题,在非下采样轮廓波变换图像去噪中,收缩阈值的确定仅依赖变换子带系数的幅值,使得过多图像系数和噪声系数一并去除,导致滤波图像模糊。从检测变换子带几何结构出发,引入自蛇模型对子带系数作几何结构检测并抑制噪声后,估计双阈值将子带系数划分为三类并作不同处理,实现对噪声系数的去除和对图像系数的保护。实验结果表明,相对现有典型算法,改进算法获得的峰值信噪比提高了0.1-0.9dB,图像系数被更好识别和保留,滤波图像中边缘与区域细节损失减少,提高去噪效果,保留图像的有效信息。     

基于多阈值的非下采样轮廓波图像去噪方法

非下采样轮廓波变换(NSCT)是一种新的多尺度几何分析工具,具有平移不变性、多方向性和各向异性。与小波变换相比,NSCT能更好地表示图像中的边缘等信息。对合成孔径雷达图像进行NSCT分解,考虑其系数统计特性,基于BayesShrink对每个分解层的各个子带做多层阈值估计和软阈值收缩处理。实验结果表明,采用该方法得到的图像在视觉效果和客观衡量指标上均符合要求。     

基于非下采样轮廓波变换和压缩感知的图像融合方法

针对基于非下采样轮廓波变换(NSCT)的图像融合算法存在计算复杂度较高的问题,提出一种基于NSCT和压缩感知的图像融合方法.首先根据压缩感知理论的特点将其应用于图像融合领域,并采用Min-TV的方法重构图像;然后对NSCT进行分解,其计算量较大的带通子带系数采用基于压缩感知理论的图像融合方法;最后对低通融合图像和带通融合图像进行NSCT逆变换,得到最终的融合图像.通过仿真实验,从主观感知和客观数据的对比分析上验证了所提出方法的有效性.     

提升细节捕捉能力的非下采样轮廓波变换

针对传统NSCT(非下采样轮廓波变换)算法中NSP(多尺度分解方法)对细节信息捕捉能力较差及利用其进行图像融合得到的融合图像出现细节丢失问题,提出改进的NSCT算法。不同于传统NSCT算法,该算法首先采用细节捕捉能力较强的非下采样形态学小波分解替代NSP分解,实现对源图像的多尺度分解,将源图像分解成水平高频、垂直高频、对角高频和低频4部分;然后利用NDFB(非下采样的方向性滤波器)对高频部分进行多方向分解得到一系列高频信息,实现改进型NSCT分解。实验结果表明,该算法的细节捕捉能力较传统算法好,在相同融合规则下其图像融合效果更好,各项融合指标值均有所提高,其中平均梯度提高了10%,且易于实现,可广泛用于多分辨率图像融合,是一种有效的融合图像算法。     

结合非下采样轮廓波变换和混合阶次图像扩散的图像去噪

通过研究非下采样轮廓波变换理论及其在图像变换中的优点,提出一种新的基于非下采样轮廓波变换的图像去噪方法.该方法首先通过非下采样金字塔分解和非下采样方向滤波器组对待去噪图像进行非下采样轮廓波变换,然后采取不同阶次的图像扩散去噪算法分别对高频部分和低频部分进行去噪处理,最后将经过处理后的系数进行非下采样轮廓波逆变换便可得到去噪后的图像.通过实验结果表明,该方法不仅能有效的去除噪声,而且可以很好地保持边缘信息,整体性能优于近年来一些常见的去噪算法.     

循环平移和非下采样在轮廓波去噪中的应用

轮廓波变换是小波变换的新发展,是一种多方向、多尺度的几何分析工具,能更有效地捕捉图像的几何结构。传统的轮廓波变换因包含有下采样操作,使得它不具备平移不变性,从而会在图像去噪过程中引入伪吉布斯（Gibbs）现象。分别采用循环平移及非下采样滤波器组两种方法对其改进,着重从计算复杂度、去噪效果、噪声水平依赖性等方面对两种改进方法的去噪效果进行了对比。     

非下采样Bandelets域图像去噪方法

针对Bandelets变换在图像去噪时产生图像边缘伪Gibbs现象的缺陷,提出一种利用Bayes收缩算法逐层估计噪声方差非下采样Bandelets域的图像去噪方法。实验结果表明,与基于Bandelets变换的去噪方法相比,该方法可以避免Bandelets变换中进行下采样而使图像不连续点处信息丢失导致的图像不稳定,较好地保持边缘细节,提高了峰值信噪比。     

一种新的非下采样Contourlet域图像去噪算法

作为新型高维奇异性分析工具,非下采样轮廓(Nonsubsampled Contourlet)变换不仅克服了小波(Wavelet)变换的非奇异性最优基缺点,而且提供了优于轮廓(Contourlet)变换的平移不变性.以性能优越的非下采样轮廓变换为基础,提出了一种新的图像去噪方法.该方法首先对图像进行非下采样轮廓变换,以得到不同尺度、不同方向上的变换系数;然后结合噪声分布特点确定多尺度阈值,并依此阚值对高频系数进行去噪处理;最后对去噪处理后的变换系数进行反变换,以得到去噪图像.仿真实验结果表明,该方法不仅拥有较强的抑制噪声的能力,而且具有较好的边缘保护能力,同时消除了图像边缘附近的伪吉布斯(Gibbs)现象,整体性能优于小波变换图像去噪和轮廓变换图像去噪方法.     

