Ridgelet变换在图像压缩中的应用

Ridgelet变换特别适合描述具有直线或超平面奇性的高维信号。本文将介绍有关Ridgelet变换的理论,并在此基础上提出一种新的基于正交有限Ridgelet变换（FRIT）的图像压缩方法一FRIT＋DWT。试验结果表明,FRIT＋DWT方法较传统Wavelet方法获得了更高的压缩比和更好的压缩效果。     

基于Finite Ridgelet变换的图像线性特征提取

线性特征是图像的一种重要局部特征,它常常决定图像中目标的形状。线性特征的提取在图像匹配、目标描述与识别以及运动估计、目标跟踪等领域具有十分重要的意义。常用的线性特征检测方法有Radon变换和Hough变换,但检测曲线复杂度会很高。本文提出一种多尺度几何分析的线性特征检测方法,该方法以finite ridgelet理论为基础,结合正交小波变换对线性特征进行提取。Finite ridgelet变换对于含有直线奇异的多变量函数具有良好的逼近特性,能够获得连续空间函数的稀疏表达,同时具有区域平滑性、很好的可逆性和去冗余性。实验结果表明,本方法即使在背景复杂的环境下也具有良好的检测效果。     

用小波变换实现红外图像的边缘提取方法研究

红外图像的边缘提取是其判读和识别的重要技术基础。红外图像背景复杂、噪声较为严重。针对这一特点，本文利用小波变换易于消除噪声、运算方便的特点。提出了一种基于小波变换的红外图像边缘提取算法。首先利用小波算法对红外图像进行滤噪，然后利用高斯函数作为平滑函数对图像进行水丑和垂直方向的小波变换。提取红外图像边缘特征。文后给出了仿真实例，证明了该算法的科学性和可靠性。     

Ridgelet变换及其在图象降噪中的应用

1999年,Stanford大学的E.J.Candes和D.L.Donoho教授提出了信号的一种新的多尺度表示法—Ridgelet变换,它特别适合于具有直线或超平面奇性的二维信号的描述,而且具有较高的逼近精度。随后,M.N.Do和M.Vetterli针对特定大小的离散图象给出了正交有限Ridgelet变换-FiniteRidgeletTransform(FRIT)。该文将FRIT应用于图象降噪,为了说明FRIT的优越性,将Wavelet领域中的多种降噪方法扩展应用到Ridgelet领域。试验结果表明,FRIT比起Wavelet变换更适合描述具有直线边界的图象,而且降噪效果更为明显。     

基于小波变换的癌细胞边缘提取算法

细胞的识别是医学检测中的一个重要部分,很多疾病的诊治主要依靠医学专家观察标本中细胞的形态,对细胞进行识别和分类。这种人工分类的工作重复而单调、效率低下。本文研究的基于小波变换的癌细胞边缘提取算法,有利于准确、快速识别癌细胞,具有很好的推广价值。     

图像边缘提取技术的分析及优化

本文对现有代表性的各种图像边缘提取方法进行了介绍和归纳,对比、分析了各自的优缺点,并自己提出了基于小波变换数据融合的图像边缘检测算法,该方案结合使用了微分法和小波变换两种方法,发挥了它们各自的优点,获得了比较明显的图像边缘。并对几种图像边缘提取算法进行计算机仿真研究,实验结果表明基于小波变换数据融合的图像边缘检测算法所得到的边缘提供了较高的边缘定位精度,是一种有效的图像边缘提取算法。     

图像边缘提取方法及展望

该文对现有代表性的各种图像边缘提取方法进行了介绍,对比、分析了各自的优缺点,重点对以小波变换为代表的现代信号处理技术提取图像边缘的方法进行了分析和阐述,为了更清楚地看出各种算法的效果,给出了一些常用算法对同一幅标准测试图像Lena进行边缘提取的实验结果。最后,对图像边缘提取技术所面临的问题和发展方向阐述了自己的观点。     

小波变换在医学图像边缘增强中的应用

小波变换是在傅立叶分析基础上发展起来的,它通过尺度参数和定位参数将时域和频域联系起来,通过伸缩和平移等运动对信号或图像数据进行多尺度的细化分析,其应用领域很广。提出了一种基于小波变换的图像边缘增强的方法,通过对小波变换产生的高低频信息进行相应处理,再进行图像重构,最后将生成的各个图像进行融合以实现图像边缘增强。使用Visual C＋＋6．0完成编程实验,其实验结果表明本文所提出方法的边缘增强效果较好。     

Curvelet变换及其在图象处理中的应用

根据小波变换在图象处理中的缺陷,我们提出了基于Ridgelet变换的Curvelet变换的图象处理方法.Curvelet变换对于含有曲线不连续性的图象的表示满足稳定、有效、接近最优等性质.我们采用基于Ridgelet变换的方法实现Curvelet变换,试验证明对变换后的系数进行简单的阈值处理就可以获得很好的去噪和边缘增强效果.我们相信Curvelet变换在图象处理中的潜力是巨大的.     

