基于非采样Contourlet变换的图像融合算法

基于非采样Contourlet变换,提出了一种新的图像融合算法.对经非采样Contourlet变换后的低频子带系数采取基于区域清晰度的融合规则,对高频子带系数采取基于区域方差的自适应加权的融合规则.实验结果显示,本文算法在目视判别以及客观标准下优于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变换的多聚焦图像融合

根据非子采样Contourlet变换同时具有多尺度、多分辨分析和平移不变性质的特点,提出一种基于非子采样Contourlet变换的多聚焦图像融合方法。实验中将文中方法与Contourlet变换、小波变换等方法进行比较,结果表明,文中方法得到的融合结果能很好地将源图像的细节信息融合在一起,拓宽NSCT的应用范围。     

基于非下采样轮廓波变换与数学形态学方法的图像边缘检测(英文)

提出了一种新的图像边缘检测算法,该算法融合了非下采样轮廓波变换与数学形态学方法来实现图像的边缘检测.首先,源图像被非下采样轮廓波变换分解成多尺度、多方向子带;然后,分别采用双阈值模极大值算法和数学形态学方法提取高频与低频子带的边缘信息;最后,综合高频、低频子带边缘信息,得到源图像全部的边缘信息,并进行细化,剔除孤立点,获得源图像的边缘.仿真实验结果表明:新算法能够有效抑制噪声,去除伪边缘,一定程度上克服了光照不均引起的不良影响;与传统经典算法LoG,Sobel和Canny及模极大值方法相比,该算法能保持足够的定位精度和边缘细节,且边缘轮廓的完整性、光滑度、清晰度等得到明显提升.     

基于小波变换和ROF模型的图像去噪算法

小波变换和ROF模型是常用的图像去噪方法。为了获取高质量图像,降低或消除噪声对图像的影响,提出了一种新的图像去噪算法。该方法对噪声图像进行小波分解,并对其高频部分进行阈值去噪,之后利用ROF和拉普拉斯算子结合的模型去噪,并进行小波重构,得到最终的去噪图像。实验结果表明,此算法的去噪效果比小波去噪或ROF去噪明显,能在有效抑制图像噪声的同时,更好地保持图像的边缘、纹理等特征,有效地提高了图像质量。     

基于NSCT变换的随机游走红外图像分割方法

红外图像具有灰度变化不平均、分辨率较低、噪声较多等特征,传统的图像分割方法难以对红外图像分割出有效实体。为解决这一问题,设计了一种基于非下采样Contourlet 变换(NSCT)的随机游走红外图像分割算法。传统的随机游走图像分割方法,图像部分灰度值的不均匀变化可能改变随机游走算法的路径,而且分割目标的轮廓很容易受到图像背景噪声影响,所以可以通过增强图像的目标轮廓,抑制图像噪声,以达到更好的分割效果。NSCT变换是一种非常有效的图像增强方法,首先采用NSCT变换对红外图像进行多方向、多尺度分解,得到红外图像的低频和高频系数,对该系数进行处理,然后反变换得到增强后的红外图像。实验结果表明,该方法在红外图像分割中取得了很好的效果。     

基于Contourlet变换和PCA的人脸识别算法

为了减少光照、姿态变化对人脸识别的影响,提出一种基于Contourlet变换和PCA的人脸识别方法：首先利用Contourlet变换对人脸图像进行多尺度多方向分析,得到低频子带图像和高频子带图像,然后对分解后的低频子带和高频图像进行PC A分析,最后将提取出的低频特征以及高频统计特征组合成特征向量进行人脸识别。在orl人脸数据库和Yale人脸数据库上的实验结果证明：与PCA方法相比,该方法能够有效减少光照、姿态变化影响,提升人脸识别率。     

双变量模型的二阶差分方程的分析与应用

说明怎样运用二阶差分方程法分析双变量模型,其中每一个变量既是滞后一期的该变量的函数,又是滞后一期的另一个变量的函数,旨在为当今社会经济的发展提供理论和实践依据。     

自适应Contourlet变换的多传感器图像融合

Contourlet变换克服了小波变换在处理高维信号时的不足,相对于小波变换具有较好的方向性、较高的逼近精度和较好的稀疏表达性能.因此将Contourlet变换用于图像融合,能更好的提取图像边缘特征,为融合提取更多的特征信息.利用Contourlett变换的多尺度和多方向性特征以及自适应融合规则在选取融合系数上的优势,提出了一种自适应Contourlet变换的多传感图像融合新算法.算法是将全色图像和多光谱图像进行Contourlet变换分解后,针对不同的频率域特点选择不同的融合规则,对低频系数选取区域能量的加权系数自适应融合规则,对高频系数特性选用了区域特征自适应的融合规则,最后通过重构得到融合图像.将其他的融合算法和本文所提算法进行了主观和客观的对比,结果表明,该算法是一种有效可行的图像融合算法.     

