基于曲波变换和压缩感知的煤岩惰质组分类

鉴于煤岩惰质组显微组分结构复杂、有效特征量难以获取等问题,提出一种基于曲波变换和压缩感知的煤岩惰质组分类方法.首先对惰质组显微图像进行曲波变换,提取变换后各尺度层的系数特征,使其在基函数字典下有较好的稀疏表示;然后采用压缩感知的方法对曲波变换后的高频系数进行降维,将降维后的高频系数与保留的低频系数级联构成特征集;最后,以径向基函数为核函数构建支持向量机对惰质组中各显微组分进行分类.结果表明:曲波变换比小波变换能更有效地刻画惰质组各显微组分特征信息;采用压缩感知降维,在保留原始样本的重要特征信息的同时可以有效消除冗余,从而提高分类的准确率,其平均准确率可达97.51%.     

基于大气散射模型和曲波变换的交通图像增强研究

通过研究雾天彩色降质图像的特征,提出以大气散射模型为基础,采用基于曲波变换的消失点检测算法进行边缘稀疏化以提取角点,并根据计算的景点深度进行图像增强运算.选取5种图象锐化函数对实验结果进行评估,对比直方图均衡化图像增强法和多尺度Retinex图像增强法,显示出基于大气散射模型和曲波变换的方法在图像增强方面效果更佳.     

全变差曲波变换在医学影像图像去噪中的应用

针对曲波变换算法在医学影像图像去噪中会产生截断伪影和边缘模糊等问题,提出了一种全变差曲波变换算法.该算法首先对含噪医学影像图像分别进行曲波阈值和全变差去噪,然后将得到的去噪结果进行曲波逆变换并生成最终图像.仿真实验结果表明,该算法不仅可有效地降低噪声,还可较好地保持医学影像图像边缘和细节信息,其效果明显优于曲波变换算法和全变差算法.因此,该算法对医学影像图像的噪声滤除具有良好的应用价值.     

基于曲波系数局部统计特性的图像去噪算法

提出一种利用图像在曲波域上局部统计特性的自适应去噪方法.首先在最小线性均方差(LMMSE)准则下,推导出曲波系数在局部区域的恢复公式;为进一步精确估计理想曲波系数的局部方差,提出利用尺度空间和子带内的相关性,即利用粗尺度下小波系数的局部方差预测精细尺度下相应位置的曲波系数为噪声的概率,以及常规估计下的曲波系教的局部方差是否小于门限值判断其是否为噪声;然后以这些局域窗内非噪声成分系数估计理想曲波系数的方差.实验表明,本算法与传统算法相比,图像质量有进一步地改善,尤其是对细节丰富的图像表现更为突出.     

基于二代曲波变换和PCNN的高光谱图像融合

为了解决高光谱图像的高数据维给后续图像分析和处理带来的困难,提出了一种基于二代曲波变换和脉冲耦合神经网络(PCNN)的融合新算法.利用各波段数据间的局部相关性将整个数据空间划分为若干个相关性较强的独立子空间,在对子空间内的各波段光谱图像进行曲波多分辨率分解的基础上,分别依据各波段图像所含有的信息量对曲波粗尺度系数进行加权融合和利用PCNN的全局耦合特性与脉冲同步特性对细尺度系数进行智能选取,最后由曲波逆变换得到各子空间的融合图像.AVIRIS数据融合实验表明,该算法能有效地实现高光谱数据维数减少和特征提取,相比于提升小波融合算法、主成分变换算法和基于典型融合准则的曲波融合算法,其所提取的图像特征在高光谱异常检测时能得到更多的真实目标.     

一种基于小波变换的边缘检测方法

基于信号与噪声在不同尺度下小波变换系数摸不同的变化特征。提出了一种边缘检测方法。该方法通过对图像的小波变换域中由噪声引韦的小波变换系数摸进行处理,再利用小波变换系数模局部极大值来撮图像的边缘特征,实验结果说明这种特征提取方法可以有效地降低噪声,同时又较准确地提娶出图像的边缘。     

Directionlet域的多波段遥感图像融合算法研究

提出一种有效的基于Directionlet变换的多波段遥感图像融合算法。Directionlet变换是一种新的基于格子的歪斜多尺度多方向各向异性小波变换工具,具有更高的逼近精度和更好的稀疏表达能力的图像分解变换,与小波变换相比,抑制了小波变换在图像边缘方向表示的固有局限性。首先采用具有多尺度、多方向特点的Directionlet变换对多波段遥感图像进行分解。对于低频系数采用平均融合算法,方向高频系数采用区域边缘检测实现多波段遥感图像的融合处理。实验结果表明,提出的算法与传统融合算法相比不仅原始图像的边缘和纹理信息可保留,而且可获得更好的融合视觉效果。     

基于显著计算与自适应PCNN的图像融合方法

针对多尺度变换的图像融合对低频系数进行简单的加权平均处理时,不能很好地保护源图像中的显著信息的问题,提出一种将视觉显著计算的结果作为自适应脉冲耦合神经网络的链接强度,通过脉冲耦合神经网络指导多尺度图像融合中低频系数融合的方法。首先对源图像进行形态非抽样小波分解,得到低频系数和各尺度的高频系数,对低频系数采用显著计算与脉冲耦合神经网络的融合规则,高频系数选取绝对值较大者,最后通过反变换得到融合图像。实验结果表明,该方法在一定程度上保留了源图像中的显著信息,改善了互信息、信息熵、平均梯度和边缘保持度等融合指标。     

