基于NSCT与PCNN的图像融合

针对非下采样Contourlet变换(NSCT)变换的平移不变性、多尺度性和多方向等特点,结合脉冲耦合神经网络(PCNN)的全局连接性和神经元的脉冲同步性,提出基于NSCT变换区域特征与脉冲耦合神经网络相结合的图像融合方法。首先对待融合图像进行多尺度、多方向的分解,低频系数采用区域能量融合规则,高频系数作为脉冲耦合神经网络的输入,最后对融合后的系数经过NSCT逆变换得到融合图像。实验结果表明,融合结果在主观和客观评价上均优于其他对比方法。     

基于CUDA的椒盐噪声自适应中值滤波算法

针对传统中值滤波算法的优缺点,结合椒盐噪声的特征,提出了一种有效的自适应中值滤波算法。首先依据椒盐噪声的特征,将图像像素分为噪声和信号,然后根据窗口内噪声点的个数自适应地确定滤波窗口的尺寸,仅对噪声像素进行中值滤波。但随着噪声密度和图像规模的增大,在CPU上执行的时间显著增加。分析并利用图形处理器(GPU)的并行处理特征,并在CUDA平台中实现了算法。实验结果表明,所提出的算法能够有效地去除椒盐噪声、保留边缘和细节,并且能显著缩短计算时间,随着噪声密度和图像规模的增大,最大加速比达到6 000倍。     

噪声检测自适应窗口滤波算法

脉冲噪声的存在,从视觉上影响图像的质量。为了去除图像中的脉冲噪声,提出了利用相似邻居数对图像中的噪声像素进行标记并建立相应矩阵,接着根据噪声的污染程度自适应的选择滤波窗口,最后对噪声像素进行自适应均值滤波去除图像中的脉冲噪声。实验结果表明,算法能有效降低图像中的脉冲噪声,对图像的边缘与细节保持较好。     

基于可编程GPU的多源图像融合

针对可编程GPU模型,提出了基于CPU-GPU的并行边缘强度加权融合算法,利用CPU和GPU协同工作模式达到图像融合的目的,其中CPU负责串行任务,而GPU负责并行任务。实验结果表明,并行边缘强度加权融合算法得到的融合图像有着较好的视觉效果,信息熵和QAB/F这两个评价指标均高于文中对比算法的相应指标;从运行时间上分析,基于CPU-GPU的融合方法所需要的运行时间远低于基于CPU方法所需要的运行时间,并且图像尺寸越大,加速比越高。     

基于NSCT变换和PCA的图像融合算法

针对小波变换与Contourlet变换的不足,提出了一种将非下采样Contourlet 变换与主成分分析相结合的图像融合算法。对已配准好的融合源图像作NSCT分解,采用PCA加权融合规则对低频系数处理,采用边缘强度最大的规则对各高频子带系数作融合处理,分别得到融合图像的变换系数,对该系数经NSCT逆变换重构得到融合图像。实验结果表明,算法有效地融合了源图像中的重要信息,融合图像边缘、纹理、细节清晰,得到较好视觉效果和较优的评价指标。     

NSCT变换域PCNN彩色图像增强算法

为了改善由于光照不均对真彩色图像的影响,根据人类对颜色的感知特性,利用YCbCr彩色模型空间,提出了一种基于非抽样Contourlet变换（ NSCT）的PCNN模型的图像增强算法。首先,将图像从RGB彩色空间转换到YCbCr彩色空间;然后对亮度分量进行NSCT分解,得到低频子带系数和高频方向子带系数,对低频子带,利用PC－NN增强,对高频子带采用非线性变换进行增强;最后,使用NSCT逆变换重构图像的亮度分量,并将图像从YCbCr色彩空间模型还原到RGB空间得到增强后的图像。实验结果表明,算法增强效果明显优于同态滤波、空域PCNN及NSCT域的PCNN算法,不仅增加了彩色图像的明亮度,而且图像保真性好,纹理更清晰。     

基于非下采样轮廓波的多源图像融合

利用非下采样轮廓波（NSCT）对源图像进行多尺度、多方向分解,对分解后的低频子带系数采用区域能量的融合规则,对高频子带系数采用基于领域方差加权平均的融合规则,对融合后的系数经过NSCT逆变换得到融合图像。实验结果表明,在主观视觉和客观评价指标上均优于其他对比方法。