基于显著性信息和方向变换的图像压缩感知

结合基于图像块的显著性信息随机采样和基于投影Landweber的压缩感知重构算法,提出了一种新的图像压缩感知编码与重构方法.该方法在编码端通过图像显著性信息来分配不同的测量维数以实现测量维数的自适应,在重构端,通过在投影Landweber重构算法中用不同的方向变换来得到重构图像.与同类方法相比,在测量维数相同的前提下,重构图像的峰值信噪比和主观视觉效果都有很大的提高.     

基于纹理自适应全变分滤波的图像分块压缩感知优化算法

图像分块压缩感知重构模型通过分块方式解决了压缩感知中观测矩阵过大带来的计算复杂度较高和存储空间较大的问题,但分块重构时会产生块效应,其需要通过去块效应滤波加以消除。现有的滤波方法并未考虑图像纹理细节恢复问题,造成了重构质量的降低。为解决该问题,首先提出了一种基于灰度熵的纹理自适应采样方法。随后分析了分块压缩感知中块效应的产生和经自适应采样后块效应得到缓解的原因,并将全变分滤波引入到图像分块压缩感知平滑投影迭代重构过程之中,提出了一种基于图像分块纹理信息的双树离散小波硬阈值滤波和全变分滤波的自适应加权滤波模型,用其取代原平滑投影迭代算法的滤波过程,在自适应采样缓解块效应的基础上,更有效地保存图像的细节信息。仿真实验表明,与多种已有方案相比,该方案可显著提升重建图像的主客观质量,同时可有效保留图像的纹理细节。     

空间频率与方向特征相结合的自适应采样压缩感知算法

在分块压缩感知采样过程中,为根据图像块特征更合理的分配采样率,提出一种基于纹理特征的图像分块自适应采样压缩感知算法.首先使用空间频率提取图像块纹理信息;其次根据纹理信息将图像块分为平滑块或纹理块,并确定各块的基础采样率;再使用基础采样率对平滑块采样,在基础采样率的基础上结合小波域系数统计特征调整纹理块子带系数采样率;最后使用平滑投影Landweber重建图像.实验结果证明,与已有的图像分块压缩感知算法相比,当压缩率适中时,无论是视觉效果还是客观指标方面,该算法均能明显地提高图像信号重建质量.     

自适应多尺度分块压缩感知算法

目的 基于小波域的多尺度分块压缩感知重构算法忽略了高频信号在重构过程中的作用,丢失了大量的边缘与细节信息。针对上述问题,提出一种自适应多尺度分块压缩感知算法,不仅合理利用低频信息还充分利用图像的高频信息,在图像细节复杂度提高的情况下保证图像重构质量的提高。方法 首先进行3层小波变换,得到一个低频信号和9个高频信号,分别进行小波逆变换后分成大小相同互不重叠的块,对低频部分采用2维邻块边缘自适应加权滤波的方法进行处理,对高频部分采用纹理自适应分块采样,最后利用平滑投影Landweber（SPL）算法对其进行重构。结果 与已有的分块压缩感知算法、基于边缘和方向的分块压缩感知算法和基于纹理和方向的分块压缩感知算法相比,本文算法在不同的采样率下,性能均有所提升,代表细节信息的高频信号得到充分重建,改进的算法所得到的重建图像具有较高的分辨率,尤其对细节较为丰富的图像进行重建后具有较高的峰值信噪比;2维邻块边缘自适应加权滤波有效的去除了重建图像的块效应,且重建时间平均减少了0.3 s。结论 将三层小波变换后的高频分量作为纹理部分,利用自适应多尺度分块重建出图像的轮廓与边缘;将低频分量直接视为平坦部分,邻块边缘自适应加权滤波重建出图像细节,不仅充分利用了图像的高低频信息,还减少了平坦块检测过程,使得重建时间有效缩短。经实验验证,本文算法重建图像质量较好,尤其是对复杂图像明显消除了块效应,边缘和纹理细节较清晰。因此主要适用于纹理细节较复杂的人脸图像、建筑图像和遥感图像等。     

新的纹理图像特征提取方法

提出了一种新的基于非下采样Contourlet变换的纹理特征提取方法.首先对纹理图像进行非下采样Contourlet变换,然后提取不同尺度、不同方向上变换系数矩阵的均值和方差作为特征向量,大大降低了特征维数,并利用BP神经网络进行训练和仿真,实现了纹理图像的自动分类.实验结果表明,与小波包变换和改进的LBP纹理算子等方法相比,该方法能取得更好的分类效果.     