基于非下采样轮廓波的MRI图像的压缩感知重构

压缩感知是一种全新的信息采集与处理的理论框架,借助信号内在的稀疏性或可压缩性,可从小规模的线性、非自适应的测量值中通过非线性优化的方法精确重构信号。压缩感知以远低于奈奎斯特频率的采样频率,在压缩成像系统、医学图像处理等领域有着广阔的应用前景。提出算法采用非下采样轮廓波变换稀疏表达原始图像,通过傅立叶矩阵进行测量,最后采用迭代软阈值算法实现医学MRI图像的压缩感知重构。以峰值信噪比、互信息、伪影功率为评价指标,比较小波变换、频率局部化轮廓波变换以及非下采样轮廓波变换三者的压缩感知重构效果。实验结果表明,无论采样率设置如何变化,提出算法在峰值信噪比、原始信息保留比例以及重构精度等方面均具有明显优势,在快速医学成像领域具有广阔的应用前景。     

非下采样轮廓波域红外与可见光图像配准算法

针对灰度和对比度存在较大差异的可见光图像与红外图像的配准问题,提出了一种基于非下采样轮廓波变换的多分辨率配准方法。该方法分别对可见光图像和红外图像进行非下采样轮廓波分解,引入梯度归一化互信息作为配准图像的相似性测度,利用基于种群成熟度描述的自适应确定交叉和变异比率的改进遗传算法作为搜索策略,对高尺度低频图像进行粗配准。然后,根据粗匹配结果在低尺度低频图像上进行进一步配准,最终实现全分辨率条件下红外和可见光图像的配准。实验结果表明,提出的算法能够有效提高配准精度和速度。     

非下采样轮廓波变快速算法（英文）

The multiscale geometric analysis(MGA) has been recognized as an effective strategy for image processing. As one of the discrete tools of MGA, the nonsubsampled contourlet transform(NSCT) has been widely used for image denoising, image fusion, image enhancement, feature extraction and so on. However, the processing performance is limited due to its high redundancy,and leading to an intensive computational efficiency. Therefore, its fast algorithm is desired in practice. In this paper, we adopt an optimized directional filter bank(DFB) and embed it into the NSCT to significantly accelerate the computational speed while keeping slight loss of the reconstructed performance. Experimental results show that the reconstructed image quality can satisfy the human visual system. Moreover, the improved NSCT has a speed about several times than that of the traditional one. Experimental results on image denoising also validate the feasibility and efficiency of the proposed method.     

基于非下采样Contourlet 变换的多分辨率图像融合方法

提出了一种基于非下采样contourlet 变换(NSCT) 的多分辨率图像融合方法,通过非下采样金字 塔(NSP) 和非下采样方向滤波器组(NSDFB) 实现对图像的多尺度多方向分解．该方法既保留了contourlet 变换 方法良好的多分辨率特性,又具有平移不变性．在融合处理中,采用一种改进的一致性校验策略;在高频系 数中除了进行本层的一致性校验外,还进行多层之间的一致性校验．实验结果表明,该方法取得了良好的融 合效果,所得融合图像的多项指标都优于拉普拉斯金字塔变换、小波变换、contourlet 变换等方法．     

基于NSCT的图像融合算法

在基于非下采样Contourlet变换（NSCT）上提出了一种新的图像融合算法。对经NSCT的低频子带系数采取基于区域能量自适应加权的融合规则,对高频子带系数采用一种混合的融合规则,即选用基于区域强度比的加权选择融合策略进行低层的选择,高层采用像素点的绝对值取大的方法进行选取。实验结果表明,该算法在目视判别以及客观标准下明显优于文中其他基于多尺度分析的图像融合算法,可获得较理想的融合图像。     

基于非子采样Contourlet变换的遥感图像融合算法

针对人类视觉特性, 以及全色高分辨图像和多光谱遥感自身的特点, 提出一种非下采样 Contourlet (NSCT) 域的图像融合新策略. NSCT 具有好的多分辨、移不变和多方向等特性, 能对图像中的边缘和围线信息给出渐近最优表示. 为了更好地保持空间分辨率和颜色分量, 引入基于 LHS 变换的亮度成分叠加策略. 实验结果表明: 本文提出的融合方法在提高空间分辨率的同时较好地保持了光谱信息. 与传统的 PCA 方法、基于 IHS 的融合方法、基于小波加权的融合方法, 以及同样采用本文的融合策略、分别基于小波变换和基于 Contourlet 变换的融合策略相比较, 本文方法在视觉效果和客观衡量指标两方面都有所改善.     

