非下采样Contourlet变换(Nonsubsampled contourlet transform,NSCT)

类似小波变换，都是将源图像变换后对系数进行一些处理，再逆变换回目标图像。

非下采样Contourlet变换(Nonsubsampled contourlet transform,NSCT)采用非抽样金字塔结构和非抽样方向滤波器组构成,具有Contourlet变换所不具备的平移不变性、较高冗余度等优良特性,而且能够克服伪吉布斯现象。图像经过非下采样Contourlet变换后分解成多尺度、多方向的细节信息,这些细节信息代表了图像不同频带不同方向的特征,这就简化了系数之间的关系。

学习论文1：

结合NSCT与插值的图像超分辨率重建 - 道客巴巴 http://www.doc88.com/p-5496418928888.html

学习论文2：

基于学习的NSCT 的指纹图像超分辨率重建.

 学习论文3：

一种新的NSCT超分辨率图像复原技术.pdf https://max.book118.com/html/2015/0909/25034669.shtm

学习论文4：

结合多特征的单幅图像超分辨率重建算法 - 哈尔滨工业大学科研学术 - Free考研 http://school.freekaoyan.com/heilongjiang/hit/keyan/2019/10-24/157190709570584.shtml

为提高直接捕获的图像质量，针对梯度特征只能提取水平、垂直方向信息及非下采样轮廓波变换(NSCT)提取细节信息不足的缺陷，提出一种结合Gabor变换及NSCT的超分辨率重建算法.该算法充分利用Gabor变换和NSCT的互补性，针对输入图像块的特点，采用Gabor变换来提取纹理特征，NSCT来提取轮廓特征，然后分别利用稀疏模型进行重建，最后合并成一幅高分辨率图像.由于输入图像或多或少存在模糊，在重建过程中，加入了去模糊的正则项，以消除输入模糊的影响.实验结果表明，结合两种特征的超分辨率效果与单一特征相比，能够恢复更多的细节信息，去模糊正则项也有一定的作用.本文方法与Kim提出的核岭回归及Yang提出的稀疏表示算法(SCSR)相比，主观上视觉效果更加清晰，客观上PSNR值平均提高了近2dB，说明了该算法能够有效地提高图像的质量。

方差分类：对于平坦块，重点复原纹理信息，利用Gabor滤波器提取小块的纹理特征；而对于非平坦块，重点恢复其轮廓信息，利用NSCT提取小块的轮廓特征。

NSCT不仅具有良好的多方向性和多尺度性，还具有平移不变性，能够有效地提取图像的轮廓特征. NSCT由非下采样金字塔(NSP)分解和非下采样方向滤波器组(NSDFB)分解组成。

以两层NSP分解和两层NSDFB分解为例，阐述图像分解过程.图像首先经NSP分解得到一个高频子带和一个低频子带，然后采用NSDFB对高频子带进行方向分解，若方向分解系数为m，则得到2m个高频子带.而下一次NSP分解再对上一层NSP分解得到的低频图像进行分解，因此经过两层NSP分解和两层NSDFB分解，可以得到1个低频子带和8个高频子带.相比较梯度特征，NSCT可以得到更多尺度与方向的信息，对图像的描述能力更强。

NSCT,非下采样Contourlet变换——学习笔记

原文：https://www.cnblogs.com/wxl845235800/p/12178756.html