NSCT 保姆级教程—NSCT工具箱免费下载

最新推荐文章于 2024-04-03 11:13:28 发布

烟雨金城

最新推荐文章于 2024-04-03 11:13:28 发布

阅读量2.6k

点赞数 8

分类专栏：算法文章标签： python

本文链接：https://blog.csdn.net/weixin_44897776/article/details/119171323

版权

算法专栏收录该内容

4 篇文章 1 订阅

订阅专栏

NSCT

图像金字塔
方向滤波器
- Nonsubsampled方向滤波器（NSDFB）
NSCT工具箱

传统的小波变换各向同性,只具有有限个方向,且存在采样操作,缺乏平移不变性,不能很好地表示图像中的边缘方向等信息

2002年，MN Do和Martin Vetterli提出了一种“真正”的图像二维表示方法:Contourlet变换(轮廓波变换),也称塔型方向滤波器组(Pyramidal Directional Filter Bank, PDFB).Contourlet变换是利用拉普拉斯塔形分解(LP)和方向滤波器组(DFB)实现的另一种多分辨的、局域的、方向的图像表示方法.值得注意的是,由于多尺度分解的不完全性,低频部分仍旧会保留图像的部分细节信息,这种现象在分解层数较少时尤为突出.

Nonsubsampled Contourlet变换算法介绍：
对信号的稀疏表示是许多信号处理及应用的基础，2004年Minh N Do、Martin Vetterli提出了一种能够较好表示二维信号的数学工具–Contourlet变换。Contourlet是用金字塔方向滤波器组（PDFB）来将图像分解成不同尺度下的方向子带的。根据PDFB的结构，PDFB是一个拉普拉斯金字塔滤波器Laplacian Pyramid （LP）和一个方向滤波器组的叠加。实验证明，Contourlet变换在图像降噪，纹理，形状的特征提取方面的性能比2-D离散小波变换有了明显的提高。

为了获得平移不变性，本章所用的Nonsubsampled Contourlet变换（NSCT）是基于Nonsubsampled金字塔(NSP)和Nonsubsampled方向滤波器(NSDFB)的一种变换。首先由NSP对输入图像进行塔形分解，分解为高通和低通两个部分，然后由NSDFB将高频子带分解为多个方向子带，低频部分继续进行如上分解。NSCT是一种新型平移不变，多尺度，多方向性的快速变换。

Nonsubsampled Pyramid（NSP）：
Nonsubsampled Pyramid（NSP）和Contourlet的Laplacian Pyramid(LP)多尺度分析特性不同。图像通过Nonsubsampled Pyramid（NSP）进行多尺度分解，NSP去除了下采样，减少了采样在滤波器中的失真，获得了平移不变性。NSP为具有平移不变性滤波结构的NSCT多尺度分析，可以得到与LP分解一样的多尺度分析特性。图2.4(a)处分为3个尺度。
Nonsubsampled方向滤波器（NSDFB）
Nonsubsampled方向滤波器(NSDFB)是一个双通道的滤波器，将分布在同方向的奇异点合成NSCT的系数。方向滤波器（DFB）是Bamberger and Smith提出的。其通过一个l层的树状结构的分解，有效的将信号分成了个子带，其频带分割成为锲形。Nonsubsampled DFB（NSDFB）为非采样，减少了采样在滤波器中的失真，获得了平移不变性。并且每个尺度下的方向子图的的大小都和原图同样大小，Contourlet变换为所有子带之和等于原图。NSCT有更多的细节得以保留，变换系数是冗余的。图2.4（b）为三个尺度下对图像频域的分割图，其中每个尺度的方向子带数目以2倍递增，以在1，2，3尺度下的方向子带数目分别为2，4，8个。

转载：
https://blog.csdn.net/Chaolei3/article/details/88666487

图像金字塔

高斯金字塔(Gaussianpyramid): 用来向下采样，主要的图像金字塔
拉普拉斯金字塔(Laplacianpyramid): 用来从金字塔低层图像重建上层未采样图像，在数字图像处理中也即是预测残差，可以对图像进行最大程度的还原，配合高斯金字塔一起使用。

参考
图像金字塔，就是由原图像产生的一系列图像，尺寸可以比原图像大，也可以比原图像小，然后按尺寸大小从下到上一层一层堆叠，像个金字塔一样，层数越高，尺寸越小。相邻两层尺寸大小一般是2倍关系。

在这里插入图片描述

高斯金字塔实现下采样

高斯金字塔模仿的是图像的不同的尺度，尺度应该怎样理解？对于一副图像，你近距离观察图像，与你在一米之外观察，看到的图像效果是不同的，前者比较清晰，后者比较模糊，前者比较大，后者比较小，通过前者能看到图像的一些细节信息，通过后者能看到图像的一些轮廓的信息，这就是图像的尺度。
在这里插入图片描述

