为了更好地突出红外与可见光融合图像中的目标信息，保留更多的纹理细节信息，提出了一种基于非下采样剪切波变换（ non-subsample shearlet transform，NSST）域结合脉冲发放皮层模型（ spiking cortical model，SCM）与改进的模糊 C均值聚类（ fuzzy C-means clustering，FCM）的红外与可见光图像融合算法。首先，用改进的 FCM提取源红外图像中的红外目标信息；然后，将得到的红外图像与可见光图像的目标区域和背景区域进行 NSST分解，得到各自的高低频子带图像；接着，对得到的不同区域采用不同的融合策略，其中，对于高频背景区域采用 SCM模型与改进赋时矩阵进行融合；最后，使用 NSST逆变换，得到最终的融合图像。仿真实验证明，与其他方法相比，本文算法得到的融合图像在主观视觉上红外目标信息突出，纹理细节信息丰富，在客观评价上，其信息熵和边缘保留因子达到最优。

针对红外和可见光图像融合存在的轮廓信息不全、边缘及纹理细节信息缺失等问题, 提出一种改进简化脉冲耦合神经网络(Improved Simplified Pulse Coupled Neural Network, MSPCNN)和模糊 C-均值(Fuzzy C-mean, FCM)图像融合算法。首先, 将红外和可见光图像用非下采样剪切波算法(Non-Subsampled Shearlet Transform, NSST)分解为高低频子带; 然后对分解后的高频子带采用 MSPCNN融合, 用一种高斯分布权重矩阵进行处理, 增强细节信息和对比度; 接着, 将得到的低频子带图像使用 FCM聚类算法进行聚类中心提取, 设置聚类中心近似阈值简化过程, 实现背景分类提取; 最后利 NSST进行逆变换, 从而完成红外和可见光的图像融合过程。通过客观评价指标计算, 本文所提方法在平均梯度、标准差、平均相似度等参考指标上相对于其他同类型算法均有改善提高, 由于模型参数的简化, 算法运行速度相对于其他算法得到提升, 算法更适用于复杂场景。

针对高分遥感影像融合存在影像间相关性差、融合亮度差异明显的问题，提出了一种基于非下采样剪切波变换（NSST）的国产高分全色与多光谱遥感影像融合方法。选取高分一号、高分二号和高分七号遥感影像作为实验数据，通过强度-色调-饱和度（IHS）提取多光谱影像的亮度分量；利用NSST算法对亮度分量和全色影像提取高频和低频信息，并充分考虑高频和低频之间的关系，设计有效的影像融合策略；最终采用IHS和NSST得到融合影像。与Brovey、Gram-Schmidt（GS）、Hue-Saturation-Value（HSV）、Co-occurrence filtering（COF）等方法对比验证，通过主观和客观评价相结合的方式对融合影像进行综合评价，结果表明所提方法是一种可行的遥感影像融合方法。

针对当前基于显著性检测的红外与可见光图像融合方法存在目标不够突出、对比度低等问题, 本文提出了一种结合改进显著性检测与非下采样剪切波变换(non-subsampled shearlet transform, NSST)的融合方法。首先, 使用改进最大对称环绕(maximum symmetric surround, MSS)算法提取出红外图像的显著性图, 并进一步通过改进伽马校正进行增强, 同时应用同态滤波增强可见光图像。然后, 对红外图像与增强的可见光图像进行 NSST分解, 利用显著性图指导低频部分进行融合; 同时设定区域能量取大规则指导高频部分融合。最后, 通过 NSST逆变换重构融合图像。实验结果表明, 本文方法在平均梯度、信息熵、空间频率和标准差上远优于其他 7种融合方法, 可以有效突出红外目标, 提高融合图像的对比度和清晰度, 并保留可见光图像的丰富背景信息。

针对在图像融合中存在边缘细节保留不够理想的问题,提出一种基于非下采样剪切波变换(NSST)与卷积神经网络图像融合框架(IFCNN)的红外可见光图像融合算法。首先将红外和可见光图像进行NSST分解。然后为了使低频子带图像更好地突出轮廓信息,使用相似性匹配的融合规则对图像进行融合;对高频子带图像使用IFCNN提取特征层,特征层通过L₂正则化、卷积运算和最大选择策略处理可以得到最大权重图,根据最大权重图来确定高频融合规则。最后使用NSST逆变换得到最终的融合图像。实验结果表明,所提算法很好地保留图像的边缘及纹理等细节信息,减少伪影和噪声,具有良好的视觉效果。

针对浮选加药状态在线检测困难、识别效率低和主观性强等问题,提出了一种基于多尺度卷积神经网络(CNN)特征及行列自编码核极限学习机(RAE-KELM)的浮选加药状态识别方法。首先,对浮选泡沫图像进行非下采样Shearlet多尺度分解,用CNN提取每个尺度图像的深度特征并进行多尺度特征融合;然后,构建RAE-KELM,将用量子计算改进的细菌觅食算法用于RAE-KELM的参数优化;最后,通过自建数据集训练得到最优的RAE-KELM模型,实现了浮选加药状态的自适应识别。实验结果表明,本方法的识别准确率可达到98.88%;且本方法减少了人工干预,有利于提高生产效率。

为了解决低照度图像的细节信息缺少和清晰度低的问题,在HSV(Hue, Saturation, Value)色彩空间中,采用非下采样剪切波变换(NSST)与Retinex理论的融合算法对低照度图像进行处理。首先对HSV空间的V分量进行分解,得到多个高通子带与一个低通子带,对高通子带采用改进的基于贝叶斯萎缩的自适应阈值算法完成去噪,对低通子带采用改进的自适应局部色调映射算法提高对比度,然后对两个子带进行NSST逆变换以得到新的V分量并对其进行白平衡处理,最后将处理后的图像反转到RGB(Red,Green,Blue)空间中得到结果图像。实验结果表明,所提算法能够改善低照度图像的质量,提高清晰度与对比度。

针对目前指关节纹识别方法鲁棒性差的问题,提出了一种基于非下采样的Shearlet变换(NSST)和Tetrolet能量特征的指关节纹识别方法。首先,采用直方图均衡化调整图像的灰度,以减少光照分布不均对识别系统产生的影响。其次,利用NSST及其逆变换得到去噪后的重构图像,并对其进行Tetrolet变换,建立低频图像的能量曲面。最后,将不同图像的能量曲面作差,得到能量差曲面,进一步计算曲面的方差,并以此为依据对不同指关节纹图像进行分类识别。在HKPU-FKP、IIT Delhi-FK、和HKPU-CFK图库及其噪声图库的实验结果表明,本方法的正确识别率可达98.0392%,最短识别时间为0.0497 s,最低等误率为2.5646%。相比其他方法,本方法可以明显提高指关节纹识别系统的性能,具有可行性和有效性。