CN116091882B - 一种基于自适应双通道pcnn的偏振图像融合方法 - Google Patents
一种基于自适应双通道pcnn的偏振图像融合方法 Download PDFInfo
- Publication number
- CN116091882B CN116091882B CN202310311087.3A CN202310311087A CN116091882B CN 116091882 B CN116091882 B CN 116091882B CN 202310311087 A CN202310311087 A CN 202310311087A CN 116091882 B CN116091882 B CN 116091882B
- Authority
- CN
- China
- Prior art keywords
- image
- frequency
- fused
- low
- fusion
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 230000010287 polarization Effects 0.000 title claims abstract description 54
- 238000007500 overflow downdraw method Methods 0.000 title claims abstract description 15
- 230000004927 fusion Effects 0.000 claims abstract description 61
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 13
- 230000000694 effects Effects 0.000 claims abstract description 9
- 238000000034 method Methods 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 7
- 230000000877 morphologic effect Effects 0.000 claims description 6
- 238000012512 characterization method Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 claims description 3
- 230000010339 dilation Effects 0.000 claims description 3
- 230000003628 erosive effect Effects 0.000 claims description 3
- 230000003044 adaptive effect Effects 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000002310 reflectometry Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Databases & Information Systems (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于自适应双通道PCNN的偏振图像融合方法，将已配准的强度图像与偏振度图像经NSCT变换分解为高频子带和低频子带，采用权值图计算低频子带的图像特征，并将其低频部分PCNN模型的链接权重，计算融合图像的低频子带，采用MSMG算子计算高频子带的梯度特征，并将其作为高频部分PCNN模型的链接权重，计算融合图像的高频子带，最后通过逆NSCT变换得到最终的融合图像。本发明利用NSCT分解和改进型双通道自适应PCNN融合方法，能够突出的场景偏振信息，解决了偏振融合图像中存在的边缘区域失真、目标与背景对比度低等问题，具有适用范围广、以及融合效果好等优点。
Description
技术领域
本发明涉及图像处理与光学工程技术领域，具体地指多源偏振图像融合领域，特别涉及一种基于自适应双通道PCNN的偏振图像融合方法。
背景技术
偏振成像系统能够采集到目标的强度图像和偏振度图像，其中强度图像主要用于描述反射率与透射率，而偏振度图像可以体现物体的偏振特性。强度图像和偏振度图像互补融合可以提供更多维度的光场信息，发挥不同成像探测方式的优势，弥补强度探测信息的不足，提高目标系统目标探测的能力。
