基于小波域CHMT模型的超分辨率图像重建

从图像重建的Bayesian方法出发,提出一种基于小波域分类隐马尔可夫树(CHMT)模型的超分辨率图像重建算法.将CHMT模型作为自然图像小波域的先验知识,采用混合高斯模型刻画备子带系数的概率分布,将起分辨率图像重建问题转化为一个约束最优化问题,并采用共轭梯度算法进行求解.同时,提出了自适应的规整化参数选择方法.实验结果表明,该算法具有较低的计算复杂度,在峰值信噪比和视觉效果方面都有所提高.     

基于小波域层次Markov模型的图像分割

针对两个状态的有限高斯混合模型逼近小波系数的不足和小波域隐马尔可夫树标号场相互独立的缺点,提出了一种基于小波域层次马尔可夫模型的图像分割算法,这种模型用有限通用混合模型逼近小波系数的分布,使有限高斯混合模型只是其一种特殊情况;在标号场的先验模型确定上,利用马尔可夫模型描述标号场的局部作用关系,给出标号场的具体表达式,克服了小波域马尔可夫树模型标号场相互独立的不足,然后利用贝叶斯准则,给出相应的分割因果算法。该模型不仅具有空域马尔可夫模型有效的递归算法的优点,同时具有小波域隐马尔可夫树模型中的马尔可夫参数变尺度行为。最后用真实的图像和合成图像同几种分割方法进行了对比实验,实验结果表明了本文算法的有效性和优异性。     

基于Contourlet域隐马尔可夫树模型的图像融合

基于Contourlet域的隐马尔可夫树模型能反映不同尺度系数之间、不同方向系数之间的相关性,基于此,提出了一种基于Contourlet域隐马尔可夫树模型的图像融合算法。对源图像进行Contourlet变换,并针对高频子带系数建模并训练得到每一系数的后验概率;利用该后验概率指导高频系数融合的规则,对边缘和背景区域进行不同的融合处理,以尽可能保留原始图像的重要特征;进行Contourlet反变换得到最终融合结果。针对多聚焦图像进行了融合实验,采用联合熵、熵、相关系数、清晰度等指标对融合效果进行评价,实验表明了该算法优于基于Contourlet域的常规融合算法以及小波域隐马尔可夫树融合算法。     

基于小波域HMT模型的彩色图像超分辨率复原

提出了一种基于小波域隐马尔可夫树(HMT)模型的RGB彩色图像超分辨率算法。由于彩色图像3个通道之间具有的相关性，对3个通道分别进行独立的超分辨率重构会导致严重的色彩失真。为解决这个问题，首先通过自适应图像变换由彩色图像得到一幅能反映人类视觉感受的灰度图像；然后对此灰度图像进行超分辨率重构获得一幅高分辨率灰度图像；最后按照这一高分辨率灰度图像确定的小波系数后验状态概率对彩色图像的3个通道分别进行超分辨率重构从而获得一幅高分辨率彩色图像。由于该算法协调了彩色图像3个通道的超分辨率，因此重构出的高分辨率彩色图像避免了色彩失真。实验结果证明该算法重构出的高分辨率彩色图像具有较高的信噪比和非常好的视觉效果。     

基于小波的POCS超分辨率图像重建

本文在分析现有SR重建方法的基础上,提出了基于小波的POCS超分辨率图像重建算法。此算法是传统POCS算法的扩展,在小波域执行一些凸投影操作,并利用随机小波系数优化技术来修正高分辨率图像估计的小波子图像系数。     

基于小波变换和迭代反向投影的超分辨率算法

针对单帧图像的超分辨率的重建问题,在分析基于小波域及空间域相关算法的基础上,提出了一种基于小波变换和迭代反向投影的超分辨率重建算法。该算法结合了小波域和空间域算法的优势,在小波域通过小波变换对图像进行分解,再利用迭代反向投影方法使重构误差最小化,在小波域和空间域均采用简单插值方法来降低计算复杂度。实验数据表明,该算法与现有其他算法相比,得到的峰值信噪比较高,且运算复杂度较低,对图像的重建质量有明显改善。     