实现：

将原始图像当作金子塔的最底层；然后进行按图像长宽各减少二分之一进行下采样（下采样就是由高分辨率变成低分辨率）。操作一次一个 MxN 的图像就变成了一个 M/2xN/2 的图像。所以这幅图像的面积就变为原来图像面积的四分之一。
从第i层（低层）得到第i计1层（高层）的步骤：（从下往上数）
1.第i层的图像与高斯核做卷积（即掩码操作）
2.卷积后得到的图像去除偶数行和偶数列即得到第i+1层
下面展示一些 内联代码片。

cv2.pyrDown()
cv2.pyrDown() 从一个高分辨率大尺寸的图像向上构建一个金字塔（尺寸变小，分辨率降低）

cv2.pyrDown(src, dst=None, dstsize=None, borderType=None)

import cv2
img = cv2.imread("1.jpg")#1920*1080
img1 = cv2.pyrDown(img, dstsize=(960, 540))
img2 = cv2.pyrDown(img1, dstsize=(480, 270))
img3 = cv2.pyrDown(img2, dstsize=(240, 135))
cv2.imshow("img1", img1)
cv2.imshow("img2", img2)
cv2.imshow("img3", img3)
cv2.waitKey()

在这里插入图片描述

拉普拉斯金字塔

参考视频
在这里插入图片描述

在这里插入图片描述
$L_{i}=G_{i}-PyrUP(PurDown(G_{i})$
G为原始图像
L为拉普拉斯金字塔图像

拉普拉斯金子塔可以理解残差金子塔，它是用来存储下采样后的图像于原始图像的差异的。假如原始图像为 G0,金字塔中任意一层图像为 Gi，下采样后得到 Gi+1 = Down(Gi), 由于图像下采样之后尺寸发生了变化，若将下采样后的图进行上采用得到 Up(Down(Gi)), 但是下采样后的变化是不可逆的即不可能恢复成原始图像。因此，有部分信息丢失不能完全恢复成原始图像。拉普拉斯金字塔就是记录金字塔每一层下采样后再上采样回来与该层之间的差异的。

cv2.pyrUp()
函数 cv2.pyrUp() 从一个低分辨率小尺寸的图像向下构建一个金子塔（尺寸变大，但分辨率不会)

import cv2
o=cv2.imread("1.jpg")
od=cv2.pyrDown(o)
odu=cv2.pyrUp(od)
lapPyr=o-odu

o1=od
o1d=cv2.pyrDown(o1)
o1du=cv2.pyrUp(o1d)
lapPyr1=o1-o1du

o2=o1d
o2d=cv2.pyrDown(o2)
o2du=cv2.pyrUp(o2d)
lapPyr2=o2-o2du

cv2.imshow("lapPyr",lapPyr)
cv2.imshow("lapPry1",lapPyr1)
cv2.imshow("lapPry2",lapPyr2)
cv2.waitKey()
cv2.destroyAllWindows()

在这里插入图片描述

Nonsubsampled Pyramid（NSP）金字塔：

Nonsubsampled Pyramid（NSP）和Contourlet的Laplacian Pyramid(LP)多尺度分析特性不同。图像通过Nonsubsampled Pyramid（NSP）进行多尺度分解，与LP相比NSP没有进行下采样（所以又叫非下采样金字塔滤波器组），减少了采样在滤波器中的失真，获得了平移不变性。

非下采样金字塔与拉普拉斯金字塔相类似，都是实现对图像的多尺度分解。假设 J 为频域分解的级数，则经过 NSPFB 变换后也是得到 J+1个图像。其中一个是低频图像，其余均为高频细节图像。与拉普拉斯金字塔不同的是： NSPFB 的双通道滤波没有采用下采样处理滤出的图像，而是对双通道滤波器[43]进行了上采样，即在相邻滤波器间插入零的操作，这样就保证了该步骤中的平移不变特性，也不需要设计其他的滤波器。

非下采样金字塔分解采用双通道的非下采样滤波器组结构来实现。其结构如下所示，其中 $H_{0} ( z )$ 低通分解滤波器, $H_{1} ( z )$ 表示高通分解滤波器； $G_{0} ( z )$ 表示低通重构滤波器。 $G_{1} ( z )$ 表示高通重构滤波器。
在这里插入图片描述
参考：
通过此操作，可以使滤波器具有平移不变性，改进了 Contourlet 变换的不足。其中非下采样金字塔滤波器组依旧可以对图像进行多尺度分解变换

