基于Curvelet变换的SAR图像增强
基于改进粗糙集理论的SAR图像目标增强
朱鸣，杨百龙，何岷，等 . 基于改进粗糙集理论的 SAR 图像目标增强 . 计算机工程与应用，2019，55（16）：185-190. ZHU Ming, YANG Bailong, HE Min, et al. SAR image target enhancement based on improved rough set theory. Computer Engineering and Applications, 2019, 55（16）：185-190.
Computer Engineering and Applications 计算机工程与应用
2019，55（16） 185
基于改进粗糙集理论的 SAR 图像目标增强
朱 鸣 1，杨百龙 1，何 岷 2，陈铮铮 2，张雄美 1 1. 火箭军工程大学，西安 710025 2. 北京遥感设备研究所，北京 100039
SAR Image Target Enhancement Based on Improved Rough ቤተ መጻሕፍቲ ባይዱet Theory ZHU Ming1, YANG Bailong1, HE Min2, CHEN Zhengzheng2, ZHANG Xiongmei1
基于改进轮廓波变换的SAR图像增强
基于改进轮廓波变换的SAR图像增强王蕊;龙奕【摘要】针对轮廓波变换(contourlet transform)中进行拉普拉斯金字塔分解时,所得的带通图像在奇异性点附近产生振荡,影响图像去噪的效果,提出一种改进的轮廓波变换.通过改进拉普拉斯金字塔分解,可消除轮廓波变换带通图像边缘附近的震荡.提出了基于改进轮廓波变换的SAR图像增强算法.实验结果表明,该算法在有效抑制SAR图像噪声的同时,较好地保持了图像边缘细节.%In the contourlet transform,the image obtained by Laplacian Pyramid decomposition may produce artifacts on singularity of signal, which is harmful to image denoising. Due to the lack, the improved contourlet transform which is composed of the improved Laplacian Pyramid(LP) decomposition is proposed,and the improved Laplacian Pyramid can effectively suppress the artifacts around the edge of the subband image obtained by contourlet transform. At the same time,SAR image enhancement algorithm based on improved contourlet transform is presented. Experiment results show that the algorithm is superior not only in speckle reduction but also in edge preservation.【期刊名称】《计算机工程与应用》【年(卷),期】2011(047)013【总页数】3页(P178-180)【关键词】合成孔径雷达(SAR)图像;轮廓波变换;拉普拉斯金字塔;图像增强【作者】王蕊;龙奕【作者单位】西南交通大学峨眉校区,计算机与通信工程系,四川,峨眉,614202;贵州大学,电气工程学院,贵阳,510003【正文语种】中文【中图分类】TP3911 引言由于成像系统的相干性，SAR图像中不可避免地存在着斑点噪声，斑点噪声将干扰对SAR图像的后续处理。
基于Curvelet变换的图像压缩感知重构
基于Curvelet变换的图像压缩感知重构叶慧;孔繁锵【摘要】Discrete Cosine Transform(DCT) and wavelet transform are used for sparse representation, but DCT can’t analyse well in domain of time and frequency. The directional selectivity of wavelet transform is poor and can’t reconstruct edge information well enough. Against the optimization of sparse representation, Curvelet transform has characters of multi-scale, singularity and more sparsity. This paper proposes a compressed sensing reconstruction algorithm based on Curvelet transform, which uses Curvelet transform for sparse representation and thresholding method in wavelet domain to solve the noise problem of signal reconstruction. Results demonstrate that the algorithm gets 1.86 dB higher Peak Signal to Noise Ratio(PSNR) and 1.15 dB higher PSNR compared with traditional wavelet transform and Contourlet transform. As Curvelet transform is applied to compressed sensing, optimal result of edge and smooth part of image are got, also the reconstructed quality of details is increased.%压缩感知主要采用离散余弦变换(DCT)和正交小波进行图像的稀疏表示，但是 DCT 时频分析性能不佳，小波方向选择性差，不能很好地表示图像边缘的信息。
基于Shearlet变换和多尺度Retinex的遥感图像增强算法