一种改进的基于小波相关性的边缘检测

给出一种改进的基于小波相关性的边缘检测算法。依据多尺度小波相关去噪,对图像在不同尺度上做小波变换,进而对小波系数做区域相关处理,得到图像边缘的区域相关图像,最后做阈值处理,去除小波残留噪声的噪声小波系数。仿真结果表明,改进方法可以得到更多的边缘细节,边缘定位更加准确。     

基于光学多尺度几何分析的图像压缩去噪

基于变换的图像压缩方法应用较为广泛,小波在表示图像的边缘或纹理时,会产生大量的能量较大的系数.采用多尺度几何分析对图像进行稀疏展开,使变换具有强的非线性逼近能力.图像经过非下采样Contourlet变换转换成一种多尺度的、多方向和多分辨的表示形式再进行统计分析.利用图像系数相关性,不仅降低图像的维数,使弱的边缘细节能从噪声中被筛选出来,而且达到压缩去噪的目的.实验结果表明,采用该方法去噪后的图像处理效果很好,适用于高分辨率图像去噪.     

一种指纹图像增强的新方法研究

为了确保指纹特征提取算法的鲁棒性，需要对原始指纹图像进行预处理以增强纹线的清晰度，增加脊线和谷线的对比度，减少伪信息．实现了一种基于Curvelet变换的指纹图像增强算法，阐述了Curvelet变换的定义厦其应用于指纹图像增强的过程，研究了Curvelet系数的调整方法．Curvelet变换比小渡变换能够更好的描绘图像的边缘，而且具有很强的方向性．实验证明，应用Curvelel变换能够较好的解决指纹图像的增强问题．     

一种指纹图像增强的新方法研究

为了确保指纹特征提取算法的鲁棒性,需要对原始指纹图像进行预处理以增强纹线的清晰度,增加脊线和谷线的对比度,减少伪信息.实现了一种基于Curvelet变换的指纹图像增强算法,阐述了Curvelet变换的定义及其应用于指纹图像增强的过程,研究了Curvelet系数的调整方法.Curvelet变换比小波变换能够更好的描绘图像的边缘,而且具有很强的方向性.实验证明,应用Curvelet变换能够较好的解决指纹图像的增强问题.     

Curvelet Transform-Based Denoising Method for Doppler Frequency Extraction

A novel image denoising method based on curvelet transform is proposed in order to improve the performance of Doppler frequency extraction in low signal-noise-ratio (SNR) environment. The echo can be represented as a gray image with spectral intensity as     

基于曲波域的软硬阈值折中地震信号去噪

噪声衰减是地震资料处理中的关键步骤之一。根据曲波变换对于光滑且二阶连续可微函数所具有的最优逼近性能,给出了曲波域随机噪声衰减的软硬阈值折中方法。基于模型讨论了有效信号和随机噪声在曲波域不同方向上的分布差异;最后,将该方法应用于实际地震资料处理。结果表明,本文方法不仅有效地压制了地震资料中的随机噪声,提高了地震资料的信噪比,而且较好地保留了地震数据中的有效信号。     

一种基于Curvelet变换的图像去噪方法

提出了一种Curvelet变换与循环平移相结合的图像去噪方法,消除了由于Curvelet变换缺乏平移不变性而产生的图像失真.实验结果表明,用该方法去噪后的图像与传统小波去噪图像相比,PSNR值更高,视觉效果也更好.     

基于非下采样contourlet变换的彩色图像增强算法

本文提出一种结合DCT变换和非下采样contourlet变换的彩色图像增强算法。算法根据非下采样contourlet变换后不同子带的特点对低频子带和高频子带采用不同的增强方法进行处理;为了修复增强过程中产生的颜色偏移,对增强后的图像进行了颜色修复;最后通过简单锐化即可达到很好的效果。由实验结果可知,算法提高了图像整体对比度的同时保留了完整的边缘细节信息和色彩保真度,从视觉效果和性能指标上来看都优于curvelet变换的方法和DCT变换的方法。     

基于Curvelet变换的虹膜识别

为提高虹膜识别的准确度,提出采用第二代曲波变换提取虹膜图像纹理特征的方法.首先将预处理后的虹膜图像进行曲波分解,然后采取不同方法对曲波分解后的低通和带通子带进行特征提取,并根据各带通子带的能量大小赋予不同的加权系数,最后采用欧式距离进行虹膜特征匹配.在4种虹膜图像库上测试表明,提出的虹膜图像纹理特征提取方法具有较高的识别率,与Harr小波和DCT(离散余弦变换)相比,特征提取时间相当,但识别率相对DCT来说,分别提高了1.8％,2.1％,2.0％和0.9％.     

基于Curvelet变换和支持向量机的磁瓦表面缺陷识别方法

针对磁瓦表面缺陷对比度低、自动识别困难的问题,作者提出了一种对磁瓦图像应用快速离散Curvelet变换(FDCT)提取特征,并用支持向量机(SVM)分类器进行分类的磁瓦微小缺陷自动识别方法。该方法首先对磁瓦图像做分块处理,并对各分块图像应用FDCT,计算分解系数的l2范数,获得磁瓦不同方向的纹理频域特征;然后以归一化的分解系数l2范数作为支持向量机分类器的特征向量,对图像做出分类。对不同缺陷占比的图像进行实验测试,结果显示,当缺陷部分占分块图像的比例在1/64以上时正确识别率大于83%。