针对红外与可见光图像融合算法中存在的目标提取不充分、细节丢失等问题，提出一种基于改进的区域生长法（IRG）与引导滤波的红外与可见光图像融合方法。首先对红外图像使用IRG进行目标提取，然后对红外和可见光图像使用非下采样剪切波变换（NSST），并对所得低频与高频分量进行引导滤波，由滤波后的红外和可见光低频分量通过基于IRG的融合规则得到低频融合系数，由增强的高频分量经过双通道脉冲发放皮层模型（DCSCM）得到高频融合系数，最后经NSST逆变换得到融合图像。用主观评价和6种常用客观评价指标对融合图像进行评估。实验结果表明，所提算法的融合图像目标突出、背景信息清晰、细节保留能力强，在主观和客观评价上均有明显优势。

为了克服当前较多可见光与红外图像融合方法在通过图像能量特征融合图像时, 忽略了图像的全局相对亮度特征, 导致融合图像存在红外目标表达能力弱等问题, 文章引入非下采样Shearlet变换, 通过测量图像的相对亮度来融合图像。借助NSST变换来处理输入图像, 解析出图像的低频和高频系数; 采用区域能量函数, 对区域图像所含的能量特征进行测量, 利用图像的全局均值和区域均值, 构造相对亮度测度模型, 求取区域图像的相对亮度特征, 并将区域图像的能量特征和相对亮度特征结合, 对低频系数完成加权融合; 利用图像的行、列、对角维度上的频率值, 建立四维细节测量因子, 以计算出图像的细节特征, 完成高频系数融合, 从而求取融合图像。实验结果表明, 较当前算法的融合图像, 所提算法不仅能更好的显示出图像的细节内容, 而且还能更好的表达图像中的红外目标内容。

为了提高遥感图像的融合质量, 使其兼顾较好的纹理特征与对比度, 提出了非下采样变换耦合双重制约模型的遥感图像融合算法(NSST)。通过IHS模型来解析多光谱图像(MS), 提取其对应的强度(I)、色调(H)、饱和度(S)成分; 借助NSST, 从I成分和全色图像(PAN)中解析出低频和高频系数; 通过信息熵和均值模型, 计算出图像富含的信息及亮度丰富度, 以完成低频系数的融合。利用高频系数与方向矩阵的卷积运算, 得出图像的纹理特征, 计算图像的标准差, 获取对比度信息。在联合纹理特征和对比度, 构造双重制约模型, 完成高频系数的融合。再对融合系数完成逆NSST和逆IHS运算, 得出融合图像。实验数据表明, 较现有的融合技术而言, 所提算法的融合图像含有更为丰富的纹理与更高的对比度。

为精确提取浮选泡沫表面的崩塌、新合成气泡, 减少噪声和光照影响, 提出一种结合非下采样Shearlet变换(NSST)域显著性检测及图割的泡沫红外图像分割方法。对泡沫红外图像进行NSST多尺度分解, 采用GBVS算法对低频子带图像进行显著性检测, 通过马尔科夫链特征差异计算显著性值, 对各个高频方向子带进行噪声系数去除和边缘、弱边缘系数非线性增强。对处理后的多尺度高频子带、低频子带图像进行NSST重构, 通过低频子带图像的显著性检测结果构建显著性约束项, 采用高斯拟合函数构建气泡亮度约束项, 然后构造图割能量函数, 最后利用最大流/最小割算法对目标区域进行分割。实验结果表明: 该方法受光照影响小, 一定程度上解决了过分割和欠分割问题。正常浮选检测准确率为91.8%, 欠浮选为87.1%, 过浮选为88.9%, 分割精度较现有方法有明显提高, 能有效提取出崩塌或新合成的气泡, 表现出良好的抗噪性, 且在不同工况下均表现出良好的鲁棒性。

