精华内容
下载资源
问答
  • 非下采样剪切波变换(NSST)是对剪切波(shearlet)变换的改进,在继承剪切波(shearlet)变换优点的同时,避免了伪吉布斯现象的出现,相比于小波变换、曲边变换等操作效率高、复杂度低。该源代码中包含测试实例和...
  • NSST非下采样剪切波变换工具箱,可用于红外与可见光图像分解融合等领域
  • 非下采样剪切波变换源代码,进行图像滤波,图像分割,图像融合,包含多个matlab代码的滤波例子。NSST非下采样剪切波变化工具箱,里边程序很全,有范例,值得拥有。
  • 基于非下采样剪切波变换的医学图像边缘融合算法研究
  • 根据非下采样剪切波变换(non-subsample shearlet transform,NSST)在图像融合领域的优势和多聚焦图像的成像特点,将NSST运用于多聚焦图像融合。在NSST变换域中,利用方向信息测度能够突出图像边缘纹理特征以及降低图像...
  • 在一篇论文中提到的“一种深度学习结合非下采样剪切波变换 (NSST) 的遥感图像融合算法”中非下采样剪切波变换 (NSST)什么意思?
  • 然后,将非下采样剪切波变换与改进的双边滤波结合,提出了一种基于改进的双边滤波与非下采样剪切波变换的图像去噪方法。将该算法与传统的双边滤波去噪方法进行对比,试验结果表明,所提的算法很好地保护了图像的边缘...

    图像去噪一直是数字图像处理领域研究的热点之一。近年来,针对小波变换的不足,提出了一种基于变换域的多尺度几何理论分析——剪切波变换。几何剪切波变换的特点,提出了一种基于非下采样剪切波变换的图像阈值去噪方法。然后,将非下采样剪切波变换与改进的双边滤波结合,提出了一种基于改进的双边滤波与非下采样剪切波变换的图像去噪方法。将该算法与传统的双边滤波去噪方法进行对比,试验结果表明,所提的算法很好地保护了图像的边缘信息和细节信息,提高了峰值信噪比;非下采样剪切波变换,明显减少了均方误差,去噪效果更佳。
    数字图像去噪的方法大体上可以分为变换域和空间域两类。
    不过,目前没有任何一种图像去噪方法适用于全部情形下的任何噪声。一般情况下,针对不同情形的含噪图像往往采用不同的去噪方法。
    剪切波变换由于具备良好的各向异性、多分辨率、多尺度、多方向性以及较良好的局部特性,使其可以很好地检测和定位所有的零维奇异性(即点状奇异性),且可以稀疏地表示一维奇异性(即线装奇异性),自适应地追踪奇异曲线的方向,获取图像的最稀疏表示。
    剪切波变换是通过对一个基函数进行缩放、平移和剪切等仿射变换来构造具有不同特性的函数,可以很好地表示二维甚至高维空间上曲线的特性,极大地弥补了小波变换的不足。剪切波变换最重要的特性之一是为卡通类函数提供了最优的稀疏近似。
    :文章选自《基于改进的双边滤波与非下采样剪切波变换的图像去噪》荆方等

    展开全文
  • 针对经典弹性配准方法在医学图像应用上计算复杂、方向信息不足的问题进行了研究,提出一种基于非下采样剪切波变换(NSSTR)的医学图像配准方法。利用剪切波能够对各个尺度、方向和位置实现较好定位的优势,先用该...
  • 针对融合后的医学图像时常存在细节纹理不够清晰的问题,本文提出一种新的基于非下采样剪切波变换(Non-Subsampled Shearlet Transform,NSST)的医学图像融合算法,对多模态医学影像进行融合,增强细节结构提取的...
  • 具体内容主要包括NSST中matlab版本的所有函数,里边函数可以被调用,可用于图像分割和图像融合等相关功能实现。
  • NSST变换,可用于图像融合,分割等方面
  • 利用非下采样剪切波变换对源图像进行多尺度、多方向分解,低频子带图像采用结构相似度与空间频率两种图像评价参数作为系数权值,高频子带图像应用绝对值与邻域平均能量一致性选择的融合策略。应用非下采样剪切波逆...
  • 为了更好地提取人脸识别特征,提出了非下采样剪切波融合TPCA的人脸特征提取算法,该算法先对源图像进行非下采样剪切波变换得到4个子代图像,再对子代图像进行TPCA特征提取得到特征集,实现人脸的高效识别。...
  • 针对数字水印算法不可见性与鲁棒性的不可协调性,提出一种结合奇异值分解的非下采样剪切波数字水印算法,用于图像版权保护。该算法利用剪切波多尺度、多方向分解特性,并应用奇异值分解把水印嵌入在能量最强的方向子...
  • 剪切波变换python实现代码,包含2D及3D图片的,还有对应的反变换代码 代码工程的github地址是https://github.com/grlee77/PyShearlets
  • 【题目】剪切波的一些知识(附python及matlab实现剪切波变换的代码)   概述  本文是阅读论文《基于剪切波变换的人脸表情识别》后,对于其中有关剪切波内容的一些笔记。  剪切波是一种多尺度几何分析工具,...