基于NSCT的遥感图像模糊推理融合算法

针对遥感图像影像分辨率低的问题,提出了一种新的基于非下采样Contourlet变换的图像融合算法.该算法首先通过IHS变换对多光谱图像进行RGB-IHS颜色空间转换,然后利用非下采样Contourlet变换和模糊推理加权融合规则将强度分量与全色图像进行融合,最后用拉伸后的灰度融合图像替换原来的强度分量,并通过IHS逆变换得到最终的融合网像.实验结果表明,该方法在抑制光谱信息扭曲和提高图像清晰度等客观评价参数上均优于其他多分辨率分析方法,且克服了传统融合方法中存在的融合图像模糊、抗噪能力差的缺点.     

基于非下采样Contourlet变换的指纹图像超分辨率重建

非下采样Contourlet变换(Nonsubsampled contourlet transform,NSCT)采用非抽样金字塔结构和非抽样方向滤波器组构成,具有Contourlet变换所不具备的平移不变性、较高冗余度等优良特性,而且能够克服伪吉布斯现象。图像经过非下采样Contourlet变换后分解成多尺度、多方向的细节信息,这些细节信息代表了图像不同频带不同方向的特征,这就简化了系数之间的关系。基于学习的超分辨率重建算法具有整体的预测性,将非下采样Contourlet变换和基于学习的算法相结合,在一定程度上提高训练精度。针对指纹图像的实验证明该算法具有良好的性能,重建的图像纹理性细节信息较好,基本保持了原指纹图像的特征点,更接近于原始的高分辨率图像。     

基于非下采样Contourlet的多传感器图像自适应融合

提出了一种基于非下采样Contourlet变换的多传感器图像自适应融合方法,采用黄金分割法搜索最优的低频融合权值.自适应地对多传感器图像的低频子带系数进行融合.非下采样Contourlet变换是一种新的图像多尺度、多方向的表示方法,适合表达具有丰富细节信息及方向信息的图像,且该变换具有平移不变性,可以避免一般方法对融合图像引入的振铃效应,它的高频方向子带捕获了多传感器图像的显著特征,文中采用同一尺度下方向子带信息和取大的规则对高频系数进行融合.实验结果表明,与基于拉普拉斯塔、小波、平稳小波和Contourlet变换的方法比较,文中所提出的方法可以获得较好的融合效果.     

一种基于非抽样LP的Contourlet变换图像去噪方法

由于提高Contourlet变换冗余性可以抑制去噪结果中的伪Gibbs现象,因此为了提高变换冗余度和避免数据量过大,以进行快速有效的图像去噪,提出了一种基于非抽样LP的Contourlet变换图像去噪方法。该方法首先对带噪图像进行非抽样LP多尺度分解;然后对各子带图像进行临界抽样的DFB分解,再采用尺度相关的分层模型对各子带图像进行阈值处理;最后对处理后的子带图像进行DFB和LP重建,以得到去噪后的图像。与同类型有关方法进行的对比实验表明,在去噪后图像的PSNR值上,该方法比常规Contourlet变换方法至少提高1dB;在完成时间方面,该方法比其他改进方法快1倍以上。     

基于非采样Contourlet变换多传感器图像融合算法

针对同一场景多聚焦图像的融合问题, 提出了一种基于非采样 Contourlet 变换 (Nonsubsampled Contourlet transform, NSCT) 图像融合算法. 并对经 NSCT 分解得到的不同频域子带系数, 分别讨论了低频子带系数和各带通方向子带系数的选择方案. 在选择低频子带系数时, 提出了一种基于图像局部区域梯度能量和``加权平均'相结合的系数选择方案, 从而不仅能够恰当地选择融合后图像的 NSCT 系数, 还能够有效地抑制噪声对融合图像质量的影响; 在选择带通方向子带系数时, 充分利用了 NSCT 的方向特性以及各尺度子带图像与源图像尺寸大小相同的特性, 给出了非采样 Contourlet 域方向对比度的概念, 并提出了一种基于方向对比度的系数选择方案. 采用了多聚焦图像进行仿真实验, 并对融合结果进行了主客观评价. 实验结果表明, 相比于传统的基于小波变换的图像融合算法, 该算法能够有效避免``人为'效应或高频噪声的引入, 得到具有更好视觉效果和更优量化指标的融合图像.     

基于非抽样Contourlet变换的医学图像融合算法

分析了非抽样Contourlet变换（Nonsubsampled Contourlet Transform,NSCT）的原理,提出了一种新的基于NSCT的医学图像融合算法,应用NSCT对CT和MRI图像进行多尺度、多方向分解,低频子带采取区域能量加权法融合,带通子带采取模最大融合,最后将融合的系数进行NSCT逆变换得到融合图像。实验表明,与其它融合算法比较,该算法融合图像效果较好。