现有的融合算法可以简单的分为空间域融合算法、变换域融合算法和混合融合算法，空间域融合算法容易引入伪吉斯现象，融合图像的边缘容易产生“伪影”，导致融合后图像能量缺失、细节模糊，变换域融合算法提取精度高，融合效果好，但算法也存在费事与实时性的问题。混合融合算法能吸取空间域与变换域算法的优势，弥补相互的不足，是融合算法发展的重要方向。
发明内容
针对上述目前技术存在的问题，本发明提出一种基于自适应双通道PCNN的偏振图像融合方法，能显著增强融合图像的纹理细节、图像清晰度、目标对比度以及图像像素方面的信息，同时解决了PCNN模型参数做到了自适应调节，针对不同频域的图像采用适应该部分的链接权重。
为达到上述目的，本发明的方法所采用的技术方案是：
一种基于自适应双通道PCNN的偏振图像融合方法，包括以下步骤：
步骤一：利用NSCT分解将强度图像和偏振度图像分解为高频子带和低频子带；
步骤二：构建低频子带的权值图，将低频子带的权值图作为低频融合PCNN网络的链接权重；
步骤三：利用MSMG算法计算高频子带特征图，将高频子带特征图作为高频融合PCNN网络的链接权重；
步骤四：分别利用构建的双通道参数自适应PCNN网络对强度图像和偏振度图像的高频子带和低频子带进行融合；
步骤五：利用NSCT逆变换将融合的高频子带和低频子带合成融合图像。
进一步地，所述步骤一中，所述NSCT分解将强度图像和偏振度图像分解为L级，分解得到的子带为和/>，其中/>，D是一个L维向量，包含定向分解层数；/>为强度图像在/>方向的第/>级分解层的高频方向子带，/>表示强度图像的低频子带，/>被称为偏振度图像在/>方向的第/>级分解层的高频方向子带，/>表示偏振度图像的低通子带。
进一步地，所述步骤二的低频子带的权值图的构建方法如下：
①.计算图像的区域标准差：
（1）
其中，为区域尺寸，/>为待计算的图像，x、y为图像像素点的值，/>为区域像素点均值。
②.计算图像的信息熵：
（2）
③.计算图像的权值图：
（3）
（4）
（5）
其中，代表图像名称，/>用于调节权值图对源图像特征的表示程度，/>为误差参数，/>为图像的像素点，/>为权值图，/>为强度图的区域标准差，/>为强度图的区域标准差，/>为偏振度图的区域信息熵，/>为偏振度图的的区域信息熵。
将计算出的权值图作为低频部分融合PCNN模型的链接权重，如公式(6-7)所示：
（6）
（7）
其中，为强度图像的链接权重，/>为强度图像的权值图，/>为偏振度图像的链接权重，/>为偏振度图像的权值图。
进一步地，所述步骤三中的计算方法如下：
首先多尺度结构要素的定义是：
（8）
其中，为基本结构元素，t为尺度数；
其次，利用形态学梯度算子对图像的梯度特征/>进行表征：
（9）
其中，和/>分别表示形态膨胀和腐蚀操作符，/>为像素坐标；
然后，通过计算各尺度梯度的加权和：
（10）
式中，表示梯度在t尺度上的权重，表示为：
（11）
t为尺度数。
选择计算出的图像各尺度梯度加权和作为高频部分融合PCNN模型的链接权重，如公式(13-14)所示：
（13）
（14）
其中，为强度图像的链接权重，/>为强度图像的梯度加权和，/>为偏振度图像的链接权重，/>为偏振度图像的梯度加权和。
进一步地，所述PCNN网络的模型的实现公式如下：
（15）
（16）
（17）
（18）
（19）
（20）
（21）
（22）
其中，、/>为模型第n次迭代的外部刺激，/>、/>为第一待融合图像与第二待融合图像的像素点灰度值，第一待融合图像与第二待融合图像分别为强度图像和偏振度图像；/>为模型第n次迭代的链接输入，其值由/>领域内的脉冲输出决定，、/>分别为两图像的内部活动项，/>为链接权重，计算公式如(7-8)、(11-12)所示，/>为联合内部活动项，第n次迭代后，用于生成融合图像；/>、/>分别为模型的输出和动态阈值；上标1表示第一待融合图像的参数，上标2表示第二待融合图像的参数；/>为动态阈值，/>、/>为衰减因子，三个参数由如公式(23-25)计算：
（23）
（24）
（25）
其中，为图像的标准差，/>、/>为第一待融合图像与第二待融合图像的最大灰度值，/>分别代表第一待融合图像与第二待融合图像的大津阈值。
进一步地，所述步骤四中，所述的高频子带融合和低频子带融合，PCNN网络的模型执行n次迭代后，融合高频方向子带和低频子带/>由公式(26-27)计算得到：
（26）
（27）。
本发明提出使用基于NSCT分解与改进型双通道参数自适应PCNN模型相结合的偏振图像融合方法，相对于目前已有的技术，本发明具有如下的优点和创新性：
