针对低亮度图像存在的对比度低、边缘弱、噪声干扰等问题,提出了一种基于改进量子和声搜索(QHS)算法优化模糊集变换的非下采样Contourlet变换(NSCT)域图像增强方法。首先,将低亮度图像进行NSCT分解,得到低频图像和多尺度高频子带图像。然后,改进QHS算法的量子旋转门更新策略,并将改进的QHS算法用于模糊集变换参数的优化以实现低频图像的自适应增强。接着,根据能量分布对贝叶斯萎缩阈值进行改进以去除高频子带的噪声系数,并通过非线性增益函数实现了边缘和纹理细节的增强。最后,对增强后的各尺度图像进行NSCT重构。对低照度图像、医学计算机断层成像(CT)图像、红外夜视等低亮度图像进行了实验,结果表明,与现有的图像增强方法相比,所提方法不仅改善了图像的整体亮度,还具有更高的信息熵、对比度和清晰度。此外,所提方法在有效抑制噪声的同时保留了更多的纹理细节,且适用于不同环境下的低亮度图像增强。

针对传统图像融合方法引起的清晰度低、轮廓模糊以及适应性差等问题, 提出了一种改进的红外与可见光图像融合方法。采用非下采样轮廓波(NSCT)对红外与可见光图像进行分解, 分别得到带通子带系数与低频子带系数。采用融合准则采用改进的空间频率(MSF-PCNN)获取高频融合系数, 采用改进的脉冲耦合神经网络(PCNN), 即NL-PCNN, 获取低频融合系数。针对两种异源低频信息, 利用改进的加权锐化滤波器和加权均值滤波器作频率梯度分离进行轮廓提取。实验结果表明了所提融合算法的有效性, 在获取图像轮廓信息, 增强融合图像清晰度方面均优于传统的图像融合算法, 具有较高的自适应能力。

针对噪声图像边缘模糊、边缘检测困难的问题,提出了一种结合分数阶微分的噪声图像非下采样contourlet变换 (NSCT)域边缘检测方法。该方法首先对图像进行NSCT分解,对低频子带的轮廓进行针对性提取;其次对于边缘细节和噪声较多的各方向高频子带,利用NSCT域的多尺度积和方向分数阶微分矩阵对高频系数进行阈值去噪与信息增强;最后将NSCT域各频域和方向的尺度图像进行融合,得到完整的边缘图像。对不同类型的原始图像和噪声图像进行实验,本文方法检测到的平均连续边缘像素比分别为0.931和0.861,相比Canny算子、分数阶微分检测方法和现有的多尺度域边缘检测方法,本文方法具有更好的边缘检测效果。随着图像噪声水平的增加,本文方法得到的平均连续边缘像素比较高,抗噪性强,边缘准确、完整、连续。

为了解决浮选气泡图像现场光照不均、相互黏结、无背景等造成的直接形态特征提取困难问题, 提出一种浮选气泡NSCT域(Nonsubsampled Contourlet Transform, NSCT)的多尺度等效形态特征提取及识别方法。通过NSCT变换将浮选气泡图像分解为低频图像和多尺度多方向高频图像; 采用模糊集方法二值化低频子带图像, 得到气泡亮点图像, 提取亮点个数、平均面积、标准差和椭圆率作为等效形态尺寸特征; 结合方向模极大值及差分盒维法计算各高频子带方向的分形维数; 最后, 将多尺度多方向等效形态尺寸特征作为输入, 采用量子门节点神经网络对三类浮选气泡图像进行状态识别和分类。实验结果表明, 该方法提取的等效形态尺寸特征与分类的相关性高, 能对三种类型浮选气泡图像进行有效的状态识别, 平均识别准确率达95.1%。本算法的识别准确率较几种流行算法而言有较大提高, 适用于动态变化的浮选工况。

