摘要：针对电力设备红外图像细节模糊、边缘不清等问题,提出了一种基于非下采样剪切波变换(nonsubsampled shearlet transform,nsst)域的电力设备红外图像处理方法。该方法采用nsst将原始图像分为高频部分和低频部分。为了精确分割低频电力设备与背景环境并提高二者对比度,低频部分设计了一种结合均值与方差的MVOtsu(mean and variation otsu)算法,并分别对设备和背景进行线性增强和直方图均衡增强。为了增强高频边缘细节,抑制非边缘噪声,高频部分提出一种对数型模糊隶属度函数,将隶属度值域下界拓展到0,解决经典Pal-King隶属度增强后逆映射时低灰度值区域扁平化问题。最后按照nsst变换合成增强结果。该算法与相关算法相比,边缘强度、信息熵、对比度、标准差等评价指标至少增长15.06%、2.03%、33.78%、1.28%。实验结果表明:文中算法能有效的提高电力设备红外图像整体对比度,对细节和边缘增强效果明显,便于人眼识别和智能故障定位,适用于变电站、巡线等多种环境红外图像增强处理。

摘要：针对图像增强过程中出现的清晰度低、噪声放大、细节不明显和边缘梯度保持能力弱等问题,提出一种nsst和引导滤波相结合的图像增强算法。将原始图像和直方图均衡化后的图像分别进行nsst处理,得到各自的低频子带和高频子带;将直方图均衡化后的低频子带进行PM滤波增强;采用循环阈值法抑制原始图像的高频子带中的噪声,用引导滤波对高频子带进行增强,提高图像的清晰度和边缘梯度保持能力,对处理后的低频子带和高频子带进行nsst逆变换。实验结果表明,该算法增强了图像的细节信息,改善了图像的视觉效果。

摘要：非下采样剪切波变换(nsst)域中低频子带的融合需要人工给定融合模式,因此未能充分捕获源图像的空间连续性和轮廓细节信息。针对上述问题,提出了基于深度卷积神经网络的红外与可见光图像融合算法。首先,使用孪生双通道卷积神经网络学习nsst域低频子带的特征来输出衡量子带空间细节信息的特征图。然后,根据高斯滤波处理的特征图设计了基于局部相似性的测量函数来自适应地调整nsst域低频子带的融合模式。最后,根据nsst域高频子带的方差、局部区域能量以及可见度特征来自适应地设置脉冲耦合神经网络参数完成nsst域高频子带的融合。实验结果表明:该算法Q^AB/F指标略弱于对比算法,但SF、SP、SSIM以及VIFF指标分别提高了约50.42%、14.25%、7.91%以及61.67%,有效地解决了低频子带融合模式给定的问题,同时又克服了手动设置PCNN参数的缺陷。

摘要：为克服当前较多遥感图像融合方法存在间断以及吉布斯现象,本文利用像素点间灰度以及梯度信息,设计了一种采用非下采样Shearlet变换(nsst)耦合细节强化因子的图像融合方法。将多光谱(MS)图像经过强度-色调-饱和度(IHS)变换,分离出强度成分。随后,借助nsst变换处理强度成分与全色(PAN)图像,获取对应的高频和低频系数。以强度成分对应的低频系数为依据,通过图像的空间频率特性计算加权系数,将PAN图像的低频系数植入到强度(I)成分对应的低频系数中,融合低频系数。采用像素点间灰度以及梯度信息,构造细节强化因子,融合高频系数。最后,采用IHS和nsst反变换重构这些融合系数,获取融合结果。实验结果显示:较当前融合技术,所提算法拥有更为理想的融合效果,具有更高的互信息值和更低的光谱偏差度值。