非下采样Contourlet（NSCT）变换

顾名思义，NSCT变换核心是Contourlet，即关于边缘的变换。

所谓非下采样是基于频域的，根据个人理解，这就相当于，对某一图像而言，首先设定一个频率阈值，然后通过滤波器筛选出大于等于这个阈值频率的图像（当然这不是一次性得筛选过程，而是迭代使用非下采样二通道带通滤波器的过程），具体过程见下面的图1。

这时，如果对空域、频域、时域不太了解的话，就又是一团浆糊。关于这三个概念可以参照《图像处理与识别学习小结》《数字图像处理3--空间域，时域，频域的理解》两篇博文。

再说回NSCT变换，NSCT分解有利于更好的保持图像的边缘信息和轮廓结构，增强图像的平移不变性。其过程分为多尺度分解和方向滤波两个过程，两者相互独立。

NSCT的多尺度分解为非下采样塔形分解（说到“塔形”，拉普拉斯变换、小波变换、Contourlet变换都是典型的金字塔变换），其方向滤波采用的是非下采样方向滤波组（NSDFB）。

在NSCT的分解重构过程中，都没有上采样、下采样过程，继承了传统CT对图像表示的多方向性和各向异性，且具有传统CT不具备的平移不变性。（对于“平移不变性”还不太理解）

非下采样金字塔变换（NSP）的分解过程不具有采样操作，其重构过程是分解过程的逆过程。

以上内容可参照博文《基于NSCT与模糊逻辑的图像融合方法》

时间： 2024-12-04 20:57:42

非下采样Contourlet（NSCT）变换的相关文章

图像上采样和图像下采样

#1. 图像下采样和上采样的概念#无论是图像的上采样还是下采样都可以使用matlab中的imresize函数来实现,而这些操作在使用到图像金字塔的算法中,必然是不可或缺的操作步骤.需要指出的是,当我们对一幅图像先下采样再上采样回原尺寸,得到的结果就是原图像的低频成分了.下面简要介绍2者的概念. 1.1 图像下采样图像下采样(subsampled)可以通俗地理解成缩小图像,又称为降采样(downsampled).其目的有两个:1)使得图像符合显示区域的大小:2)生成对应图像的缩略图.##1.2

VoxelGrid体素滤波器对点云进行下采样

使用体素化网格方法实现下采样,即减少点的数量,减少点云数据,并同时保持点云的形状特征,在提高配准.曲面重建.形状识别等算法速度中非常实用. PCL实现的VoxelGrid类通过输入的点云数据创建一个三维体素栅格(可把体素栅格想象为微小的空间三维立方体的集合),然后在每个体素(即,三维立方体)内,用体素中所有点的重心来近似显示体素中其他点,这样该体素就内所有点就用一个重心点最终表示,对于所有体素处理后得到过滤后的点云.这种方法比用体素中心来逼近的方法更慢,但它对于采样点对应曲面的表示更为准确. 所

批处理人脸检测区域的保存和下采样

花了一晚上时间,终于解决了检测到的人脸区域的保存和下采样,成果如下: 1.可以批处理一个文件夹下的所有图像: 2.利用opencv进行人脸的检测: 3.对检测到的人脸区域进行保存: 4.对人脸图像32*32的下采样保存. 源代码: #include "cv.h" #include "highgui.h" #include <stdio.h> using namespace cv; #include<iostream> #include<

狄拉克下采样

Dirac sampling.狄拉克下采样. <An edge-guided image interpolation algorithm via directional filtering and data fusion> The downsampling process considered in this paper, through which an LR image is generated from the corresponding HR image, is ideal Dirac

select下拉框左右变换

效果图: 使用jQuery插件---multiselect2side做法: 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 <!DOCTYPE html PUBLIC "-//W3C//DTD XHTML 1.0 Transitional//EN" "http://ww

上采样与下采样

#include <opencv2/opencv.hpp> #include <iostream> #include <math.h> using namespace cv; using namespace std; Mat src, dst,dst2; //膨胀腐蚀的应用:消除噪声 int main() { //原图 src = imread(".//pic//kate.png", IMREAD_UNCHANGED); char* INPUT_WI

JS 不声明第三个变量的情况下实现两数变换

1. 1 var a = 1; 2 var b = 2; 3 a = a + b; //3 4 b = a - b; //1 5 a = a - b; //2 6 console.log(a); 7 //2 8 console.log(b); 9 //1 2. var a = 1; var b = 2; a ^= b; b ^= a; a ^= b; console.log(a); //2 console.log(b); //1 console.log((a ^= b) === (a ^ b)

小波分析学习方法总结及学习资料汇总（原创，若转载请标明出处）

因工作需要对小波分析进行了简略地学习,重点研究平稳小波变换的信号奇异性检测. 由于之前对此领域毫无了解,学习的过程也是一个探索的过程,总结了一套“从零开始学小波分析”的方法.现记录如下,作为备忘及分享. 1. 首先对小波分析有一个大致的了解,建立感性认识.推荐“Wavelet Tutorial“,这个教程的特点是通俗易懂,形象且注重目的性,容易使读者快速对小波分析形成一个感性的认识. 英文网页版:http://users.rowan.edu/~polikar/WAVELETS/WTtutoria

纯干货：深度学习实现之空间变换网络-part2

https://www.jianshu.com/p/854d111670b6 纯干货:深度学习实现之空间变换网络-part1 在第一部分中,我们主要介绍了两个非常重要的概念:仿射变换和双线性插值,并了解到这两个概念对于理解空间变换网络(Spatial Transformer Networks)非常重要. 在这篇文章中,我们将详细介绍一篇空间变压器网络这一论文--Go ogle Deepmind的研究人员Max Jaderberg,Karen Simonyan,Andrew Zisserman和K