1.本发明的多尺度NSCT分解方式保护了偏振图像和强度图像各自的图像特点，加上PCNN融合算法，得到不同尺度不同方向上子带系数的内部活动项，内部活动项相当于两类子带系数在视觉系统中的反映，利用内部活动项实现这两类图像在各子带系数上的融合，提高了融合图像的质量，保证了融合图像含有偏振图像和强度图像各自的特点。
2.本发明采用了改进型双通道参数自适应PCNN模型，该模型将两个PCNN模型简化为一个，使得模型参数减少，各参数采用自适应计算规则，针对不同的融合图像，通过计算图像特征，自适应调节参数的值，解决了PCNN模型参数设计困难的问题。
3.本发明采用的改进型双通道参数自适应PCNN模型，针对高频子带和低频子带，采用不同的链接权重，高频子带采用MSMG算子计算图像的梯度特征作为该部分的链接权重，低频子带采计算图像的权值图作为该部分的链接权重，得到了适应于不同频率部分的PCNN算法，从而保证了偏振融合图像不仅具有丰富的强度信息，而且包含了突出的场景偏振信息，解决了偏振融合图像中存在的边缘区域失真、目标与背景对比度低等问题，具有较好的应用前景。
附图说明
图1为本发明一种基于自适应双通道PCNN的偏振图像融合方法的流程图。
图2为本发明改进型双通道参数自适应PCNN模型图。
图3为本方法实际融合结果与常用融合方法融合结果对比；其中，图（a）为强度图像，图（b）为偏振度图像，图（c）为加权平均融合图像，图（d）为区域能量融合图像，图（e）为小波融合图像，图（f）为PCNN融合图像，图（g）为本发明的融合算法图像。
具体实施方式
下面结合附图以及具体实施方式进一步说明本发明。
本发明提出了一种基于自适应双通道PCNN的偏振图像融合方法，首先将已配准的强度图像与偏振度图像经NSCT变换分解为高频子带和低频子带，采用权值图计算低频子带的图像特征，并将其低频部分PCNN模型的链接权重，计算融合图像的低频子带，采用MSMG算子计算高频子带的梯度特征，并将其作为高频部分PCNN模型的链接权重，计算融合图像的高频子带，最后通过逆NSCT变换得到最终的融合图像。该方法能够突出的场景偏振信息，解决了偏振融合图像中存在的边缘区域失真、目标与背景对比度低等问题，具有适用范围广、参数自适应、实现简单以及融合效果好等优点。
如图1所示，本发明提供的一种基于自适应双通道PCNN的偏振图像融合方法，包含以下步骤：
步骤一：利用NSCT分解将大小为10241224的强度图像和偏振度图像分解为/>级，分解得到的子波段为/>和/>，这里的/>，D是一个/>维向量，包含定向分解层数。/>被称为强度图像在/>方向的第/>级分解层的高频方向子带，而/>表示它的低通子带，/>被称为偏振度图像在/>方向的第/>级分解层的高频方向子带，而/>表示它的低通子带。本实施例选取/>，/>。
步骤二：构建低频图像的权值图，将权值图作为低频融合PCNN网络的链接权重。权值图的构建方法如下：
①.计算图像的区域标准差：
（1）
其中，为区域尺寸，/>为待计算的图像，x、y为图像像素点的值，/>为区域像素点均值。
②.计算图像的信息熵：
（2）
③.计算图像的权值图：
（3）
（4）
（5）
其中，代表图像名称，/>用于调节权值图对源图像特征的表示程度，/>，/>为误差参数，/>，防止出现除零现象，最终导致异常点的出现，/>为图像的像素点，/>为权值图，/>为强度图的区域标准差，/>为偏振度图的区域标准差，为强度图的区域信息熵，/>为偏振度图的的区域信息熵。
将计算出的权值图作为低频部分融合PCNN模型的链接权重，见公式(6-7)。
（6）
（7）
其中，为强度图像的链接权重，/>为强度图像的权值图，/>为偏振度图像的链接权重，/>为偏振度图像的权值图。
步骤三：利用MSMG算法计算高频子带图像特征图，将高频子带图像特征图作为高频融合PCNN网络的链接权重，计算方法如下：
首先多尺度结构要素的定义是：
（8）
其中，为基本结构元素，t为尺度数。结构元素的大小设置为13，t设置为7。
其次，利用形态学梯度算子对图像的梯度特征/>进行表征：
（9）
其中，和/>分别表示形态膨胀和腐蚀操作符，/>为像素坐标。然后，通过计算得到各尺度梯度的加权和/>：
（10）
式中，表示梯度在t尺度上的权重，可表示为：
（11）
t为尺度数，取值为7。
选择计算出的图像各梯度加权和作为高频部分融合PCNN模型的链接权重，见公式(13-14)。
（13）
（14）
其中，为强度图像的链接权重，/>为强度图像的梯度加权和，/>为偏振度图像的链接权重，/>为偏振度图像的梯度加权和。
步骤四：分别利用构建的双通道参数自适应PCNN网络对强度图像和偏振度图像的高频部分和低频部分进行融合。所述PCNN模型如图2所示，模型实现公式如下：