基于Shearlet变换和多尺度Retinex的遥感图像增强算法作者：王静等来源：《计算机应用》2015年第01期摘要：传统的小波变换、曲波变换和轮廓波变换无法对图像提供最优的稀疏表示，不能取得好的增强效果，为此，提出了一种基于剪切波（Shearlet）变换的图像增强算法。
经Shearlet 变换，图像被分解成低频分量和高频分量。
首先，对Shearlet变换分解后的低频分量进行多尺度Retinex（MSR）调整，以减轻光照条件对图像的影响；其次，对各尺度、各方向上的高频系数采用阈值抑噪来消除噪声；最后，对重构图像进行模糊对比度增强，提高图像的整体对比度。
实验结果表明该算法能够明显改善图像的视觉效果，突出图像的纹理细节且具有良好的抗噪性能。
与直方图均衡（HE）、MSR、基于非下采样轮廓波变换（NSCT）的图像模糊增强（NSCT_fuzzy）算法相比，图像清晰度、信息熵、峰值信噪比（PSNR）均有一定的提高，且运行时间缩短为MSR的1/2和NSCT_fuzzy的1/10左右。
关键词：Shearlet变换；多尺度Retinex；低频子带；高频子带；模糊对比度中图分类号： TP751； TP391.413文献标志码：A0 引言遥感图像是一种记录地貌特征及地物信息的特殊图像，在军事、农业、航空等方面应用广泛[1]，但遥感图像易受光照条件、传感器性能、大气辐射以及外界噪声的影响，存在诸多问题，如视觉效果差、清晰度低、纹理细节不明显等，为后续的应用和处理带来不便。
因此，遥感图像的增强，是一个关键环节。
理想的图像增强技术，应该做到既能够调节图像的动态范围，又能加强图像的细节信息[2]。
小波变换因其良好的时频特性和多分辨率特点，成为研究的热点，但也因其不具备方向性而限制了其发展[3]。
基于此，研究者提出了一些新的多尺度变换，如曲波变换（Curvelet transform）[4]、轮廓波变换（Contourlet transform）[5]以及非下采样轮廓波变换（Non-Subsampled Contourlet Transform， NSCT）[6]等。
基于Curvelet变换的图像质量多尺度灰评价
基于Curvelet变换的图像质量多尺度灰评价马苗;胡菁超【摘要】为了更加客观有效地评价图像质量,利用灰色关联分析理论的整体比较机制和Curvelet变换多尺度多方向分析图像特征的优点,提出一种改进的图像质量评价算法--Curvelet系数灰关联法.该算法首先在不同尺度和不同方向上得到待评价图像与参考图像之间的灰色关联度,然后对同一尺度上各个方向的关联度求均值,利用其与标准参考序列进行二次关联比较,从而从二个层次综合评价图像质量.实验表明,该方法不仅能够提供更多的质量信息,而且较PSNR评价方法,能够更好地符合人眼的主观感知.【期刊名称】《计算机工程与应用》【年(卷),期】2010(046)029【总页数】5页(P179-182,191)【关键词】图像质量;Curvelet变换;灰色关联度;人类视觉系统【作者】马苗;胡菁超【作者单位】陕西师范大学,计算机科学学院,西安,710062;陕西师范大学,计算机科学学院,西安,710062【正文语种】中文【中图分类】TP391.41;N941.51 引言合理评价图像质量在衡量图像抑噪、图像增强、图像复原等图像处理算法的有效性以及相关的众多应用中发挥着十分重要的作用。
现有的图像质量评价方法分为主观评价方法和客观评价方法，前者是由观测者对图像质量进行评价，其结果受到观测者主观因素的影响，如MOS（Mean Option Score）法[1]；后者则采用一些数学模型或算法评价图像质量，按照建模原理可分为基于误差统计量的算法和基于HVS模型的算法。
基于误差统计量的算法是通过选取某些特征来比较失真图像和参考图像的局部差异，最终对图像整体上求出一个总体统计量来确定图像的质量优劣。
常用的评价方法有PSNR[2]、MSE[3]等，近年来也产生了一些新的研究成果，如基于目标信息密度[4]和颜色差异[5]的评价方法。
客观评价方法多是只考虑到失真图像与参考图像之间的差异，并没有考虑人眼视觉系统（Human Visual System，HVS）的特点，因而有时会与人眼的主观感知有较大差异。
基于区域特性的Curvelet变换图像融合算法
基于区域特性的Curvelet变换图像融合算法王坤臣;孙权森【摘要】In order to overcome the weakness of wavelet transform in 2D or higher dimensional spatial analysis and improve quality of image fusion,a modified image fusion algorithm based on Curvelet transform is proposed. Curvelet transform which can effectively analyze singularity of a curve and rationally process edge information in an image is introduced to decompose images. An adaptive threshold regional variance and Gaussian⁃weighted fusion algorithm is used in low⁃frequency region toen⁃hance the correlation between pixels in an image and preserve its details and edges effectively. The regional energy fusion method is applied in high⁃frequency region to reduce noise and enhance the details of the image. Many fusion experiments of different images were carried out with the algorithm. The fusion results were evaluated by information entropy,cross entropy,correlation coefficient and space frequency. The experiment results indicate that the proposed algorithm is more outstanding than the conven⁃tional fusion rules and methods,and can obtain better resolution and more rich image content.%为克服小波变换在二维或更高维度空间分析中的缺陷，提高图像融合质量，提出基于二代Curvelet变换的图像融合改进算法。