基于Ridgelet变换的多尺度去噪算法研究

给出了Ridgelet变换的理论,并提出了一种基于尺度因子与Ridgelet变换的图像去噪算法,将Ridgelet应用于图像去噪并与小波去噪进行比较。实验结果表明,该算法对高斯白噪声污染的图像去噪具有较好的效果,不仅可以提高处理图像的信噪比,而且图像的视觉效果有明显改善。     

基于小波变换和模糊中值滤波的图像边缘检测

小波变换是近年来兴起的信号处理技术。它具有良好的局部化分析特性和多分辨率分析特性,非常适合于图像处理。实际图像中常常含有噪声,噪声在小波变换中会产生大量的奇异点。中值滤波器是一种非线性滤波器,具有良好的边缘保持特性。该文提出了结合小波变换、中值滤波器和多分辨率分析的边缘检测方法,给出了一种自适应选择模糊中值滤波器因子的方法。实验结果表明,该方法是有效的。     

一种基于小波变换的图像边缘检测方法和实现

介绍了小波变换的基本理论以及小波分析方法用于图像边缘检测的基本原理及利用小波变换进行边缘检测的方法。接着重点研究了基于B样条小波的多尺度边缘检测,并且利用这种方法在几个不同尺度下分别提取了图像边缘。可以看出该方法不仅能准确检测出图像边缘,而且能有效地抑制噪声,优于其他已有的边缘检测方法。     

基于小波变换的多源图像数据融合与边缘检测方法

提出基于小波变换的多源图像数据融合和边缘检测的方法,对多源图像进行分解,将高频区域中的绝对值较大的系数作为重要小波系数;在低频区域,对逼近系数进行加权平均得到新的逼近系数,然后进行小波重构实现多源图像数据融合。应用小波变换对融合图像进行多尺度边缘检测,获取多源图像边缘,或对多源图像进行小波多尺度边缘检测,然后融合边缘。     

一种新的基于小波变换的边缘检测算法

应用小波变换理论对图像进行平滑降噪处理,对降噪图像进行多级小波分解,从而获取多分辨率图像。对小波分解的各级小波系数求其局部模极大值,从而得到不同分辨率下的图像边缘,合并不同分辨率下的图像边缘得到一个组合边缘,细化图像边缘。实验证明。这种方法对有噪声污染的图像进行边缘检测效果好于LoG、Sobel、Canny等经典的边缘检测方法。     

基于小波提升变换的边缘检测及应用

在分析了小波提升格式的基础上,提出了基于小波提升变换的图像边缘检测新算法.首先,通过小波提升分解获得水平、垂直、对角线细节子图和近似子图.然后,根据子图特性分别采用不同的算子进行边缘检测.最后,利用小波逆变换重构图像.通过在交通车流量检测的实验表明了该方法有效性.     

一种阈值自动设定的小波变换边缘检测方法

边缘检测是提取图像特征的重要手段,本文提出一种阈值自动设定的双阈值小波变换边缘检测方法。小波变换具有良好的时频局部化特性和多尺度分析能力,获得的边缘信息丰富,采用二维静态小波变换算法,计算出局部模极大值点,但其中除了边缘点外,还混有噪声信号,本文根据边缘与噪声的特征自动计算出阈值,实现了噪声与边缘的分离,强边缘与弱边缘的分离,并通过实例验证了算法的有效性。     

基于二维小波变换的车牌边缘检测的研究

在Matlab环境下运用基于二维小波变换边缘检测方法提取车牌信息的边缘。实验证明这种方法对车牌边缘信息提取的效果比传统的边缘提取算子提取车牌信息边缘的效果要好,特别是对伪边缘和图片噪声的过滤作用比较明显。     

基于3次B样条小波变换的改进自适应阈值边缘检测算法

针对含噪声图像边缘提取问题,提出了一种改进NormalShrink自适应阈值去噪算法。该算法首先通过小波变换和局部模极大值法提取出可能包含图像边缘特征的小波系数,利用边缘像素之间特殊的空间关系以及噪声在各级小波分解尺度下的不同效应,构建适合各个尺度级的改进NormalShrink自适应阈值,并依此对提取出的小波系数进行筛选。实验结果表明,与改进的Candy算子和传统的NormalShrink自适应阈值相比,本方法提取出的图像边缘较为完整清晰,峰值信噪比提升约6 db。