基于小波域隐马尔可夫树模型的图像复原

从图像复原的Bayesian方法出发,提出一种基于小波域隐马尔可夫树(HMT)模型的线性图像复原算法,小波域HMT模型采用混合高斯模型刻画各子带系数的概率分布,并通过小波系数隐状态在多个尺度之间的Markov依赖性来刻画自然图像小波系数随尺度减小而指数衰减的特性,由于小波域HMT模型准确刻画了自然图像小波变换的统计特性,该文算法以此作为自然图像的先验模型,将图像复原问题转化为一个约束优化问题并用最速下降法对其进行求解,同时,提出了一种规整化参数和HMT模型参数的自适应选择方法,实验结果表明,基于小波域HMT模型的图像复原算法较好地再现了各种边缘信息,复原出的图像在信噪比和视觉效果方面都有明显的提高。     

多变换域马尔可夫树图像去噪算法*

针对图像去噪时单一变换方法的不足,提出了一种新的基于Contourlet变换和小波变换的多变换分级图像降噪算法。根据Wavelet变换和Contourlet变换系数对图像中不同频带信号的稀疏表示特点,利用隐马尔可夫树（HMT）模型可以描述相邻尺度变换域系数的互相关性。首先使用小波域HMT方法进行第一级降噪,然后将其作为先验估计,利用Contourlet变换进行迭代阈值降噪。通过与几种传统的小波域HMT和Contourlet域HMT去噪算法相比,本算法改善了去噪图像的可视性并使PSNR值有所提高。     

基于灰色关联分析的多小波域图像隐写算法

图像多小波系数在邻域内具有相关性,调整相关性大的系数会对图像视觉效果产生影响,为了减小这种影响,提出一种基于灰色关联分析的多小波域图像隐写方法。该方法运用灰色关联分析对邻域内多小波树组的中心树序列和外围树序列的几何曲线形状进行比较,描述它们之间的相关性,从而在矩阵中找出与相邻点相关性很小的系数树作为秘密信息的嵌入位置。结合多小波变换系数能量更分散的特点,使得含密图像的质量更好。实验结果表明,该隐写算法具有更好的隐蔽性和鲁棒性。     

基于小波域隐马尔可夫模型的小波隐写分析

基于精确描述图像小波系数间统计特性的小波域二维隐马尔可夫模型(HMM)参数集合,提出一种针对小波域信息隐藏算法的新型隐写分析技术。通过使用二维HMM对小波系数进行建模,对生成的HMT森林在隐写前后的参数集合构造隐写分类特征,采用SVM分类器进行隐写判别。实验表明该方法适用于小波域隐写术的检测,对小波域QIM、MFP和BPCS隐写有较好的检测性能。     

基于小波域隐马尔可夫模型的信号超分辨率重建

提出一种基于小波域隐马尔可夫模型(WHMM)的信号超分辨率重建算法。根据贝叶斯原理和最大后验概率估计理论,将WHMM作为先验知识给出一般信号的超分辨率重建模型;详细推导了重建问题的Euler-La-grange方程及对数似然函数的导数计算,将信号的超分辨率重建归结为一个简单线性方程组的求解;最后采用期望最大化(EM)算法和共轭梯度算法交替迭代计算WHMM的模型参数和高分辨率重建信号。一维和二维测试信号的实验结果表明该方法在有效抑制噪声的同时,能够很好地重建出信号的高频细节。在相同的信号降质条件下,针对一维情形,本文重建方法的峰值信噪比(PSNR)较三次插值和Tikhonov正则化方法平均提高2.3994 dB和4.474 2 dB;针对二维情形,本文重建方法的PSNR较双三次插值和Tikhonov正则化方法平均提高1.1741 dB和0.648 7 dB。     