基于Curvelet变换的遥感影像融合研究的开题报告
基于Curvelet变换的遥感影像融合研究的开题报告一、选题背景及意义随着卫星遥感技术的不断发展，遥感影像在农业、城市规划、自然资源管理等领域得到了广泛的应用。
然而，遥感影像存在空间分辨率和光谱分辨率不足的问题，因此需要对它们进行融合，提高其空间分辨率和光谱分辨率，以便更好地开展各种应用。
目前，遥感影像融合的方法包括基于像素的融合、基于变换的融合、基于低通滤波器的融合等。
其中，基于变换的融合方法在实际应用中表现出比较明显的优点，如信息保留性好、不会产生伪像等优点。
而Curvelet 变换，是一种新型的多分辨率分析方法，它在处理非平稳信号时具有优越性能。
因此，本文选择基于Curvelet变换的遥感影像融合作为研究对象。
二、研究内容和方法本文的主要研究内容包括：1. Curvelet变换的原理和特点；2. 基于Curvelet变换的遥感影像融合方法研究；3. 基于模拟数据和实际遥感影像验证算法的可行性和有效性。
研究方法包括：1. 对Curvelet变换的原理、相关算法进行深入的研究，掌握其基本思想和处理方法；2. 将Curvelet变换应用于遥感影像融合中，实现影像的多尺度分析和融合；3. 通过模拟数据和实际遥感影像进行实验验证，评估算法的性能和效果。
三、预期成果1. 通过研究Curvelet变换的原理和特点，掌握其在遥感影像融合中的应用；2. 提出一种基于Curvelet变换的遥感影像融合方法，实现多尺度分析和融合；3. 通过实验验证算法的可行性和有效性，比较不同方法的性能和差异；4. 为遥感影像融合的应用提供新的方法和途径。
四、研究进展和计划目前，本文已初步完成了对Curvelet变换的相关研究，并着手开展对遥感影像融合的算法设计和实验验证。
计划在下一步的研究中，完善相应算法，并运用到实际应用中，进一步探究其性能和适用范围。
最终目标是提出一种有效的、可实现的基于Curvelet变换的遥感影像融合方法，为遥感应用提供更好的数据支持。
基于contourlet变换的sar图像去噪研究
摘要摘要高分辨合成孔径雷达（Synthetic Aperture Radar，SAR）是一种能产生高分辨率遥感图像的相干系统，具有全天候、全天时、多波段、多极化工作等优异性能，同时具备侧视成像及强透射性等特点，被广泛地应用于军事领域和国民生活领域。
SAR图像去噪是SAR图像能够最终得到有效表示的关键步骤，因此SAR图像去噪一直是SAR图像处理领域中不可或缺的环节。
利用传统的空域方法和变换域方法对SAR图像进行去噪处理时，会出现细节信息丢失、同质区域内噪声去除不彻底等问题，难以有效地抑制SAR图像的斑点噪声，而多尺度几何分析域统计模型的出现，为SAR图像的去噪处理提供了有效的方法。
本文将Contourlet变换方法应用于SAR图像的去噪处理中，并结合成熟的迭代掌舵核回归算法，验证基于Contourlet变换及核回归的SAR图像去噪算法，并取得比较好的去噪结果，具体内容和工作如下所示。
（1）验证基于Contourlet变换及核回归的SAR图像去噪算法。
该方法利用Contourlet变换先对SAR图像进行Contourlet分解，得到低频子带和高频子带图像（系数），然后再使用核回归算法去除高频子带图像噪声，对低频子带图像采用增强Lee滤波去噪，最后对经过去噪的低频系数和高频系数进行Contourlet逆变换，得到去噪后的SAR图像。
（2）验证基于Contourlet变换的改进算法非下采样轮廓变换（NSCT变换）结合核回归的SAR图像去噪算法。
非下采样Contourlet变换由非下采样拉普拉斯金字塔滤波器组和非下采样方向滤波器组构成，该变换不存在下采样操作，消除了Contourlet变换中因下采样操作而造成的伪Gibbs现象及“频谱混叠”现象，同时具备了平移不变性。
因此，将非下采样轮廓变换与核回归算法相结合，其去噪效果相对于Contourlet+核回归算法更优。
关键词：合成孔径雷达，图像去噪，核回归，轮廓波变换，非下采样轮廓波变换论文类型：应用基础技术类西安电子科技大学硕士学位论文ABSTRACTABSTRACTSAR is a coherent system which can produce high resolution remote sensing image and break through the limit of external condition effect.SAR is widely applied to military field and national economic,and its characteristics are as follows:all weather,all time, multi-band and multi-polarized working mode,all-variable side perspective,strong transmission.While SAR image segmentation is SAR image actuated processing foundation,but also one of the key technologies of automatic image understanding and interpretation.The traditional airspace and transform domain methods to deal with the noise of SAR image will lead to such problems as the detail information loss and noise removal is not completely in homogeneous area.It is difficult to effectively suppress speckle noise of SAR image,but the emergence of multi-scale geometric analysis domain statistical model provides a effective method for SAR image denoising processing.In this paper,I study the Contourlet transform method what is applied to SAR image denoising