为了得到优质的融合图像,提出了一种改进的拉普拉斯能量和(New Sum of Modified Laplacian,NSML)多聚焦图像融合算法。该算法在传统SML计算每个像素点的变步长拉普拉斯算子值仅有的水平和垂直方向的基础上,增加了斜对角线上的四个方向...为了得到优质的融合图像,提出了一种改进的拉普拉斯能量和(New Sum of Modified Laplacian,NSML)多聚焦图像融合算法。该算法在传统SML计算每个像素点的变步长拉普拉斯算子值仅有的水平和垂直方向的基础上,增加了斜对角线上的四个方向。同时通过分析NSML算法的计算过程,发现存在大量的重复计算,从而提出了基于积分图像的快速NSML图像融合方法。该方法通过简化NSML的计算过程,大大减少了图像融合处理过程消耗的时间,提高了图像融合的效率。实验结果表明,快速NSML方法在达到极佳融合图像质量的同时,提升了算法的实时性。展开更多
针对传统的基于线性回归模型插值算法不能对变化剧烈的边缘进行有效插值的问题,该文提出一种基于正则化的边缘定向插值算法。算法主要分为两部分:参数估计部分与数据估计部分。在参数估计部分,为了更加准确地描述图像局部结构,把已估计...针对传统的基于线性回归模型插值算法不能对变化剧烈的边缘进行有效插值的问题,该文提出一种基于正则化的边缘定向插值算法。算法主要分为两部分:参数估计部分与数据估计部分。在参数估计部分,为了更加准确地描述图像局部结构,把已估计的高分辨率像素作为训练像素的一部分,用以进行回归模型参数的估计。在数据估计部分,引入像素平滑方向作为正则化项,以降低参数的误估计引起的数据估计偏差。实验结果表明,该算法能很好地保持图像的边缘特征,尤其在变化比较剧烈的边缘区域;与双三次插值算法及基于正则化的局部线性回归插值算法(Regularized Local Linear Regression,RLLR)相比,该算法能取得更好的视觉效果及较高的PSNR值。展开更多
文摘为了得到优质的融合图像,提出了一种改进的拉普拉斯能量和(New Sum of Modified Laplacian,NSML)多聚焦图像融合算法。该算法在传统SML计算每个像素点的变步长拉普拉斯算子值仅有的水平和垂直方向的基础上,增加了斜对角线上的四个方向。同时通过分析NSML算法的计算过程,发现存在大量的重复计算,从而提出了基于积分图像的快速NSML图像融合方法。该方法通过简化NSML的计算过程,大大减少了图像融合处理过程消耗的时间,提高了图像融合的效率。实验结果表明,快速NSML方法在达到极佳融合图像质量的同时,提升了算法的实时性。
文摘针对传统的基于线性回归模型插值算法不能对变化剧烈的边缘进行有效插值的问题,该文提出一种基于正则化的边缘定向插值算法。算法主要分为两部分:参数估计部分与数据估计部分。在参数估计部分,为了更加准确地描述图像局部结构,把已估计的高分辨率像素作为训练像素的一部分,用以进行回归模型参数的估计。在数据估计部分,引入像素平滑方向作为正则化项,以降低参数的误估计引起的数据估计偏差。实验结果表明,该算法能很好地保持图像的边缘特征,尤其在变化比较剧烈的边缘区域;与双三次插值算法及基于正则化的局部线性回归插值算法(Regularized Local Linear Regression,RLLR)相比,该算法能取得更好的视觉效果及较高的PSNR值。
