基于多小波收缩与子带增强的图像去噪方法

边缘特征是图像最为有用的高频信息,因此在图像去噪的同时,应尽量保留图像的边缘特征,基于这一思想,提出了多小波阈值收缩与子带增强相结合的图像去噪方法.该方法以多小波变换为基础,将变换后的多小波系数分为噪声相关系数和边缘相关系数,对变换系数进行软阈值多小波收缩消去噪声相关系数;阈值收缩是非线性变换,对图像边缘有平滑作用,因此该方法提出在阈值收缩后进行线性的子带增强,增强边缘相关系数.实验表明与单一的阈值收缩方法相比,该方法不但保留了图像的边缘特征,而且提高去噪图像的峰值信噪比,实验结果优于普通的阈值收缩方法.     

基于改进小波变换的多方向图像边缘检测算法

在对图像的小波变换原理讨论的基础上,针对传统小波变换在图像边缘检测中的不足,提出了基于改进小波变换的图像边缘检测算法.该算法从多个方向对图像进行多尺度小波变换;采用相邻尺度小波系数相乘的方法去除噪声,提取小波系数乘积的极大值点;将这多个方向上的极大点进行融合,形成图像的边缘.仿真实验表明,该算法具有较好的边缘检测和抑制噪声的能力,边缘检测效果明显优于传统的边缘检测方法.     

基于脉冲耦合神经网络模型的小波自适应斑点噪声滤除算法

分析了维纳滤波原理和脉冲耦合神经网络(PCNN)模型的特点,根据斑点噪声统计模型的特征,结合小波变换方法,提出了一种基于PCNN模型的小波自适应斑点噪声滤除算法(W-PCNN-WD)来改善超声图像质量.首先,对超声图像进行对数变换,使斑点噪声转换为加性噪声;对医学图像进行维纳滤波处理,计算其加性噪声的标准方差,并以此作为小波阈值.然后,利用小波变换对图像进行预处理,利用PCNN在小波域中对小波系数进行相应的修正.最后,进行小波逆变换和指数变换,获得滤除噪声的图像.结果表明:本文提出的滤波方法优于其他滤波方法,当噪声方差为0.01时,本文滤波算法获得的峰值信噪比(PSNR)比经Wiener滤波方法获得的高出9 dB.该滤波方法能在有效去除超声斑点噪声的基础上保留图像的边缘细节信息,极大地改善了图像的视觉质量.     

一种非均匀光照图像字符二值化小波分析法

图像二值化阈值的选取是灰度图像二值化处理中的关键，本文提出一种基于小波边缘检测的图像二值化方法。通过对图像进行二进小波变换，在最佳尺度上寻找出图像字符的边缘点，再根据边缘点处的灰度值来确定出二值化的阈值。应用于光照不均匀的多噪声车牌图像二值化，取得了良好的效果。     

基于小波变换和形态学的图像边缘检测方法

提出了一种基于小波变换和形态学的图像边缘检测方法。对源图像进行小波分解,用数学形态学法对低频子图像进行边缘检测,用小波变换法提取高频图像的边缘,采用一定的融合规则将两个边缘图像融合在一起得到一幅完好的边缘图像。这种边缘检测方法结合了小波变换法和数学形态学法的优点,对用这两种方法得到的边缘信息进行融合,有效地抑制了噪声,且边缘连续、清晰。实验结果表明,提出的这种结合方法优于单独使用数学形态学法或小波变换法。     

一种图像边缘特征提取算法

边缘作为一个重要特征是图像目标检测中基础而又困难的一个问题.用常规方法进行边缘检测时,噪声会影响到边缘特征提取的准确性.为了减小噪声对图像边缘特征的影响,改善边缘特征的定位精度,本文提出了一种新的图像边缘特征提取算法.该方法利用小波变换天生的多尺度特性,对小波变换各尺度下的细节图像用互能量交叉的方法进行噪声抑制和边缘识别.最后作了实例验证.     

一种RL算法联合小波变换的中子图像复原方法

提出了一种基于RL(Richrdson-Lucy)算法联合小波变换以解决中子数字图像复原过程中噪声问题的方法,即是将中子数字图像首先进行小波分解,高频子带通常对应于噪声,低频子带对应于图像信息.在高频子带进行软阈值去噪处理,在低频子带应用RL算法进行图像的盲复原,最后,利用小波反变换得到复原图像.实验研究结果表明,该方法不仅提高了抑制噪声的能力,可以获得比单一采用RL算法复原效果好的复原图像,而且可以提高图像复原的速度.     

一种新的边缘保持局部自适应图像插值算法

为了尽可能降低噪声的影响和保持图像的边缘信息,提出了一种新的边缘保持局部自适应图像插值算法。算法首先对分割成部分重叠的各子图像进行整数小波变换,然后对于高频子带进行逐点BayesShrink阈值去噪和中值滤波去除高斯和椒盐噪声,同时对于低频子带进行亮度保持的直方图均衡增强图像的对比度,最后根据自适应阈值Canny边缘检测将子图像划分为平坦和边缘区域,分别进行施用双线性插值和非线性插值。实验结果表明,MBW图像插值算法得到的插值图像有较好的主观图像质量,其峰值信噪比(PSNR)比传统方法平均提高了2.23～2.96dB。     

SF6断路器气体泄漏红外图像中散斑噪声的抑制算法

SF6断路器是电力系统中常见的电气设备,针对SF6断路器气体泄漏红外图像中广泛存在的激光散斑噪声,提出一种抑制散斑噪声的新算法.将同态均值滤波与小波变换结合,并应用贝叶斯软阈值,对红外图像进行去噪处理.研究中,将该算法与同态均值滤波、同态均值滤波与传统周定小波阈值结合滤波等算法作了比较,结果表明,在图像标准偏差、信噪比和散斑指数等常用性能指标上所提算法优于其他算法.     

一种基于小波变换的照明无关边缘检测和模糊增强方法

提出了一种基于小波变换的照明无关边缘检测和模糊增强算法,用于从不均匀的弱照明图像中提取目标边缘。依据照明反射图像形成模板和CCD相机成像公式,推导出图像的小波变换公式。对图像局部区域中边缘与背景像素的小波系数进行比较分析,设计了一种照明无关的小波边缘检测公式。给出一种同时考虑小波模值大小和梯度方向的模糊算子来增强边缘并抑制噪声。最后,采用仿真和真实的图像对该算法进行验证,利用此算法检测阶梯边缘,得到该算法的边缘检测评价标准F系数值为0.984 3,边缘定位精度评价系数E_d值为0.126 5,通过被检测的特征球边缘计算得到的交比值误差为3.72×10^-3。实验结果证实,该边缘检测方法能够很好地工作于非均匀的弱照明图像。     

基于小波定位及Facet模型的三维工业CT图像边缘检测

进行三维图像边缘检测时,利用Facet模型能够获得较精确的边缘信息,但耗时较多;而利用小波变换可获得较快的检测速度,但得到的边缘依赖于阈值的大小。综合上述两种方法的特点,提出了一种基于小波定位及Facet模型的三维边缘检测方法。首先,对工业CT三维图像进行三维小波变换,设定较小阈值,得到三维粗边缘,即对图像边缘进行粗定位;然后,针对粗边缘点逐个进行三维Facet拟合,得到实际边缘点,从而完成图像边缘的精确定位。该方法通过小波变换粗定位这一前处理过程减少了Facet拟合的体素点数,加快了Facet模型三维边缘检测的速度。实验结果显示,本文方法不仅能得到与直接Facet模型效果相当的边缘,还能使Facet模型三维边缘检测的速度提高3.51～7.39倍,而且图像边缘越简单加速比越高。实验结果表明,基于小波定位和Facet模型的边缘检测方法可满足工业CT三维图像边缘检测对精度和速度的要求。     

基于小波神经网络和证据理论的零件图像识别的研究

从零件图像的小波分解系数和相对图像边缘像素系数作为零件特征的方法出发,提出了基本概率分配构造和多源零件图像特征识别的方法。首先,对多源零件图像分别进行小波分解,获取零件图像的小波分解系数。对零件图像进行小波多尺度边缘检测,将被检测的零件边缘轮廓图像分成若干个区域并分别统计各区域的相对边缘像素系数。然后,多源零件图像的小波分解系数和零件边缘轮廓图像的相时像素系数作为零件图像的特征并作为神经网络的输入,获取多源零件图像识别的基本概率分配。最后,依据证据理论的合成规则得到零件的识别结果。实验结果表明,基本概率分配构造和多源零件图像特征识别的方法是有效的。     

基于自适应PCNN和小波变换的多聚焦图像融合算法

提出了一种基于自适应PCNN和小波变换的新型多聚焦图像融合算法。首先,对待融合的两幅图像进行小波分解得到两组多尺度图像,然后在小波域充分利用PCNN的同步激发特性,进行基于PCNN的融合策略设计。使用不同频率下小波系数的局域熵作为PCNN对应神经元的链接强度,经过PCNN点火获得参与融合图像在小波域中的点火映射图,根据点火时间计算点火映射梯度图,再通过判决选择算子,判定并选择点火时间梯度最大的小波系数作为融合系数。最后对融合后的小波系数进行重构生成融合图像。该方法中,根据设置的迭代次数来确定阈值调整时间常量 ,从而在迭代结束时,所有小波系数均得到激发,充分反映了点火时间的先后次序。实验结果以及与其他融合算法的比较分析表明,所提出的算法能有效地突出边缘细节、更好地保持图像的空间分辨力。     

基于自组织特征映射神经网络的零件图像的识别

提出了基于小波变换提取零件图像特征和用自组织特征映射神经网络实现识别的方法，首先，对零件图像进行小波多尺度边缘检测，提取零件图像的边缘轮廓；然后将被检测的边缘轮廓图像分成若干个子区域并分别统计各子区域的边缘像素量，各子区域中的相对边缘像素系数作为零件的特征，将这些特征作为神经网络的输入样本，由自组织特征映射神经网络实现识别。实验结果表明该方法是有效的。     

多尺度小波在图像测量中的应用

在图像测量中,图像的边缘检测是关键。基于信号和噪声在不同尺度下小波系数模值的变化特征,利用小波变换系数模的局部极大值提取图像的边缘。在对前、后孔配准图像的测量中,能够降低噪声,并能比较精确的得到图像的边缘。     

基于证据理论的零件图像识别

从零件图像的小波分解系数和图像相对边缘像素系数作为零件特征的方法出发,提出了基本概率分配构造和多源零件图像特征识别的方法。首先,对多源零件图像分别进行小波分解和多尺度边缘检测,获取零件图像的小波分解系数和相对边缘像素系数。然后,将它们作为神经网络的输入,获取多源零件图像识别的基本概率分配。最后,依据证据理论的合成规则得到零件的识别结果。实验结果表明,所提出的方法是有效的。     

基于证据理论的零件图像识别

从零件图像的小波分解系数和图像相对边缘像素系数作为零件特征的方法出发，提出了基本概率分配构造和多源零件图像特征识别的方法。首先，对多源零件图像分别进行小波分解和多尺度边缘检测，获取零件图像的小波分解系数和相对边缘像素系数。然后，将它们作为神经网络的输入，获取多源零件图像识别的基本概率分配。最后，依据证据理论的合成规则得到零件的识别结果。实验结果表明，所提出的方法是有效的。     

基于图像融合的年轮细胞边缘检测算法研究

提出一种基于图像融合的边缘检测算法。首先对源图像进行小波分解,在不同分解层用小波模极大值法对高频子图像进行边缘检测,用数学形态学对低频子图像进行边缘检测,然后采用一定的融合规则将这两个边缘检测图像融合在一起。实践结果表明,这种方法优于单独使用小波模极大值法或数学形态学法,对噪声具有很好的鲁棒性,得到的图像边缘连续、清晰。     

小波理论在植物根系图像边缘检测中的应用

在植物根系的研究中,所提取出的植物根系图像往往噪声较大,而采用传统的图像边缘检测方法检测出来的边缘信息都无法达到令人满意的效果。针对这一问题,本文基于小波理论的知识,提出了运用小波多尺度变换检测植物根系图像边缘的方法。利用一个平滑函数,在不同的尺度下平滑所要检测的图像信号,根据平滑后信号小波变换系数模的一阶或二阶导数找出信号的突变点也即边缘点。一阶导数的极值点对应二阶导数的零交叉点和平滑后信号的拐点。因此可由小波变换模局部极大值检测图像边缘。     

基于B样条小波变换的医学影像边缘提取

边缘提取一直是计算机视觉的重要问题，在医学影像处理中也占据着举足轻重的地位。本文讨论了小波变换理论及其应用于多尺度边缘检测的技术；导出了采用3次B样条小波作为边缘检测小波函数进行边缘提取的方法；并用实例与传统的边缘检测方法进行了比较，验证了该方法的有效性。