processing,proposed with the SAR image denoising algorithm which based on Contourlet transform and the kernel regression and achieving the better denoising result.The specific content and work as shown below.1.The study of SAR image denoising algorithm which based on Contourlet transform and the kernel regression.The method using Contourlet transform first Contourlet decomposed in SAR image,get the low frequency sub-band and high frequency sub-band images(coefficient),Then use kernel regression algorithm to remove the high frequency sub-band image noise and,increased-Lee filtering of low-frequency sub-band image denoising.Finally,use the Contourlet inverse transformation for low frequency and high frequency coefficients which after denoising,getting the denoised SAR image.2.Test an improved algorithm based on Contourlet transform named NSCT transform (non-sub-sampled Contourlet transform)and the kernel regression SAR image denoising algorithm.Because of Contourlet transform consists of Laplacian pyramid decomposition and direction filter banks,the transformation in the presence of sampling西安电子科技大学硕士学位论文operation,do not have translation invariance,denoising process will generate pseudo Gibbs phenomenon.So by using the non-sub-sampled contourlet transform(NSCT), combining the kernel regression algorithm,the denoising effect is better than the Contourlet+kernel regression algorithm.Key words:SAR image denoising,Kernel regression,Contourlet transform,Non-Sub-Sampled Contourlet TransformType of Dissertation:Applied Basic Technology插图索引插图索引图2.1小波域去噪 (10)图2.2小波变换及Contourlet变换进行曲线逼近效果对比图 (11)图2.3Contourlet滤波流程 (12)图2.4拉普拉斯金字塔滤波器组处理过程 (12)图2.5NSCT变换结构图 (14)图2.6普通核函数及自适应控制核函数在边缘的变化 (19)图2.7掌舵矩阵及其分量对回归核大小及形状的影响图 (20)图2.8控制核在不同图像结构处影响作用的图示 (20)图2.9迭代过程框图 (21)图3.1灰度图像SAR_1的Contourlet分解子图（系数） (24)图3.2灰度SAR_1图像重构实验 (24)图3.3迭代核回归算法在SAR图像上的去噪结果 (26)图3.4本章算法流程图 (27)图3.5SAR_1图像去噪效果 (29)图3.6SAR_2图像去噪效果 (31)图4.1灰度图像SAR_1的NSCT分解子图（系数） (34)图4.2灰度SAR_1图像重构实验 (35)图4.3本章算法流程图 (36)图4.4SAR_1图像去噪效果 (37)图4.5SAR_2图像去噪效果 (38)西安电子科技大学硕士学位论文表格索引表格索引表3.1灰度SAR图像采用迭代掌舵核回归算法去噪结果 (25)表3.2灰度SAR_1图像采用本章算法去噪结果 (28)表3.3灰度SAR_2图像采用本章算法去噪结果 (30)表4.1灰度SAR_1图像采用本章算法去噪结果 (37)表4.2灰度SAR_2图像采用本章算法去噪结果 (38)西安电子科技大学硕士学位论文符号对照表符号对照表符号符号名称x原始信号ˆx原始信号的估计y观测值A表示矩阵ψ某一变换域K核函数()Φ测量矩阵西安电子科技大学硕士学位论文缩略语对照表缩略语对照表缩略语英文全称中文对照SAR Synthetic Aperture Radar合成孔径雷达ISKR Iterative Steering Kernel Regression迭代掌舵核回归CT Contourlet Transform轮廓波变换NSCT Non-sub-sampled Contourlet非下采样轮廓波变换BP Basic Pursuit基追踪算法MP Matching Pursuit匹配追踪法OMP Orthogonal Matching Pursuit正交匹配追踪MAP Maximum a Posterior最大后验概率准则MMSE Minimum Mean Square Error最小均方误差准则UWT UN-Decimated Wavelet Transform非下采样小波变换RIP Restricted Isometrics Property等距性约束MPM maximization of posterior marginals后部边缘最大化XI西安电子科技大学硕士学位论文XII目录目录摘要 (I)ABSTRACT (III)插图索引 (V)表格索引 (VII)符号对照表 (IX)缩略语对照表 (XI)目录 (XIII)第一章绪论 (1)1.1研究背景和意义 (1)1.2SAR图像去噪发展现状 (2)1.3Contourlet变换理论 (3)1.3.1傅里叶变换 (3)1.3.2小波变换 (3)1.3.3Contourlet变换 (4)1.3.4NSCT变换 (4)1.4核回归理论研究 (4)1.4.1经典回归算法 (5)1.4.2核回归理论的提出 (5)1.5本文主要工作 (5)1.6本文章节安排 (6)第二章相关理论概述 (7)2.1滤波方法简介 (7)2.1.1空间域滤波方法 (7)2.1.2变换域滤波方法 (9)2.2Contourlet变换 (11)2.2.1基本理论简介 (11)2.3非下采样Contourlet变换 (13)2.3.1基本理论简介 (13)2.4核回归理论 (14)2.4.1回归理论概述 (14)2.4.2常用核函数 (17)2.4.3自适应核回归算法 (18)2.4.4迭代掌舵核回归算法 (20)XIII西安电子科技大学硕士学位论文2.5图像质量评价标准 (21)2.6本章小结 (22)第三章基于Contourlet变换及核回归的SAR图像去噪算法 (23)3.1Contourlet变换算法 (23)3.1.1Contourlet变换步骤 (23)3.1.2Contourlet变换实例 (23)3.2迭代掌舵核回归算法去噪效果检验 (24)3.3本章算法实现步骤 (26)3.4实验结果及分析 (28)3.4.1真实SAR_1图像去噪实验 (28)3.4.2真实SAR_2图像去噪实验 (30)3.5本章小结 (32)第四章基于NSCT变换及核回归的SAR图像去噪算法 (33)4.1NSCT变换 (33)4.1.1NSCT变换步骤 (33)4.1.2NSCT变换实例 (33)4.2本章算法实现步骤 (35)4.3实验结果及分析 (36)4.3.1真实SAR_1图像去噪实验 (36)4.3.2真实SAR_2图像去噪实验 (38)4.4本章小结 (39)第五章总结与展望 (41)5.1总结 (41)5.2展望 (42)参考文献 (43)致谢 (47)作者简介 (49)XIV第一章绪论第一章绪论1.1研究背景和意义高分辨率合成孔径雷达图像[1][2]与其他图像相比，受到外部条件的干扰很小，是能产生分辨率较高的遥感图像的系统。
基于Curvelet的图像去噪研究
关键词 ：Ｃ ｒ ｌ 去噪 图像 小波 ｕ ｅｔ ｖｅ 根据上述理论 ，Ｓ ａ ｃ 等人提 出了一种 ｔｒｋ １前言 Ｃ ｒｅ ｔ ｕｖｌ 变换的数字实现算法 ， ｅ 其主要步骤为 图像在采集 ，传输过 程中 ， 各种干扰 会导 ①子 带分解 ，采 用小波 变换把 图像 分解
致 图像噪声的 产生 ， 图像 质量 降低 。在对 到不同的子带 ； 使 图像 进行 处理之 前 ，对其进 行平滑 操作 是必 ②分块 ，每一 个子带加窗 处理 ， 且每 而 不可 少的 步骤 ，降噪 作为对 图像 的预处 理操 隔一个子带 ， 口的宽度增加一倍 ； 窗
日子 技 术
基于Ｃ ｒｅ ｔ ｕｖｌ 的图像去噪研究 ｅ
周燕 刘媛 中国传媒大学 信息工程学院 摘要 ：本文将扼要介绍Ｃ ｒｅ ｔ ｕｖｌ 变换在 ｅ
图像去噪 方面的应 用，结合研 究中实现 的部 分算法进行实验 说明， 并探讨 它的发展趋 势及
一 砦有待进一步研 究的问题。
变换是 其最稀疏 的表示 方法 。总之 ，Ｃ ｒｅ ｔ ｕｖ ｌ ｅ 结合了Ｒｄ ｅ ｔ ｉｇ ｌ 变换的各向异性特点和小波变 ｅ 换的 多尺度 特点 ，它的 出现对 于二 维信 号分 析具有重大意 义。
综上所述 ， 虽然Ｃ ｒ ｅ ｔ ｕ ｖ ｌ 变换诞生的时间 ｅ 不长 ，对它的 研究还远 不如小波 成熟 ， 是 但
由于 其崭 新的理 论面貌 和独 到的应 用特 点 ，
已经 得到 了相 关研究人 员的高 度重视 ， 也取 得了相 当多的研究成果。可 以预 见 ，ｕ ， ｌ Ｃ ｒｅ ｔ ，ｅ ， 强理论 和应 用上的研究还有很大的潜力。 Ｃ ｅ ｅ 变换在图像去噪 、增强 、融 ｕ ｖ ｌｔ ｒ 合 、恢 复等 方面显示 出 了它优干 其他相 应 的 算法的特点 。虽然经过几年的发展 ， ｕｖｌ Ｃ ｒｅ ｔ ｅ
基于Curvelet变换的遥感影像融合研究与实现的开题报告
基于Curvelet变换的遥感影像融合研究与实现的开题报告一、选题背景随着遥感技术的不断发展，各种高分辨率的遥感影像数据逐渐被广泛应用于各个领域。
在遥感影像数据的处理和应用中，影像融合技术是常用的一种手段。
影像融合技术可以将多源、多时相的遥感影像去除冗余信息，提高影像的空间分辨率和质量，为后续的遥感应用提供了更加有力的数据支撑。
Curvelet变换是一种基于多尺度、多方向的变换方法，能够将图像分解成多个子带，每个子带表示图像在不同的尺度下的局部特征。
利用Curvelet变换对遥感影像进行融合处理，可以克服传统的融合方法在空间分辨率和信息保留方面存在的局限，有效提高融合后影像的细节信息和视觉质量。
因此，基于Curvelet变换的遥感影像融合研究具有重要的理论价值和实际应用价值。
二、研究内容和目标本研究主要探究基于Curvelet变换的遥感影像融合方法，并通过实验验证其融合效果。
具体研究内容和目标如下：1、研究Curvelet变换的原理与特点，掌握其在遥感影像融合中的应用方法。
2、将不同分辨率的遥感影像通过Curvelet变换分解为多个子带，分别进行融合，得到高分辨率的融合影像。
3、通过评价指标对Curvelet变换融合方法和传统融合方法进行对比分析，验证其在空间分辨率和信息保留方面的优势。
4、在实际遥感应用中，对基于Curvelet变换的遥感影像融合方法进行应用验证，验证其在遥感信息获取和分析中的实际效果和应用价值。
三、研究方法和步骤本研究的方法和步骤主要包括：1、文献调研：查阅与基于Curvelet变换的遥感影像融合相关的文献和研究成果，全面了解其研究现状和发展趋势。
2、算法实现：利用MATLAB等工具，编写基于Curvelet变换的遥感影像融合算法，实现遥感影像的融合处理。
3、实验验证：选取不同分辨率的遥感影像数据，利用已实现的算法进行处理和融合，通过定量和定性分析的方法对融合效果进行评价和验证。
改进的基于Curvelet变换的遥感图像融合方法
改进的基于Curvelet变换的遥感图像融合方法
罗冬梅;赵志刚;李园园
【期刊名称】《青岛理工大学学报》
【年(卷),期】2010(31)4
【摘要】为了提高图像的视觉效果,提出了一种改进的基于Curvelet变换的图像融合方法.首先对全色图像进行增强,使图像的细节信息得到加强,再采用Curvelet 变换与IHS变换结合的方法对增强后的图像进行融合.该算法既有效的保留了空间信息又抑制了光谱扭曲.结果表明,和常用的小波融合算法相比,笔者提出的融合方法在光谱信息的保持与空间细节信息的增强两个方面的综合性能得到提高,具有更好的效果.