针对浮选加药状态在线检测困难、识别效率低和主观性强等问题,提出了一种基于多尺度卷积神经网络(CNN)特征及行列自编码核极限学习机(RAE-KELM)的浮选加药状态识别方法。首先,对浮选泡沫图像进行非下采样Shearlet多尺度分解,用CNN提取每个尺度图像的深度特征并进行多尺度特征融合;然后,构建RAE-KELM,将用量子计算改进的细菌觅食算法用于RAE-KELM的参数优化;最后,通过自建数据集训练得到最优的RAE-KELM模型,实现了浮选加药状态的自适应识别。实验结果表明,本方法的识别准确率可达到98.88%;且本方法减少了人工干预,有利于提高生产效率。

为提高图像在数据集中的检索准确度，设计了基于加权距离与多元极谐变换的图像检索算法。在查询图像的色调－饱和度－亮度(HSV)空间内，提取其颜色特征；并引入贝塞尔K分布与非下采样Shearlet变换(NSST)方法得到查询图像的纹理特征，改善其对模糊与亮度变换等操作的稳健性；借助四元极谐变换(QPHT)机制，将图像的QPHT模系数视为形状特征，提高对噪声与几何变换的鲁棒性。通过融合这3种特征，分别计算查询图像与数据库图像之间对应的特征距离，并赋予三者对应的权重，以测量两幅图像之间的相似度，从而准确输出检索结果。测试数据显示，与当前基于内容的图像检索技术相比，所提算法具备更高的检索准确度和鲁棒性，在多种几何变换攻击下，仍可以准确检索出目标。

为了使可见光与红外融合图像能更好的表达目标信息, 联合非下采样Shearlet变换与剥离策略, 对其进行融合。首先, 借助非下采样Shearlet变换, 获取可见光与红外图像的高、低频成分。然后, 通过Otsu阈值分割方法来构建剥离策略, 将红外图像中的目标层与其背景层进行剥离, 并以目标层为基础, 利用图像的区域能量特征, 对可见光图像与红外图像背景层的低频系数进行加权计算, 并将结果与红外图像的目标层结合, 以得到富含目标内容和背景内容的融合低频系数。引入区域方差函数, 对图像的细节特征进行测算, 通过构造方差加权因子, 得到富含细节特征的融合高频系数。最后, 对两个融合系数实施非下采样Shearlet逆变换, 从而输出融合图像。实验结果显示, 本算法融合的图像, 比现有融合算法融合的图像更具优良的目标及细节表达能力, 可用于获取高质量的可见光与红外融合图像。

针对传统红外与可见光图像融合算法中存在的目标不够突出、背景缺失、边缘信息保留不够充分等问题,提出了一种基于改进引导滤波和双通道脉冲发放皮层模型(DCSCM)的红外与可见光图像融合算法。首先,对源图像进行非降采样Shearlet变换(NSST),得到相应的低频和高频分量。然后,分别采用改进的引导滤波算法和DCSCM模型对低频、高频分量进行融合。最后,对融合得到的高低频分量进行NSST逆变换得到最终的融合图像。与其他几种方法进行比较,实验结果表明,本文算法的融合图像目标突出,背景信息丰富,且在图像清晰度、对比度、信息熵等方面均有优势。

针对浮选表面气泡图像边界弱、光照不均匀和气泡分布不均匀导致气泡提取困难的问题, 提出了一种结合非下采样Shearlet变换(NSST)和多尺度边界检测及融合的浮选气泡提取方法。对气泡图像进行NSST分解, 得到低频子带和多尺度多方向高频子带图像, 通过构造自适应分数阶微分谷底检测模板提取低频子带的山谷边界, 结合尺度相关系数及方向模极大值检测获取高频子带的边缘信息, 再通过山脊特性判定从边缘信息中提取气泡的边界细节, 最后进行多尺度边界融合、边界形态学处理以实现气泡提取。实验结果表明：该方法受噪声和光照的影响小, 能有效提取出不同分布类型的气泡, 其平均检测效率和准确率较现有方法有较大的提高, 能够满足浮选工况动态变化的需求。