在散斑去噪过程中保持图像边缘纹理特征,是光学相干层析图像处理技术的难题。散斑去噪过程中的散斑残留和边缘纹理模糊是该难题的主要诱导因素。为解决这一难题,提出一种基于剪切波变换的改进全变分散斑去噪方法。该方法结合剪切波变换和传统全变分模型,对不同图像区域采用针对性的去噪策略,兼顾散斑去噪与纹理保留,提高了光学相干层析图像的噪声抑制效果。对不同生理、病理状态下的视网膜光学相干层析图像进行测试,结果表明:该方法通过采用区域针对性策略改进了噪声抑制能力,通过引入剪切波变换方法提高了边缘纹理保持能力,进而同时实现散斑去除和纹理保留。此外,与其他散斑去噪方法进行对比,验证了该方法的有效性。

针对融合后的医学图像时常存在细节纹理不够清晰的问题，本文提出一种新的基于非下采样剪切波变换（Non-Subsampled Shearlet Transform，NSST）的医学图像融合算法，对多模态医学影像进行融合，增强细节结构提取的能力，提高图像融合质量，为医疗诊断提供依据.首先，将已配准的源图像进行NSST分解，得到低频子带和一系列高频子带；其次，对于低频子带系数，提出利用局域平均能量与局域标准差的合成值进行子带之间选择的融合策略，有利于完整保存基础信息，对于高频子带系数，利用改进的拉普拉斯能量和（New Sum of Modified Laplacian，NSML）的方法进行融合；接着，将融合过后的低、高频子带进行NSST的逆过程变换，从而得到融合之后的图像；最后，在灰度和彩色医学多模态图像上进行大量的实验，并选择信息熵（IE），空间频率（SF），标准差（SD）和平均梯度（AG）对融合后的图像进行质量评价.仿真结果表明，本文算法在主观视觉效果以及客观评价指标上均取得较大改善.与其他算法相比，信息熵，标准差，空间频率和平均梯度的平均值分别提高了2.99%，4.06%，1.78%和1.37%，融合后的图像包含更丰富的细节纹理信息，视觉效果更好.

剪切波变换的工具包（Matlab版）

为了进一步提高捕获图像细节的能力,提高运算效率,提出一种改进型NSST变换,采用冗余提升不可分离小波替换经典NSST中的非下采样金字塔分解.针对改进型NSST分解得到的不同子带,对低频子 带选用区域能量和融合规则,高频子带选用简化型PCNN融合规则,提出基于改进型NSST的图像融合方法.实验结果表明,所提出的方法在主观视觉评价和客观指标评价中具有很大优势.

剪切波变换python实现代码，包含2D及3D图片的，还有对应的反变换代码 代码工程的github地址是https://github.com/grlee77/PyShearlets

剪切波变换的源代码，快速、可变波函数，简单的应用。

基于非下采样剪切波变换的医学图像边缘融合算法研究

非下采样剪切波变换源代码，进行图像滤波，图像分割，图像融合，包含多个matlab代码的滤波例子。NSST非下采样剪切波变化工具箱，里边程序很全，有范例，值得拥有。

具体内容主要包括NSST中matlab版本的所有函数，里边函数可以被调用，可用于图像分割和图像融合等相关功能实现。

非下采样剪切波变换（NSST）是对剪切波（shearlet）变换的改进，在继承剪切波（shearlet）变换优点的同时，避免了伪吉布斯现象的出现，相比于小波变换、曲边变换等操作效率高、复杂度低。该源代码中包含测试实例和代码注释。