（15）
（16）
（17）
（18）
（19）
（20）
（21）
（22）
其中，、/>为模型第n次迭代的外部刺激，n取值为200，/>、/>为第一待融合图像与第二待融合图像的像素点灰度值，第一待融合图像与第二待融合图像分别为强度图像和偏振度图像。/>为模型第200次迭代的链接输入，其值由8领域内的脉冲输出决定，/>、/>分别为两图像的内部活动项，/>为链接权重，计算公式见(7-8)、(11)-(12)，/>为联合内部活动项，第200次迭代后，可用于生成融合图像。/>、分别为模型的输出和动态阈值。上标1表示第一待融合图像的参数，上标2表示第二待融合图像的参数。/>为动态阈值，/>、/>为衰减因子，三个参数由如下公式(23-25)计算：
（23）
（24）
（25）
其中，为图像的标准差，/>、/>为第一待融合图像与第二待融合图像的最大灰度值，/>分别代表第一待融合图像与第二待融合图像的大津阈值。
通过所述PCNN模型执行200次迭代后，融合高频方向子带和低频子带/>由公式(26-27)计算得到。
（26）
（27）
步骤五：利用NSCT逆变换将融合的高频部分和低频部分合成融合图像；
通过偏振成像系统得到强度图像和偏振度图像，将本融合方法与加权平均融合、区域能量融合、小波融合、PCNN融合和本方法的融合算法进行对比实验，融合结果如图3所示，其中，图3的图（a）为强度图像，图3的图（b）为偏振度图像，图3的图（c）为加权平均融合图像，图3的图（d）为区域能量融合图像，图3的图（e）为小波融合图像，图3的图（f）为PCNN融合图像，图3的图（g）为本发明的融合算法图像。信息熵(EN)、平均梯度(AG)、互信息(MI)、基于梯度的融合性能(Qabf)、空间频率(SF)、标准差(STD)六个客观指标结果如表1所示，本方法在信息熵(EN)和平均梯度(AG)等五个指标都表现优异，实验结果可以证明本发明的融合算法具有一定的优势。
表1实际融合结果与常用融合方法融合结果的指标对比
，
应当理解的是，上述针对较佳实施例的描述较为详细，并不能因此而认为是对本发明保护范围的限制，本领域的普通技术人员在本发明的启示下，在不脱离本发明权利要求所保护的范围情况下，还可以做出的替换或变形，均落入本发明的保护范围之内，本发明的请求保护范围应以所附权利要求为准。
Claims (1)
1.一种基于自适应双通道PCNN的偏振图像融合方法，其特征在于，包括以下步骤：
步骤一：利用NSCT分解将强度图像和偏振度图像分解为高频子带和低频子带，所述NSCT分解将强度图像和偏振度图像分解为L级，分解得到的子带为和/>其中，l∈[1,L]、d∈D，D是一个L维向量，包含定向分解层数；/>为强度图像在d方向的第l级分解层的高频方向子带，L1表示强度图像的低频子带，/>被称为偏振度图像在d方向的第l级分解层的高频方向子带，L2表示偏振度图像的低通子带；
步骤二：构建低频子带的权值图，将低频子带的权值图作为低频融合PCNN网络的链接权重，所述低频子带的权值图的构建方法如下：
①.计算图像的区域标准差STD(x,y)：
其中，M、N为区域尺寸，f为待计算的图像，x、y为图像像素点的值，μ为区域像素点均值；
②.计算图像的信息熵EN(x,y)：
③.计算图像的权值图：
wλ＝dλ(x,y)×eλ(x,y) (5)
其中，λ代表图像名称，α用于调节权值图对源图像特征的表示程度，∈为误差参数，(x,y)为图像的像素点，wλ为权值图，STD1为强度图的区域标准差，STD2为强度图的区域标准差，EN1为偏振度图的区域信息熵，EN2为偏振度图的的区域信息熵；
将计算出的权值图作为低频部分融合PCNN模型的链接权重，如公式(6)-公式(7)所示：
其中，为强度图像的链接权重，/>为强度图像的权值图，/>为偏振度图像的链接权重，/>为偏振度图像的权值图；
步骤三：利用MSMG算法计算高频子带特征图，将高频子带特征图作为高频融合PCNN网络的链接权重，计算方法如下：
首先多尺度结构要素的定义是：
其中，SE1为基本结构元素，t为尺度数；
其次，利用形态学梯度算子对图像f的梯度特征Gt进行表征：
其中，和/>分别表示形态膨胀和腐蚀操作符，(x,y)为像素坐标；
然后，通过计算各尺度梯度的加权和M：
式中，wt表示梯度在t尺度上的权重，表示为：
式中，t为尺度数；
选择计算出的图像各尺度梯度加权和M作为高频部分融合PCNN模型的链接权重，如公式(13)-(14)所示：
其中，为强度图像的链接权重，/>为强度图像的梯度加权和，/>为偏振度图像的链接权重，/>为偏振度图像的梯度加权和；