    【时间】2018.10.18

    【题目】剪切波的一些知识(附python及matlab实现剪切波变换的代码)

     

    概述

        本文是阅读论文《基于剪切波变换的人脸表情识别》后,对于其中有关剪切波内容的一些笔记。

        剪切波是一种多尺度几何分析工具,可以看做是对小波变换的一种改进。小波因其多分辨率特性而成为表情识别的有效算法之一。但众所周知的是,小波变换具有有限的方向选择性和基函数各向同性。剪切波是2006年提出的一种新的多尺度几何方法,在图像处理领域已经得到了广泛应用。

    【附】GitHub中剪切波变换的python实现代码--https://github.com/grlee77/PyShearlets

                 matlab实现代码---百度云 链接:https://pan.baidu.com/s/1LbB8nanqW-MBOxajOf4XvA

                 提取码:1rvw

    1.1  剪切波的定义及离散算法

          Shearlet【48】是一类新的多尺度几何分析方法,该方法通过对基本函数的缩放、剪切和平移等仿射变换来构造,体现了函数的几何和数学特性,如近几年来许多领域的研究学者所强调的函数的方向性、尺度和振荡等。Shearlet 可以和多分辨率分析关联起来,这样就可以获得像小波-样的迭代算法,并推广到经典的级联算法(49。因此Shearlet变换作为一种新型的多尺度几何分析工具为图像处理领域的研究人员所广泛接受。

     

     1.1.1  Shear let变换的定义和性质

       连续剪切波变换解决了波前集问题,其平移参数可检测到所有奇异点的位置,而剪切参数则可显示出奇异曲线的方向。

     

    1.1.2.ShearIet变换的离散化

     

     

    1.2离散可分离剪切波变换及其数值计算

    1.2.1 离散可分离剪切波变换(DSST)

        Wang.Q Lim[481在2010年提出了离散可分离剪切波变换(Discrete Shearlet Transform,DSST).

        离散可分离剪切波变换(DSST)的计算方法可通过如下步骤表示:

     

    1.3图像的剪切波分解

              离散剪切变换通过剪切矩阵将原始图像映射到不同的方向上。方向性的实现通常有两种方法:旋转和剪切。在某种意义上,旋转是一个非常方便的工具,它保留了重要的几何信息,如长度、角度和并行性。然而,这种方法不保留整数格,对于数字化有一定的困难。与此相反,剪切矩阵最不但能够提供方向性,当剪切参数k是整数时,还保留了整数格。图2.4显示了一副标准图像“zoneplate"(256X256)经过剪切变换后的结果,有L=6个方向。

         在图2.4中,上行为在水平锥cn内的三个方向,下行为在垂直锥cl内的三个方向。输入原始图像尺寸为256×256,由图可知剪切变换后各个方向分量尺寸仍为256×256。由图2.4可以看出,剪切波具有很强的方向敏感性。

        各向异性小波变换将图像分解为低频子带和高频子带。在各向异性小波变换中,沿水平和垂直方向的变换个数是不相等的,也就是说在同一尺度上,沿水平方向上的变换,l-和垂直方向上的变换%并不需要相等【49】。

      将剪切变换得到的各方向子带进行各向异性离散小波变换完成多分辨率分解,即实现剪切波变换。图2.6显示了标准图像“zoneplate’’经过三尺度6方向剪切波变换后的剪切波系数。

                     

    1.4 ShearIet域的图像特征分析

    1.4.1 图像在Shear Iet域的能量分布

         图像经过某种离散变换后的能量分布体现了图像的变换特征,从无失真压缩的角度考虑,变换的目的是希望图像经离散变换后能量尽可能的集中在少量的几个系数中,即具有能量聚集性,由此可得到较高的压缩比。图像经过Shearlet变换后,能量的分布会随着变换尺度n的变化呈现出一定的规律。本节通过仿真分析了图像在Shearlet域的能量分布。为了体现结论的普遍性,仿真图像选用标准“lena’’(512X512)灰度图像,如图(2.7)所示,并给出了其在Shearlet域能量峰值最分解尺度变化的曲线。图2.8(a)--2.8(e)给出了“lena’’图像在分解尺度n=l,3,5,7,9时的Shearlet系数的能量分布。

     

    从图2.8(a)~(e)可以清楚的看出:对于的图像,对其进行11尺度二维离散Shearlet变换时,能量主要集中在的区

    域内,即低频分量部分;随着分解尺度的增大,图像在Shearlet域的能量分布趋于二维坐标平面的原点。此对于的图像,Shearlet变换的系数为

    ,定义能量比p为:

     

      图2.9分别给出了“lena”图像的Shearlet域能量比值P随尺度变化的过程。由图2.9可以看出,随着分解尺度的增大,低频区域包含的总能量却在慢慢减少,尽管如此,在六尺度Shearlet分解时,Shearlet域的能量在此区域内的聚焦度依然达到了90%以上。由以上分析可知,图像的Shearlet变换具有良好的聚焦性。所以当我们利用Shearlct变换提取表情特征时,低频分量应该作为识别的重要特征。

     

    1.4.2图像在ShearIet域的低频与高频特征

         