【总页数】5页(P93-97)
【作者】罗冬梅;赵志刚;李园园
【作者单位】青岛酒店管理职业技术学院,教育信息中心,青岛,266071;青岛大学,信息工程学院,青岛,266071;湖北汽车工业学院,电气工程系,十堰,442002;青岛大学,信息工程学院,青岛,266071
【正文语种】中文
【中图分类】TP391.41
【相关文献】
1.基于区域特征的遥感图像融合方法的改进 [J], 李园园;赵志刚;吕慧显;李琳
2.基于快速离散Curvelet变换的图像增强改进方法 [J], 罗山
3.基于边缘统计特征的遥感图像融合改进方法 [J], 曾宇燕;何建农
4.基于 IHS变换和 Curvelet变换的卫星遥感图像融合方法 [J], 肖化超;周诠;郑小松
5.基于改进Curvelet变换的地震数据重建方法 [J], 侯文龙;贾瑞生;孙圆圆;俞国庆因版权原因，仅展示原文概要，查看原文内容请购买。
基于特征学习的SAR图像变化检测方法研究
基于特征学习的SAR图像变化检测方法研究基于特征学习的SAR图像变化检测方法研究一、引言合成孔径雷达(Synthetic Aperture Radar, SAR)是一种利用电磁波对地球表面进行观测和成像的技术。
由于其具有独特的观测特性，SAR成像在军事、气象、土地资源管理等领域发挥着重要作用。
SAR图像变化检测是指通过对比不同时间或不同模式下的SAR图像，分析和提取特定地物或区域的变化信息。
SAR图像变化检测的研究对于军事目标监测、环境变化监测和灾害检测等具有重要意义。
二、SAR图像变化检测的困难与挑战在进行SAR图像变化检测时，存在许多困难与挑战。
首先，SAR图像本身有着复杂的散射机制，造成图像的散射特征存在白噪声和多普勒模糊等问题。
其次，由于地物的多样性和遥感技术的限制，同一地物在不同时间或不同模式下的散射特征可能发生变化，这种变化往往被掩盖在背景噪声中，难以提取。
此外，灾害和环境变化等因素的干扰也增加了图像变化的复杂性，使得变化的检测和分析变得更加困难。
三、特征学习在SAR图像变化检测中的应用为了解决SAR图像变化检测中的困难和挑战，研究人员提出了基于特征学习的方法。
特征学习是一种自动学习特征表示的机器学习方法，通过学习特征表示，能够从原始数据中抽取出更有区分度的特征，提高变化检测的准确性和鲁棒性。
特征学习的一个重要应用是基于深度学习的SAR图像变化检测方法。
深度学习是一种能够通过多层次的神经网络学习高层次抽象特征的方法。
通过将SAR图像输入深度神经网络中进行训练，可以学习到更具表征能力的特征表示。
深度学习模型通常包括卷积神经网络(Convolutional Neural Network, CNN)和循环神经网络(Recurrent Neural Network, RNN)等。
此外，自编码器(Autoencoder)也是一种常用的特征学习方法。
自编码器是一种无监督学习的神经网络模型，通过学习将输入数据重构为输出数据，从而学习到输入数据的潜在特征表示。
一种基于Curvelet变换的图像放大方法研究
一种基于Curvelet变换的图像放大方法研究李建平;张泠【摘要】Curvelet变换是近几年发展的一个新的多尺度几何分析方法.在分析主要的图像放大算法及Curvelet变换的基础上,提出了一种新的基于Curvelet变换的图像放大方法.为了验证算法,设计了仿真实验,与传统的二次线性和立方卷积图像放大方法进行比较.结果表明,在保持原始图像的结构信息方面,本文方法要优于其他图像放大方法.【期刊名称】《北京测绘》【年(卷),期】2014(000)001【总页数】4页(P4-7)【关键词】Curvelet变换;图像放大;结果评价;平均梯度【作者】李建平;张泠【作者单位】天津市勘察院,天津300191;天津市星际空间地理信息工程有限公司,天津300384;【正文语种】中文【中图分类】P208图像放大是图像处理的一个基本操作，是对二维数据的重采样，也可以说是对图像分辨率的改变。
图像放大在图像显示、分析、配准等图像处理中有着广泛的应用。
早期的图像放大技术主要有最近邻域法（nearest neighbor）、双线性内插法（bilinear interpolation）以及立方卷积法（cubic convolution）［1］。
后来学者们不断研究出新的方法，包括自适应重采样算法、高阶样条缩放法、多神经网络算法等。
这些方法多数因为运算量少，实现简单，因而得到了广泛的应用。
但由于在插值过程中没有针对图像的边缘和纹理特征进行特殊处理，所以导致放大后的图像难以保持物体边界清晰和轮廓分明。
小波变换在图像处理中的应用日益广泛，从频域角度上分析，图像放大中用到的一些函数表现为低通滤波器，经滤波后图像容易发生高频分量损失，因而出现边缘锯齿现象及高频细节模糊化［3－6］。