步骤四：分别利用构建的双通道参数自适应PCNN网络对强度图像和偏振度图像的高频子带和低频子带进行融合，所述的高频子带融合和低频子带融合，PCNN网络的模型执行n次迭代后，融合高频方向子带和低频子带LF由公式(26)-公式(27)计算得到：
所述PCNN网络的模型的实现公式如下：
其中，为模型第n次迭代的外部刺激，/>为第一待融合图像与第二待融合图像的像素点灰度值，第一待融合图像与第二待融合图像分别为强度图像和偏振度图像；Lij[n]为模型第n次迭代的链接输入，其值由N领域内的脉冲输出决定，/> 分别为两图像的内部活动项，β为链接权重，计算公式如(7)-公式(8)、公式(11)-公式(12)所示，Uxj[n]为联合内部活动项，第n次迭代后，用于生成融合图像；Yij[n]、Eij[n]分别为模型的输出和动态阈值；上标1表示第一待融合图像的参数，上标2表示第二待融合图像的参数；CE为动态阈值，αE、αu为衰减因子，三个参数由如公式(23)-公式(25)计算：
其中，σ为图像的标准差，为第一待融合图像与第二待融合图像的最大灰度值，/>分别代表第一待融合图像与第二待融合图像的大津阈值；
步骤五：利用NSCT逆变换将融合的高频子带和低频子带合成融合图像。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310311087.3A CN116091882B (zh) | 2023-03-28 | 2023-03-28 | 一种基于自适应双通道pcnn的偏振图像融合方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310311087.3A CN116091882B (zh) | 2023-03-28 | 2023-03-28 | 一种基于自适应双通道pcnn的偏振图像融合方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116091882A CN116091882A (zh) | 2023-05-09 |
| CN116091882B true CN116091882B (zh) | 2023-12-22 |
Family
ID=86204801
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310311087.3A Active CN116091882B (zh) | 2023-03-28 | 2023-03-28 | 一种基于自适应双通道pcnn的偏振图像融合方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116091882B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103455990A (zh) * | 2013-03-04 | 2013-12-18 | 深圳信息职业技术学院 | 结合视觉注意机制和pcnn的图像融合方法 |
| CN107194904A (zh) * | 2017-05-09 | 2017-09-22 | 西北工业大学 | 基于增补机制和pcnn的nsct域图像融合方法 |
| CN107230196A (zh) * | 2017-04-17 | 2017-10-03 | 江南大学 | 基于非下采样轮廓波和目标可信度的红外与可见光图像融合方法 |
| CN109242812A (zh) * | 2018-09-11 | 2019-01-18 | 中国科学院长春光学精密机械与物理研究所 | 基于显著性检测与奇异值分解的图像融合方法及装置 |
| CN110428008A (zh) * | 2019-08-02 | 2019-11-08 | 深圳市唯特视科技有限公司 | 一种基于多融合传感器的目标探测与识别装置和方法 |
-
2023
- 2023-03-28 CN CN202310311087.3A patent/CN116091882B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103455990A (zh) * | 2013-03-04 | 2013-12-18 | 深圳信息职业技术学院 | 结合视觉注意机制和pcnn的图像融合方法 |
| CN107230196A (zh) * | 2017-04-17 | 2017-10-03 | 江南大学 | 基于非下采样轮廓波和目标可信度的红外与可见光图像融合方法 |