    (1)由图2.10(a)~图2.14(a)可以看出,Shearlet变换后的低频分量主要体现了图像的轮廓信息。在表情识别中,体现的主要是表情的概貌。当分解尺度由小变大时,低频分量含有的信息越来越少,仅由低频部分重构的图像越来越模糊。当分解尺度较少时,相当于经历了截止频率较高的低通滤波器,高频成分浮现出来,还能清晰的看到图像的边缘,如图2.10(a)所示。分解尺度较大时,相当于截止频率较低的低通滤波器,如图2.14(a)所示。

    (2)由图2.10(b)~图2.14(b)可以看出,由高频部分重构的图像可以很明显的观察到“lena"的边缘信息。图像的边缘和纹理信息主要包含在含有高频部分的信息中,随着分解尺度的增大,边缘和纹理信息越来越明显,而在表情识别中,人脸面部的边缘和纹理信息在识别过程中发挥着重要的作用。当对图像进行完全分解时,对应于截止频率非常低的高通滤波器,只有小部分低频分量被滤除出,仅由高频信息重构的图像接近原图像,如图2.14(b)所示。

    (3)当分解尺度适中时,由低频和高频所重构的图像均既包含了原图像的轮廓信息,也包含了原图像的边缘信息,如图2.1l(a)和2.12(b)所示,这对于表情识别是非常重要的。

     

    1.4.3图像在ShearIet域的各尺度高频特征

        高频部分主要体现了图像的边缘和纹理信息,那么对于刀尺度Shearlet变换来说,研究各尺度高频分量之间的有何区别,又有何相关的性质的有必要的。对图像进行完全分解,分别使用各尺度高频系数做二维离散Shearlet反变换,得到分别由各尺度高频Shearlet系数重构出的图像。

        选用“lena’’(512X512)图像进行仿真,在完全分解尺度,脚下的仿真结果如图2.15(a)~(i)所示,方向数目均为6。

       

         

      

     

        由图2.15(a)~(i)可以看出,随着尺度的逐渐增大,图像在Shearlct域的各尺度高频信息经过逆变换所得到的图像的边缘经历了一个由模糊到清晰再到模糊的过程,图2.15(b)~(d)重构边缘效果比较好,而且在图2.15(g)一(i)中,边缘信息越来越模糊。因此在本文的识别系统中,并不将表情图像的Shearlet系数全部用做特征,而考虑将低频分量与某一尺度体现边缘效果好的高频分量融合作为表情特征进行提取。

     

    展开全文
  • 根据多聚焦图像的成像特点,并利用非下采样剪切波变换(non-subsample shearlet transform,NSST)在图像融合领域的优势,将非下采样剪切波变换运用于多聚焦图像融合.由于NSST会将图像分解为一幅低频图像和若干幅高频图像...
  • 针对合成孔径雷达(SAR) 图像和可见光图像融合问题, 提出一种基于非下采样剪切波变换域的隐马尔可夫树模型的图像融合方法(NHMM), 图像经过非下采样剪切波变换(NSST) 分解形成一个低频子带和多个高频子带.在NSST 域中,...
  • 提出一种基于无下采样Contourlet变换(NSCT)和人眼视觉系统(HVS)的自适应稳健盲数字水印方案,该方案在NSCT域中对人类视觉系统的特性进行建模,利用人眼的视觉掩盖机制自适应嵌入水印序列。实验结果表明,该数字水印方案...
  • 轮廓相关比较新颖,相关方面的资源比较少
  • 基于非采样Contourlet变换的图像融合_杨粤涛.caj
  • 非下采样剪切波变换 NSST的离散化过程主要分为两步:多尺度分解和方向局部化。多尺度分解是通过非下采样金字塔滤波器组实现的,图像经级非下采样金字塔滤波器分解得到1个低频和个高频子带图像,而且每个子带图像均与...
  • 分析了图像经非下采样剪切波变换(NSST)后高频系数间的关联性与差异性,构造了高频系数方向性基本一致的NSSCT变换,保留了融合图像的高频系数细节,并提升了对比度。基于图像的低频特点,采用显著性增强方法对低频...
  • 针对多聚焦图像和多模态医学图像的成像特性,结合剪切波变换可以捕捉图像更多的方向和其他几何信息的特点,提出一种利用非下采样剪切波变换的压缩感知与区域特性相结合的图像融合方法。利用非下采样剪切波变换将源...
  • 该算法在非下采样剪切波变换域,利用最优线性插值阈值函数改进正态逆高斯模型作为系数分布模型,对高频子带分解系数进行统计建模,以贝叶斯最大后验概率理论实现图像去噪。实验结果表明,对于添加不同标准差的高斯白...
  • NSST toolbox.zip

    2020-06-12 09:37:11
    这是NSST非下采样剪切波变换的源码。下载解压后直接运行。
  • 根据多聚焦图像的成像特点,并利用非下采样剪切波变换(non-subsample shearlet transform,NSST)在图像融合领域的优势,将非下采样剪切波变换运用于多聚焦图像融合....

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 901
精华内容 360
关键字:

非下采样剪切波变换