一种利用非下采样Contourlet变换的纹理检索方法

为提高基于内容的图像检索系统中纹理特征提取的有效性,提出了又一种纹理图像检索方法。该方法利用非下采样Contourlet变换对图像进行分解,提取不同子带和不同方向变换系数矩阵的均值和方差为特征向量,作为数据库中纹理图像的索引,并利用两种不同的相似度函数计算图像之间的相似度,建立了一套基于示例查询图像的纹理图像检索系统。实验结果表明,与小波包等特征提取方法相比,该方法不仅能降低特征向量维数,而且能取得更高的检索准确率和检索速度。     

基于系数关系和分形维数的隐藏算法

提出了一种基于系数关系和分形维数的信息隐藏算法，该算法将原始载体图像分割成固定大小的图像块，利用分形维数与图像之间的关系确定每个图像块的特点，结合人类视觉系统（HVS）的特性，选择代表边缘和纹理特征的图像块，对它们进行离散余弦变换，将信息嵌入到变换系数的关系中，隐藏的信息可以是字符序列，数字序列，文本文件，二值图像，灰度图像以及彩色图像等，实验结果表明该算法透明性好，保密性高，对几何攻击，滤波，噪声和压缩等处理具有一定的稳健性。     

基于稀疏带状矩阵的二维图像重建

压缩传感（Compressed Sensing,CS）是数据采样同时实现压缩的新理论、新技术。针对大图像重构时采用的测量矩阵维数高,所需存储空间过大的问题,引入稀疏带状概念,提出了稀疏带状测量矩阵,可减少测量矩阵独立随机元,根据图像按列逐步处理的方式,测量矩阵维数大大降低。实验结果表明基于稀疏带状测量矩阵的逐列图像重构算法在保证重建质量的情况下,计算速度也大大提升。     

基于分数阶微分的图像增强模板

根据二维数字图像具有自相关性,为了充分利用邻近像素点的信息,推导出基于分数阶Riemann-Liouville定义的模板系数,构造了八个方向的分数阶图像增强模板;同时引进信息论中熵的概念对图像增强后的纹理保留效果进行定量分析。实验表明,提出的分数阶微分图像增强模板与传统方法相比具有更好的增强效果,并有效保留了图像的纹理细节信息,对纹理具有特殊需求的应用具有一定意义。     

一种新的NSCT域图像增强算法

针对实际应用中所采集的部分图像对比度低、边缘细节模糊的问题,提出一种基于非下采样Contourlet变换NSCT(Nonsubsampled Contourlet Transform)的多尺度Retinex与非线性增益函数相结合的图像增强算法。使用改进的多尺度Retinex算法对低频子带系数进行处理,以提升图像的灰度动态范围并改善图像的亮度均匀性;采用非线性增益函数和贝叶斯萎缩阈值相结合的方法对各个高频子带系数进行处理,在提升图像纹理细节的同时抑制噪声。实验结果表明:该算法能够有效提升图像对比度和清晰度,增强图像细节信息,有效改善视觉效果。     

基于局部重要性采样的SAR图像纹理特征提取方法

合成孔径雷达（Synthetic aperture radar,SAR）图像因为相干斑现象和目标响应的空间变化呈现出一种纹理特性,局部二进编码等局部图像特征 在光学纹理描述中获得较好的结果,但光学纹理特征在描述SAR图像纹理特性中因为相干成像特性往往失效. 本文 在前期工作纹理特征框架的基础上,提出了一种局部重要性采样二进编码的SAR图像纹理特征（Feature extraction based on local important sampling binary,LISBF）描述方法:首先,利用样本图像对局部采样位 置进行随机自适应采样,基于重要性采样（Important sample,IS）方法输出递归学习位置结果;然后,利用学习出的纹理重要采样点对进 行二进特征编码;最后,通过映射和统计生成描述算子. 该特征较固定位置采样能够获取更大范围信息,同时能通 过采样避免特征维数的急剧增大;通过自适应学习重要性关键点较随机采样 更容易捕捉纹理固有信息;较好地适应了SAR图像极低信噪比和斑点现象的纹理. 本文将该特征用于真实图像和标准纹理库的分类研究,实验结果证明了该特征的有效性.     