| CN107194904A (zh) * | 2017-05-09 | 2017-09-22 | 西北工业大学 | 基于增补机制和pcnn的nsct域图像融合方法 |
| CN109242812A (zh) * | 2018-09-11 | 2019-01-18 | 中国科学院长春光学精密机械与物理研究所 | 基于显著性检测与奇异值分解的图像融合方法及装置 |
| CN110428008A (zh) * | 2019-08-02 | 2019-11-08 | 深圳市唯特视科技有限公司 | 一种基于多融合传感器的目标探测与识别装置和方法 |
Non-Patent Citations (1)
| Title |
|---|
| "基于非下采样剪切波变换的医学图像融合算法研究";张瑞;《中国优秀硕士学位论文全文数据库 医药卫生科技辑》;正文第26-34页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116091882A (zh) | 2023-05-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106204467B (zh) | 一种基于级联残差神经网络的图像去噪方法 | |
| CN107644401A (zh) | 基于深度神经网络的乘性噪声去除方法 | |
| KR20170058277A (ko) | 잡음 있는 이미지들을 업스케일링하기 위한 방법, 및 잡음 있는 이미지들을 업스케일링하기 위한 장치 | |
| CN111368710A (zh) | 一种联合深度学习的地震数据随机噪声压制方法 | |
| CN110490816B (zh) | 一种水下异构信息数据降噪方法 | |
| CN102945548A (zh) | 一种基于方向金字塔滤波的图像处理方法及装置 | |
| CN112882115A (zh) | 基于gwo优化小波阈值的大地电磁信号去噪方法及系统 | |
| CN108230280A (zh) | 基于张量模型与压缩感知理论的图像斑点噪声去除方法 | |
| CN110830043A (zh) | 一种基于混合加权全变分和非局部低秩的图像压缩感知重构方法 | |
| CN113917540B (zh) | 基于稀疏约束的抗假频射线束进行地震数据去噪的方法 | |
| CN113204051B (zh) | 一种基于变分模态分解的低秩张量地震数据去噪方法 | |
| Liu et al. | SAR image specle reduction based on a generative adversarial network | |
| CN116091882B (zh) | 一种基于自适应双通道pcnn的偏振图像融合方法 | |
| CN110634112A (zh) | 一种双域分解的矿井下含噪声图像的增强方法 | |
| Balodi et al. | Comparison of despeckle filters for ultrasound images | |
| CN105096274A (zh) | 基于非下采样轮廓波域混合统计模型的红外图像降噪方法 | |
| Zhang et al. | An adaptive total variational despeckling model based on gray level indicator frame | |
| CN112731327A (zh) | 一种基于cn-lsgan、stft和cnn的hrrp雷达目标识别方法 | |
| CN110517196B (zh) | 一种sar图像降噪方法及系统 | |
| CN107315713B (zh) | 一种基于非局部相似性的一维信号去噪增强方法 | |
| CN109212590B (zh) | 一种保幅的逆时偏移低频噪音压制方法及系统 | |
| CN113012069B (zh) | 小波变换域下结合深度学习的光学遥感图像质量提升方法 | |
| Ga’fer et al. | Slantlet Transform based Video Denoising | |
| Nikitha et al. | Implementation of Hybrid Median Filtering using Modified Data Comparator | |
| CN117115452B (zh) | 可控的医学超声图像去噪方法、系统及计算机存储介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |