基于小波和Contourlet的改进的图像复原算法

不同的数学变换工具能够有效表示图像的不同细节结构,小波变换能够有效表示图像中的奇异点,而con-tourlet变换能够有效表示奇异线,为了更好地利用不同变换工具的优势,文中提出一种基于小波和Contourlet的改进的图像复原算法。算法首先分别应用不同的小波基和不同的Contourlet基,基于正则化方法求解出复原图像;然后,将经过不同的滤波器组得到的复原图像通过加权平均的方式融合,得到一幅效果较好的恢复图像。实验结果表明,加权平均之后的图像相比使用单一滤波器的复原图像,其改善的信噪比提高0.1～0.5dB。     

小波和神经网络图像复原方法的比较研究

分析了用小波方法在神经网络方法进行图像复原的原理，指出了用小波方法进行图像复原存在的不足；当图像质量很差或当图像被退化矩阵模糊后，小波复原很难实现。面对这两种情况，用神经网络方法能够较好地复原图像。给出了实验验证的例子，得出了几个结论。     

基于级数优化的小波去噪MAP图像复原方法

介绍了MAP超分辨力复原方法的原理以及小波滤波去噪的原理和具体方法,由于小波变换具有多分辨率分析和在时频(空频)两域都具有表征信号局部特征的能力,基于小波阈值去噪的图像超分辨力复原方法对于低信噪比图像处理具有独特的优越性,证明了其应用于超分辨率复原算法的有效性,并提出了基于级数优化的小波去噪超分辨力复原算法。     

基于小波域的图像增强算法

针对图像边缘增强和滤噪的矛盾,提出了符合视觉特性的基于小波域的图像增强算法.将图像的小波变换结果看成一幅图像,则在空域中的阶跃边,在小波域的高频通道中表现为屋脊边,而空域中的屋脊边,在小波域高频通道中表现为成奇对称的屋脊边缘对.在高频通道中,用高斯函数或升余弦函数拟合屋脊边,用正弦函数拟合屋脊边对.通过修改拟合函数的参数来改变其形状,从而使反变换回来的图像的边缘斜率提高,进而达到图像增强的目的.由于在对屋脊边的识别中采用了方向信息测度,使算法能很好地处理边缘增强和滤噪的矛盾.分别对测试图像和实际图像进行处理,并与传统的高通滤波方法进行了对比,实验结果表明,本文提出的方法具有更好的视觉效果.     

基于生成式对抗网络和多级小波包卷积网络的水下图像增强算法

为了解决水下图像的雾模糊和偏色问题,针对水下图像成像模型提出基于生成式对抗网络（GAN）和改进卷积神经网络（CNN）的水下图像增强算法. 利用生成式对抗网络合成水下图像,以对配对式水下图像数据集进行有效扩充. 利用多级小波变换,以不丢失特征分辨率的方式对水下图像进行多尺度分解,然后结合卷积神经网络利用紧凑式学习方式对多尺度图像进行特征提取,并利用跳跃连接以防止梯度弥散,克服水下图像的雾模糊效应. 利用风格代价函数学习彩色图像各通道间的相关性,提高模型的色彩校正能力,克服水下图像色彩失真的问题. 实验结果表明,相较对比算法,在主观视觉和客观指标上,本研究所提算法拥有更优秀的综合性能及鲁棒性.     

神经网络图像复原算法的改进

分析了现有神经网络图像复原算法,指出了现有算法主要存在两方面的不足：仅适用于被移不变模糊函数和加性噪声降质的灰度图像,且运行时间较长;对规则化参数的选取缺乏自适应性。这些不足都是需要改进的,本文通过在神经元状态中加入一个修正因子,提出了一种运算时间较优的改进算法。     

基于聚类分析的小波域数字水印算法

所谓数字图像水印是指向数字图像中加入秘密信息如随机序列、标识性图像等,并且在需要的时候能够被正确地提取或检测出来以达到版权保护的目的.该文提出了一种小波域内基于聚类分析嵌入水印的算法.该算法将原始图像分解到小波域,通过聚类将小波系数分成若干类,根据分类的性质选取部分小波系数嵌入水印.提取水印时不需要原始图像,是一种盲水印算法.实验结果表明,该算法对JPEG压缩、剪切、中值滤波、加噪等具有较好的鲁棒性.     

基于改进无迹Kalman滤波的小波网络算法及其应用

无迹Kalman滤波（UKF）是无迹变换（UT）和标准Kalman滤波的结合,对非线性系统具有出色的估计性能,使用UKF估计小波网络参数,速度快,精度高,无需求导计算Jacobian矩阵,但其计算量偏大.基于此,本文考虑引入一种改进的UKF来估计小波网络的参数,以提高训练效率.该改进UKF在Kalman滤波体系内应用了一种基于最小偏度单形Sigma点采样策略的UT,它继承了UKF的优点,并显著提升了计算效率.仿真结果表明,相对于EKF,采用改进UKF算法训练小波网络,速度更快,精度更高;计算精度与UKF相当,但计算效率较之更高.     

基于小波域的视频水印算法

该文基于小波变换特性，根据物体的运动和视频信号内容的纹理复杂度，将小波系数进行分类，根据分类结果并利用相邻帧的统计特性，将水印嵌入小波的低频子带中。仿真实验结果表明该视频水印嵌入算法对于多种攻击，如MPEG压缩编码、丢帧和帧重组等具有很好的稳健性。     

基于小波域关系和神经网络的音频水印

提出一种在小波域使用神经网络的鲁棒音频水印算法。利用小波低频分量抗攻击能力强的特点,通过相邻段的系数之间的关系来隐藏水印信息。利用神经网络,自适应地完成水印提取,能在保证音频质量的同时进一步提高水印的鲁棒性。     

基于神经网络的小波域彩色图像水印方法

提出了一种小波域图像水印方法,该方法利用神经网络实现水印的盲提取。水印序列被嵌入到YUV彩色空间中Y分量的低频系数中,其中包括一段模板信息,这段模板信息定义了对低频部分进行3×3分块后块内低频系数之间的一种关系,然后利用模板信息训练神经网络,实现水印的盲提取。     

降质图象恢复问题中局部频率下的正则小波解

由于付里叶变换只能表达图象的全局频率特性，因此，这里考虑利用小波变换的优良性质特别是时－频局部化属性，在小波域空不变模型中设计出局部频率下的小波变换泛函，通过求泛函极值，构造正则化逆算子，并求出局部频率下的正则小波解；为在图象恢复问题中利用正则化方法和小波变换提供理论指导。     

小波域图像水印隐藏算法的研究

针对不可见数字水印的隐藏问题,依据Amold变换和小波分析理论,提出了一种基于小波变换的数字水印算法,即先对水印图像进行置乱预处理,对置乱后水印图像和嵌入对象图像分别进行小波变换,并根据频带重要性排序,将水印对应嵌入．实验证明,嵌入后水印不可见性好,提取时安全性高,是一种有效的隐藏方案．     

图像恢复的神经网络差值权反馈法

在分析Ｈｏｐｆｉｅｌｄ网络恢复算法的基础上提出了差值权反馈的改进算法，这种算法有效地降低了运算时间复杂度和减少了网络神经元的数量     

小波分析在图像处理中的应用

简要介绍了小波分析的基本原理和分类,及其在图像处理中的应用。重点论述了小波分析在图像边缘检测,图像融和,图像消噪中的应用。并介绍了以小波分析为基础的人工神经网络是图像识别的一种很有前途的方法。     

基于小波分析和BP神经网络的图像特征提取

提出一种基于小波分析与神经网络复合模型的图像特征提取方法.利用二维离散小波变换对图像信号进行滤波和边缘提取,作为图像的输入量供BP网络识别分析.构建了3层BP神经网络模型对图像特征进行识别,采用模糊加权算子的模糊化分层,特征提取模板提取图像中的不同特征,输出层采用均方差权值输出.通过对由50幅图像组成的训练集合进行训练和实验验证,结果表明,本方法的分辩误差率在4%以内.     

基于系数关系的小波域彩色图像水印方法

提出了一种小波域图像水印方法,该方法首先对YUV彩色空间中图像的亮度分量Y进行降采样,划分为四个子图像。利用四个子图像的对应低频系数大小关系实现水印的嵌入。而水印的提取是通过判别四个子图像的对应低频系数大小关系来完成的。实验结果表明该方法对抗诸如JPEG压缩、旋转、缩放、锐化等攻击具有较好的鲁棒性。     

小波包和GA-BP网络结合的红枣病害识别方法

针对传统人工枣树病害识别费时费力的问题,提出了一种小波包和GA-BP神经网络结合的快速识别方法.通过小波包去噪方法,消除病害图像采集过程中随机噪声产生的干扰,采用小波包分解系数矩阵的奇异值和小波包变换模极大值矩阵的奇异值构造特征输入参数,利用遗传算法优化后的BP神经网络建立红枣病害的识别模型.实验表明,小波包、遗传算法...     

Radial Basis Function Neural Network Based Super-Resolution Restoration for an Underspled Image

To achieve restoration of high frequency information for an underspled and degraded low-resolution image, a nonlinear and real-time processing method-the radial basis function (RBF) neural network based super-resolution method of restoration is proposed. The RBF network configuration and processing method is suitable for a high resolution restoration from an underspled low-resolution image. The soft-competition learning scheme based on the k-means algorithm is used, and can achieve higher mapping approximation accuracy without increase in the network size. Experiments showed that the proposed algorithm can achieve a super-resolution restored image from an underspled and degraded low-resolution image, and requires a shorter training time when compared with the multiplayer perception (MLP) network.     

Radial Basis Function Neural Network Based Super-Resolution Restoration for an Undersampled Image

To achieve restoration of high frequency information for an undersampled and degraded low-resolution image, a nonlinear and real-time processing method the radial basis function (RBF) neural network based super-resolution method of restoration is proposed. The RBF network configuration and processing method is suitable for a high resolution restoration from an undersampled low-resolution image. The soft-competition learning scheme based on the k-means algorithm is used, and can achieve higher mapping approximation accuracy without increase in the network size. Experiments showed that the proposed algorithm can achieve a super-resolution restored image from an undersampled and degraded low-resolution image, and requires a shorter training time when compared with the mulfiplayer perception (MLP) network.