在红外线与可见光图像的融合过程中, 经常会出现融合图像细节方面缺失的情况。为了解决这一问题, 采用了改进的非下采样轮廓波变换(NSCT)图像融合算法, 融入动态的加权非负矩阵分解规则(WNMF), 对图像进行融合处理。结果表明,利用非下采样轮廓波变换算法对两幅源图像进行多尺度多方向的分解, 可得到低频与高频部分; 动态的WNMF融合规则作为低频部分的融合规则; 高频部分中最高层的分解尺度采用绝对值取大的方法;高频部分其它各层则设定匹配度阈值;低于阈值时, 使用基于区域能量匹配度的区域方差选大的方法; 如果高于阈值时, 采用加权平均的方法进行; 通过对低频部分与高频部分的处理, 用NSCT逆变换方式获得了融合图像。该方法有效提高了融合图像清晰度, 凸显了其细节信息, 缩短了所需的计算时间。

为了改进传统多尺度变换滤波在电子散斑干涉(ESPI)条纹图中去噪效果和边缘细节保护不理想问题, 提出改进非下采样轮廓波(NSCT)滤波算法。采用离散平稳小波变换和NSCT变换模型, 联合非线性扩散和改进的快速非局部均值滤波算法, 进行了理论分析和实验验证, 取得了将本文中算法应用于模拟和实验ESPI条纹图滤波效果定量分析的数据。结果表明, 本文中的算法在模拟ESPI条纹图和实验图相比其它算法散斑指数最小分别为0.41121, 0.38043, 0.35362, 对应峰值信噪比最大; 该算法在提升去噪能力的同时, 能够更好地恢复条纹细节信息。研究结果为以后应用多尺度变换滤波在ESPI条纹图打下了基础。

传统的基于多尺度变换的图像融合存在对比度不高、边缘细节等信息保留不理想的问题,为解决此问题,提出了一种基于非下采样Contourlet变换的自适应模糊逻辑和自适应脉冲耦合神经网络(PCNN)的融合算法。对于低频子带方向,采用基于自适应模糊逻辑的融合规则;对于高频子带方向,采用方向信息自适应地调整PCNN的链接强度,以边缘特征作为输入激励自适应PCNN,再根据脉冲点火幅度融合子带系数。实验结果表明,所提融合算法能较好地突出融合图像的目标信息,提供丰富的背景细节,在融合图像的清晰度和人眼视觉方面取得较好的融合效果。

针对传统可见光图像与红外图像融合存在显著性信息保留不完整的问题，本文提出了一种新的自适应加权平均融合算法。首先，该方法通过非下采样轮廓波变换将源图像分解为不同尺度、不同方向的高低频分量。然后，针对低频分量的特点提出了一种基于显著性的自适应加权平均融合规则，用于保留源图像中的重要信息。对于高频分量，本文采用绝对值取大的融合策略。最后，根据融合后的高低频分量重构出最终的融合图像。实验结果表明，本文算法与传统融合算法相比，在主观视觉和客观指标上都具有优势。

自动检测和跟踪红外图像中的弱小目标在现代预警和探测系统中非常重要。针对现有的检测方法因受到复杂云层和地面自然背景的干扰, 导致系统虚警率较高和探测概率较低的问题, 提出了一种基于多尺度广义模糊算子的红外图像复杂背景抑制方法。首先利用非下采样轮廓波变换方法将图像进行分解, 获取不同尺度和方向的包含小目标和背景杂波的子带图像。然后, 通过应用模糊非线性背景抑制算子将红外图像中小目标和背景杂波系数差值拉大, 同时将相关性较强的杂波系数做平滑处理以达到抑制背景和增强小目标的目的。多组包含真实和模拟图像序列的实验表明所提方法优于其他方法, 特别是对于包含云层和地面复杂背景的红外图像。

高分三号卫星是世界上成像模式最多的合成孔径雷达(SAR)卫星,高分三号SAR图像与多光谱图像融合可以改善图像视觉效果。因此提出一种新的研究思路,即利用非下采样轮廓波变换(NSCT)模拟出既包含多光谱谱段信息又体现SAR图像细节信息的高分辨率图像,则融合可不拘泥于具体算法。同时提出两种基于NSCT的高分辨率图像模拟方法,利用高分三号3 m、5 m分辨率SAR图像和高分一号16 m分辨率图像进行实验,采用不同融合算法验证了该思路的有效性。研究结果表明:传统的SAR和多光谱图像直接融合的方法能够保持SAR的细节信息,但噪声明显,且光谱信息损失大;而所提出的NSCT平均图像和平均NSCT图像可以保留融合结果的光谱信息,且模拟的光谱信息前者比后者更贴近多光谱。