针对此特点，本文提出了一种基于Curvelet变换的图像放大方法，能够较多地保留图像边缘细节，尽可能少地减少高频分量的损失。
1 Ridgelet变换和Curvelet变换1.1 Ridgelet变换如果存在函数ψ满足条件其中）是函数ψ的傅立叶变换。
基于人眼视觉特性的Curvelet域低照度图像增强
基于人眼视觉特性的Curvelet域低照度图像增强郑云海;郭建钊;王门鸿;李佳;李庆武【摘要】针对低照度下图像降质严重的问题,提出了一种基于人眼视觉特性和Curvelet变换的低照度图像增强算法.首先将低照度图像转换至\"色调-饱和度-亮度\"(HSI)颜色空间,在Curvelet域中分解亮度参量得到不同尺度、不同方向的子带分量,以此构建人眼视觉模型;然后利用模型的亮度遮蔽特性和亮度-对比度遮蔽特性对高频分量进行非线性增强,同时对低频分量进行非线性拉伸;最后通过Curvelet逆变换重构亮度参量,结合原始图像的色度和饱和度分量将图像转换至原色彩空间,得到增强后的低照度图像.实验结果表明,该算法可以有效提升低照度图像的对比度和亮度,保持图像的细节信息,抑制图像噪声.【期刊名称】《应用科技》【年(卷),期】2018(045)006【总页数】5页(P27-31)【关键词】图像处理;图像增强;低照度图像;Curvelet;HSI空间;人眼视觉特性;亮度遮蔽;亮度-对比度遮蔽【作者】郑云海;郭建钊;王门鸿;李佳;李庆武【作者单位】国网泉州供电公司,福建泉州, 362000;国网泉州供电公司,福建泉州, 362000;国网泉州供电公司,福建泉州, 362000;河海大学物联网工程学院,江苏常州, 213022;河海大学物联网工程学院,江苏常州, 213022【正文语种】中文【中图分类】TP394.1计算机视觉系统在电力设备巡检、城市交通监控等领域发挥着关键作用[1-3]。
高质量的数字图像是计算机视觉系统高效工作的必要前提。
然而，在阴雨、夜间以及人工光照不足等低照度条件下，采集到的图像对比度低、细节丢失严重，图像的应用价值严重下降。
因此，为了挖掘低照度图像中的信息，提高计算机视觉系统的可靠性，需要通过数字图像处理技术改善低照度图像的质量。
目前，对低照度图像进行增强是数字图像处理领域的研究热点之一[4-6]。
基于Curvelet变换和全变差的图像去噪方法
基于Curvelet变换和全变差的图像去噪方法９期倪雪等：基于Ｃｕｒｖｅｌｅｔ变换和伞变差的图像玄噪方法２３９３５实验结果与分析为了检验本文方法的有效性，将本文方法与单一Ｃｕｒｖｅｌｅｔ去噪Ｈ］、全变差去噪ｒ１叼和多个小波基融合玄噪Ｌｌ副三种算法进行对比实验，以峰值信噪比（．ＰＳＮＲ）作为去噪效果测度指标。
实验中选择的图像是常用的标准测试图像Ｌｅｎａ，图像大小为５１２ｐｉｘｅｌＸ５１２ｐｉｘｅｌ。
对图像分别增加标准差盯为１０，１５，２０，２５，３０的高斯白噪声。
图２（ａ）为加入标准差为２０的噪声图像；图２（ｂ）为Ｃｕｒｖｅｌｅｔ去噪的图像；图２（ｃ）足全变蔗去噪的图像；图２（ｄ）为多小波荩融合去噪的图像；图２（ｅ）为本文融合去噪的图像。
为了更好的比较三种去噪算法的效果，图３给出了对应的局部放大效果图，并且每种方法去噪后的ＰＳＮＲ值可见表１。
图２几种方法Ｌｅｎａ图像去噪对比。
（ａ）加噪图（盯一２０）；（ｂ）Ｃｕｒｖｅｌｅｔ玄噪；（ｃ）ＴＶ去噪；（ｄ）多小波基融合去噪；（ｅ）本文方法去噪Ｆｉｇ．２Ｃｏｍｐａｒｉｓｏｎｏｆｄｅｎｏｉｓｉｎｇｖｉａｄｉｆｆｅｒｅｎｔａｐｐｒｏａｃｈｅｓ．（ａ）Ｎｏｉｓｙｉｍａｇｅ（ａ＝２０）；（ｂ）ｃｕｒｖｅｌｅｔｄｅｎｏｉｓｉｎｇ；（ｃ）ＴＶｄｅｎｏｉｓｉｎｇ；（ｄ）ｍｕｌｔｉｐｌｅｗａｖｅｌｅｔｂａｓｅｓｆｕｓｉｏｎｄｅｎｏｉｓｉｎｇ；（ｅ）ｐｒｏｐｏｓｅｄｍｅｔｈｏｄｄｅｎｏｉｓｉｎｇ图３Ｌｅｎａ局部图像去噪结果对比。
（ａ）Ｃｕｒｖｅｌｅｔ去噪；（ｂ）ＴＶ去噪；（ｃ）多小波基融合去噪；（ｄ）本文方法去噪Ｆｉｇ．３ＤｅｎｏｉｓｉｎｇｒｅｓｕｌｔｏｆｌｏｃａｌＬｅｎａｉｍａｇｅ．（ａ）Ｃｕｒｖｅｌｅｔｄｅｎｏｉｓｉｎｇ；（ｂ）ＴＶｄｅｎｏｉｓｉｎｇ；（ｃ）ｍｕｌｔｉｐｌｅｗａｖｅｌｅｔｂａｓｅｓｆｕｓｉｏｎｄｅｎｏｉｓｉｎｇ；（ｄ）ｐｒｏｐｏｓｅｄｍｅｔｈｏｄｄｅｎｏｉｓｉｎｇ从实验结果可以看出，四种算法都能够有效地图像有块状现象。
基于curvelet变换快速迭代收缩阈值算法的压缩采样磁共振图像重建