小波域隐Markov交叠树模型及块效应评价

本文针对小波域隐Markov树模型(hidden Markov tree model,HMT)的块效应问题,分析了块效应的产生机理,给出了以图像去噪为基础的块效应评价准则,并提出小波域隐Markov交叠树模型(hidden Markov overlappmg tree model,HMOLT)和基于该模型的图像去噪算法。该模型通过对每个节点的数据扩展,使每个节点包括相邻的3个(1维)或9个(2维)小波系数,实现同一尺度相邻节点数据的交叠,有效地减轻HMT因树状结构而产生的块效应。实验表明,本文给出的模型和去噪算法,无论是在均方误差(MSE)、块效应指标,还是在主观视觉方面,都优于HMT和基于HMT的去噪算法。     

Global optimization of wavelet-domain hidden Markov tree for image segmentation

This work presents a global energy minimization method for multiscale image segmentation using convex optimization theory. The construction of energy function is motivated by the intuition that the larger the entropy, the less a priori information one has on the value of the random variables. First, we represent the wavelet-domain hidden Markov tree (WHMT) model of the original image as a structured energy function, which is proved convex in marginal distributions. Next, we derive the maximum lower bound of the energy function through Lagrange dual transform for the purpose of incorporating marginal constraints into optimization. Finally, a modified belief propagation optimization algorithm is used to perform global energy minimization of the dual convex energy function. Experiments on real image segmentation problems demonstrate the superior performance of this new algorithm when compared with nonconvex ones.     

基于小波域局部高斯模型的图像超分辨率

提出了一种基于小波域局部高斯模型的图像超分辨率算法。小波域局部高斯模型采用单一的高斯函数刻画子带系数的局部概率分布，由于该模型具有很好的局部自适应性，可以较好地反映图像的局部结构信息，因此以此作为自然图像的先验模型，将图像超分辨率问题转化为小波域约束优化问题，并用共轭梯度法对其进行求解。实验结果表明，基于小波域局部高斯模型的图像超分辨率算法较好地再现了图像的各种边缘信息，重构出的高分辨率图像在信噪比和视觉效果方面都有较明显的提高。     

一种文档图像多尺度分割算法

1.研究背景随着数字图书馆和电子办公应用的日益普及,面对大量纸质原始文件及资料的数字化,直接扫描、存储和传输文档的需求越来越多,为了解决扫描文档图像庞大信息量和存储容量、传输带宽之间的矛盾,迫切需要专门针对文档图像研究新的高性能压缩算法。根据扫描文挡页面的内容特征,提高压缩比最有挖掘潜力的方法是对文档图像进行图文分割后再分别     

Hidden Markov tree model of images using quaternion wavelet transform

The quaternion wavelet transform is regarded as a new multi-scale tool for signal and image processing, which can effectively capture local shifts and image texture information. The marginal and joint distributions of the quaternion wavelet transform coefficients are measured by the histogram. The mutual information is utilized to measure the dependence between the coefficients. The authors have drawn the conclusion that the quaternion coefficients can be modeled by a Gaussian Mixture model conditioned to the magnitudes of generalized coefficients, with intensive analysis of the statistical properties of the decomposition coefficients. In this paper a new hidden Markov tree model utilizing quaternion wavelet transforms is proposed based on the authors’ findings. In order to demonstrate its effectiveness, the new statistical model was applied to image de-noising. The experimental results show that the proposed statistical model exhibits better performance than other related image de-noising algorithms that are also based on hidden Markov tree models.     

A multiscale edge detection algorithm based on wavelet domain vector hidden Markov tree model

The wavelet analysis is an efficient tool for the detection of image edges. Based on the wavelet analysis, we present an unsupervised learning algorithm to detect image edges in this paper. A wavelet domain vector hidden Markov tree (WD-VHMT) is employed in our algorithm to model the statistical properties of multiscale and multidirectional (subband) wavelet coefficients of an image. With this model, each wavelet coefficient is viewed as an observation of its hidden state and the hidden state indicates if the wavelet coefficient belongs to an edge. The WD-VHMT model can be learned by an expectation-maximization algorithm. After the model is learned, we employ an extended Viterbi algorithm to uncover the hidden state sequences according to the maximum a posterior estimation. The experiment results of the edge detection for several images are provided to evaluate our algorithm.