方向滤波器

参考论文：基于 Contourlet 变换的图像降噪算法研究张昊慧西南科技大学
在 1992 年由 Bamberger 和 Smith 提出了方向滤波器组。能够在做到最大抽样的同时，还可以完全重构。方向滤波器组是将拉普拉斯金字塔滤波器组分解出来的带通信号分解到不同方向，以获取多方向的细节信息。而这种多方向是通过对信号的频率划分来实现的。K 级方向滤波器组可以将带通信号分解成k2 个频率子带。其二级和三级频率分解如图所示。

在这里插入图片描述
方向滤波器组 是M.N.Do 和 Vetterli 经过改进的基于梅花滤波器组的二维方向滤波器 (2DFB)

首先DFB 就是通过梅花滤波器 对图像的频率 进行水平和垂直方向的分解，再利用重采样矩阵对图像进行多角度的分割，最终实现对图像的多方向分解。下图给出了 DFB 利用 2 级分解实现对图像 4 个方向的频谱划分

在这里插入图片描述

输入信号 x 分别经过H0和H1 滤波，再经过下采样处理得到分解信号Y0 和Y1，将分解信号经过上采样处理并分别通过滤波器G0 和G1 合成后可以获得重构信号。 将H0 和H1 称为分解滤波器，G0 和G1 称为合成滤波器

其次是对图像进行旋转平移，以获取图像不同方向的信息。
在这里插入图片描述

综上所述， DFB 就是通过梅花滤波器对图像的 频率进行水平和垂直方向的分解，再利用重采样矩阵对图像进行多角度的分割，最终实现对图像的多方向分解 。下图给出了 DFB 利用 2 级分解实现对图像 4 个方向的频谱划分。
在这里插入图片描述
第一级经过梅花滤波器，将图像的频谱分解为垂直和水平两个方向，也就是在图 3-9(a)中 0，1 标注的方向。然后经过采样矩阵作用，使图像旋转045 。经过第二级梅花滤波器，只有黑色相重叠部分的频率分布才能通过。从图 3-9 (a)和图 3-9(b)可以看出，两幅图中黑色带通区域只有一半是重合的。就是利用这一半的重合区域选择出图像不同方向的子带。图 3-9(a) 经过第二级图 3-9(b)的输出，就提取出图3-9©方向子带 0。类似的可以提取出图 3-9©中方向子带 l， 2， 3。三级以上的频谱分割更为复杂
在这里插入图片描述

DFB 虽然可以通过梅花滤波器和重采样对图像进行多方向的频谱划分，但其本身并不适合处理低频图像 。因为方向滤波器会将图像的低频分量泄露在几个方向性子带中。所以，在使用方向滤波器之前应将低频部分滤掉。另外，方向滤波器本身并不能“ 稀疏 ”地表示图像。这也是为什么 Contourlet 变换是由拉普拉斯塔式滤波器和方向滤波器共同构成的原因。 Contourlet 变换对图像分解结构流程图如图3-10。
在这里插入图片描述

Nonsubsampled方向滤波器（NSDFB）

Nonsubsampled方向滤波器(NSDFB)是一个双通道的滤波器，将分布在同方向的奇异点合成NSCT的系数。方向滤波器（DFB）是Bamberger and Smith提出的。其通过一个l层的树状结构的分解，有效的将信号分成了个子带，其频带分割成为锲形。Nonsubsampled DFB（NSDFB）为非下采样，减少了采样在滤波器中的失真，获得了平移不变性。并且每个尺度下的方向子图的的大小都和原图同样大小。

非下采样方向滤波器组就是将 NSPFB 分解在相同尺度和相同方向上的奇异点进行合并，构成一个系数，完成了 NSCT 对图像的分解。非下采样方向滤波器组的构造过程与非下采样金字塔滤波器组的构造理论相同，也是将 Contoulet 变换中方向滤波器组进行了改进，取消了下采样过程，因其破坏了原有图像的连续性，使其丧失了平移不变性，保留了上采样和重采样步骤。

在这里插入图片描述

NSCT工具箱

链接：https://pan.baidu.com/s/1-mmTCtln1NWhdF_V-63YtA
提取码：dyxn

烟雨金城

关注

8
点赞
踩
35

收藏

觉得还不错? 一键收藏
打赏
0
评论
NSCT 保姆级教程—NSCT工具箱免费下载

这NSCT一级目录二级目录三级目录传统的小波变换各向同性,只具有有限个方向,且存在采样操作,缺乏平移不变性,不能很好地表示图像中的边缘方向等信息2002年，MN Do和Martin Vetterli提出了一种“真正”的图像二维表示方法:Contourlet变换(轮廓波变换),也称塔型方向滤波器组(Pyramidal Directional Filter Bank, PDFB).Contourlet变换是利用拉普拉斯塔形分解(LP)和方向滤波器组(DFB)实现的另一种多分辨的、局域的、方向的图像表示方法.
复制链接

扫一扫