基于curvelet变换快速迭代收缩阈值算法的压缩采样磁共振图像重建王翰林;周宇轩;王伟【摘要】目的为提高MR图像的重建效果和降低重建图像边缘模糊,本文提出一种基于curvelet变换的MRI快速迭代收缩阈值算法(fast iterative shrinkage-thresholding algorithm,FISTA).方法利用curvelet变换多尺度、各向奇异性、对图像边缘有更好的几何表达等特性,将curvelet稀疏变换和FISTA结合,并与传统基于小波变换的FISTA对相同MR图像作重建对比.重建图像的质量以峰值信噪比(peak signal to noise ratio,PSNR)、均方误差(mean square error,MSE)、结构相似性度(structural similarity degree,SSIM)来衡量.结果实验选用Lena图像和脑部MR图像,从重建图像细节、差值图像、评估参数三方面对算法重建效果进行比较分析,证明该curvelet-FISTA算法可有效恢复完全采样图像从核磁共振成像中的欠采样数据.结论与传统基于小波变换的FISTA相比,该方法可以更好地保持重建图像的细节信息,并有效地消除图像边缘的模糊现象,显示了较好的重建效果.【期刊名称】《北京生物医学工程》【年(卷),期】2018(037)004【总页数】9页(P356-363,380)【关键词】MRI图像重建;压缩感知;迭代收缩阈值;curvelet变换【作者】王翰林;周宇轩;王伟【作者单位】南京医科大学生物医学工程与信息学院生物医学工程系南京211000;南京医科大学生物医学工程与信息学院生物医学工程系南京 211000;南京医科大学生物医学工程与信息学院生物医学工程系南京 211000【正文语种】中文【中图分类】R318.040 引言磁共振成像(magnetic resonance imaging, MRI)相比于计算机断层扫描(computed tomography, CT)技术的优势是对人体没有电离辐射等伤害，而且可以对人体的各种软组织进行成像，但较慢的数据扫描速度一直是制约其进一步发展的关键问题[1-2]。
一种基于小波变换的SAR海洋图像数据增强系统
一种基于小波变换的SAR海洋图像数据增强系统
闫敬文;王超;卢刚;郭子祺
【期刊名称】《海洋学报（中文版）》
【年(卷),期】2001(023)005
【摘要】提出了一种基于小波变换的SAR海洋图像数据增强系统,并进行了试验.本系统包括小波变换、Speckle及Pepper-Salt噪声抑制、船等目标提取、内波提取、目标数统计和图像图形显示放大等功能.该图像增强系统可以对含有常见的高斯噪声及Speckle和Pepper-Salt非高斯噪声的污染图像数据进行增强处理,可对SAR等微波成像传感器数据、光学成像传感器数据进行增强处理,具有广泛的应用前景.
【总页数】6页(P130-135)
【作者】闫敬文;王超;卢刚;郭子祺
【作者单位】厦门大学电子工程系,福建,厦门,361005；厦门大学环境科学研究中心,福建,厦门,361005;中国科学院北京遥感应用研究所,北京,100101;厦门大学电子工程系,福建,厦门,361005;中国科学院北京遥感应用研究所,北京,100101
【正文语种】中文
【中图分类】TN919.81
【相关文献】
1.一种基于小波变换的医学图像数据的高效编码方法 [J], 李鑫
2.一种基于小波变换的卫星SAR海洋图像舰船目标检测方法 [J], 罗强;罗莉;任庆
利;何鸿君;杨万海
3.基于二维连续小波变换的SAR图像海洋现象特征检测 [J], 陈捷;陈标;许素芹
4.基于小波变换的SAR图像海洋内波特征提取 [J], 郭薇;王亚波;汤琦璇
5.一种基于小波变换的SAR图像船舰监测新算法 [J], 周兴旺;皮德常
因版权原因，仅展示原文概要，查看原文内容请购买。
基于Harr小波-Contourlet变换的图像增强算法
基于Harr小波-Contourlet变换的图像增强算法
王建华
【期刊名称】《西北民族大学学报（自然科学版）》
【年(卷),期】2009(030)002
【摘要】为了解决噪声图像增强中抑制噪声和增强边缘细节的矛盾,提出一种基于Harr小波-Contourlet变换的噪声图像增强方法.Harr小波-Comourlet变换具有多分辨率、局部定位性、多方向、各向异性等特点,能够较好捕获图像的方向特征和边缘信息.根据这一特点,先在变换域中设置阀值抑制噪声;再用非线性增强算子对变换的各子带系数做增强处理.实验结果表明,该方法有效增强了图像的边缘细节和纹理特征.
【总页数】5页(P50-54)
【作者】王建华
【作者单位】西北民族大学,电气工程学院,甘肃,兰州,730030
【正文语种】中文
【中图分类】TP393.41
【相关文献】
1.小波与Contourlet变换图像增强算法优越性的探讨 [J], 李彦
2.结合递归Cycle Spinning的小波-Contourlet变换红外图像增强算法 [J], 邓超;侯满义;刘泽乾;王靖华
3.基于提升方案的harr小波变换图像水印算法 [J], 李百良;徐大诚
4.基于小波-Contourlet变换的图像增强算法 [J], 殷兵;于梅;方洁;梁栋
5.基于Harr小波的动态场景全频阴影绘制算法 [J], 赵沁平;车英慧
因版权原因，仅展示原文概要，查看原文内容请购买。