基于数学形态学的小波变换图像去噪方法研究

数学形态学和小波变换在信号处理领域应用广泛,提出基于数学形态学的小波自适应算法进行图像去噪处理,通过实验证明该算法不仅可以对图像进行有效的去噪处理,而且能很好地保留原图像的细节特征,避免了常规算法的缺点,效果良好。     

基于Contourlet变换的全色影像与多光谱影像的融合

Contourlet变换比小波变换更适宜表达图像的各向异性的直线、曲线和边界特征,能有效地捕捉图像的几何结构信息。与Contourlet变换相比,非下采样Contourlet变换不仅具有多尺度、多方向特性,同时还具备平移不变性。本文提出了一种新的基于Contourlet变换和IHS变换的全色影像与多光谱影像的融合方法,并将IKONOS影像数据应用于融合实验来验证方法的有效性,结果表明本文方法在较好地保持多光谱影像光谱信息的同时增强了融合图像的空间细节表现能力,优于IHS和基于小波变换的IHS融合方法。     

基于NSCT的图像消噪研究

针对CT变换缺少平移不变性会在图像消噪时产生伪Gibbs现象,提出了非下采样CT变换与自适应阈值法相结合的图像消噪法。实验结果表明,采用非下采样CT变换方法能有效地消除图像噪声,保存图像的纹理细节,提升图像信噪比,消噪效果优于传统小波及CT消噪效果。     

基于contourlet变换和模糊理论的多聚焦图像融合

研究一种基于contourlet变换和模糊理论的图像融合新算法.首先,对源图像进行contourlet变换;再对contourlet系数中低频和高频部分采用不同的融合规则,即低频部分采用基于模糊集的自适应加权融合方法,高频部分采用区域能量最大的方法进行融合;最后再通过contourlet逆变换,获得融合图像.实验结果表明该算法能够取得较好的融合结果.     

基于小波变换及子带阈值的彩色图像降噪

提出了一种对彩色图像降噪的新方法,该方法先把彩色图像分解为红、绿、蓝3个基色图像,然后利用小波变换分别对3个基色图像进行多尺度分解,求出其各个尺度三个方向高频系数的子带阈值,并组成1个子带阈值矩阵,对单基色图像的各个尺度3个方向的高频系数进行阈值处理,实现对单基色图像的降噪,最后把降噪后的3个基色图像融合为一幅彩色图像。实验结果表明该方法可以很好地消除噪声,又可以较好地保持图像细节。     

图像融合技术在图像去噪中的应用

邻域平均法(NAM)应用于图像去噪时能够得到较好的平滑效果,但图像的细节信息丢失较多;基于小波变换的阈值图像去噪方法能够较好地保持图像的细节信息,但是平滑效果不理想.对这两种去噪方法所得到的图像进行小波变换,然后在小波域再按照一定的融合规则进行融合处理,得到去噪效果较好的图像.实验结果表明,融合后的图像能够较好地去除图像的噪声,具有较好的视觉效果和较高的峰值信噪比.     

基于相关函数的小波变换实现语音去噪研究

语音信号是非平稳的短时瞬态信号,有用信号与所含噪声处于同一频率段,采用滤波器形式的传统去噪方法,不能将噪声有效分离。小波变换具有时频局部分析的特点,通过将含噪信号进行分解,分离噪声信号,将有用信号进行重构,可有效地去除噪声。白噪声为平稳随机信号,在不同尺度上的小波变换是不相关的。本文根据白噪声和语音信号在不同尺度下的相关性表现,结合小波去噪的基本思想,提出一种基于相关函数的小波变换进行语音去噪的方法。经MATLAB仿真,相关函数确定的去噪方法,能有效去除语音信号的白噪声。     

基于小波变换的地动数据去噪研究

地动资料处理的重点在于地动信号记录中噪声的有效消除,它在地动信号的解释和后期处理中有着十分重要的地位．高质量的地动资料去噪算法在降低噪声的同时,可以完整地保留图像的边缘信息．     

基于小波变换的图像降噪

根据小波变换和噪声信号的能量分布特性,提出了一种先用小波变换对含噪图像进行多尺度分解,求出各尺度小波变换高频系数的噪声方差和阈值,利用各尺度的阈值对高频系数进行处理,然后利用小波变换系数重构图像,实现图像降噪的方法;实验结果说明该方法可以有效地降低噪声,又可以较好地保持图像细节。     

基于稀疏表示与加权核范数最小化的图像去噪算法

为解决一部分纹理数据在运用加权核范数最小化处理低秩矩阵逼近时出现丢失的问题,提出一种基于稀疏表示与加权核范数最小化的图像去噪算法。稀疏表示用于辅助重构清晰图像,加权核范数最小化用于图像块样本的低秩矩阵逼近。通过分析纹理数据找出熵较大的非平滑块,运用一种奇异值维纳滤波,从其差异矩阵中找出丢失的部分纹理信息,并将其与低秩去噪结果融合。实验结果表明,该算法能够保持图像的细小纹理,去噪效果更好,具有良好的鲁棒性与泛化性。