结合压缩感知与非局部信息的图像超分辨率重建

针对现有的超分辨率重建算法只考虑图像块的灰度信息,而忽略了纹理信息,并且大多数非局部方法在强调非局部信息的同时,没有考虑局部信息的问题,提出一种结合压缩感知与非局部信息的图像超分辨率重建算法。首先,根据图像块的结构特征计算像素之间的相似性,同时考虑了图像块的灰度信息和纹理信息;然后,合并图像的局部和非局部信息来估计相似像素的权重,构造结合局部和非局部信息的正则项;最后,将图像的非局部信息引入到压缩感知框架中,通过迭代收缩算法求解稀疏表示系数。实验结果表明,所提算法与现有的基于学习的超分辨率算法相比,重建图像的峰值信噪比和结构相似度取值更高,并且在恢复图像纹理细节的同时有效抑制了噪声。     

基于分形的彩色岩石裂隙分割

纹理分割是图像处理与计算机视觉领域研究的重点和难点.现有的纹理分割方法大多集中于研究灰度纹理图像,该文提出了一种基于分形纹理特征和颜色信息结合的彩色纹理分割算法.该算法将复杂的彩色图像分形维数计算转化为单色图像分形维数的计算,将纹理特征和颜色信息相结合,采用区域生长法来实现分割.通过对彩色岩石裂隙图像的分割实验,结果证实该该方法行之有效.     

基于Contourlet变换和SPIHT算法的彩色医学图像压缩

二维小波变换只能很好地分离不连续点,无法最优表示曲线奇异,同时只能获取有限的方向信息,这大大限制了它在图像处理领域的应用。Contourlet变换则结合拉普拉斯金字塔和方向滤波器组,得到多分辨率、局域、多方向的图像表示。由于基于小波变换的多级树集合分裂排序(SPIHT)算法不能有效表达图像的纹理和轮廓信息,因此提出一种基于Contourlet变换和SPIHT算法的彩色图像压缩方法,并应用于医学图像感兴趣区域压缩。首先将彩色图像转换至YIQ彩色空间;然后选取感兴趣区域,对其采用Contourlet变换提取特征信息,并利用SPIHT算法对Contourlet系数优先编码和传输,从而保证感兴趣区域的图像质量和细节信息。对背景区域则采用小波变换,并通过系数截断的方式提高图像压缩比。实验结果表明,所提算法可以较好地保留感兴趣区域的图像特征,大幅度提高背景区域的压缩比,是一种较实用的图像压缩新方法,在医学图像感兴趣区域压缩中效果良好。     

基于尺度相关性的旋转不变纹理图像渐进式检索算法

在常用的基于小波变换域旋转不变纹理图像检索算法中,由于存在方向信息提取有限且多尺度间系数相关性被忽略的局限性,检索效率受到影响。提出一种基于尺度相关性的渐进式旋转不变纹理图像检索算法。该算法首先采用Log-polar变换与非下采样Contourlet变换组合的方式获取具备旋转不变性的多尺度多方向变换系数,然后利用广义高斯模型拟合低通波段的全局结构信息作为粗判依据,方向子带间的尺度相关信息则采用非高斯双变量模型拟合,并作为精细渐进式检索的特征变量。基于Brodatz标准纹理库的实验结果表明,与小波变换及基于层内关系模型方法相比,该方法能以更低的特征维数获得更高的检索效率及检索准确率,是一种进行旋转纹理检索的有效手段。     

基于纹理复杂度的自适应分数阶微分算法

图像分数阶微分算子具有较强的纹理细节信息增强能力,但最佳分数阶微分的阶数需要人为指定。为此,分析传统的分数盒维计算方法并对其进行改进,提出一种基于纹理复杂度的自适应分数阶微分算法。选择可以表示纹理细节复杂程度的分数维作为参数,自适应确定微分的阶数。实验结果表明,改进算法提取图像边缘的效果较好。     

基于离散剪切波的压缩感知MRI图像重建

针对二维小波变换捕捉方向信息有限, 不能稀疏地表示MRI图像中曲线状奇异特征的缺点, 提出了一种基于离散剪切波变换的压缩感知MRI图像重建新方法。先对MRI图像作剪切波变换, 得到各尺度、方向子带的剪切系数, 再采用正交匹配追踪算法恢复稀疏处理后的系数, 最后进行剪切波反变换得到重建图像。实验结果表明, 与小波变换相比, 基于离散剪切波的压缩感知MRI图像有更好的重建效果, 更有利于保留纹理和边缘信息。     

小波包特征熵分解的图像水印算法

提出了一种小波包特征熵分解的自适应图像水印算法。该算法通过对宿主图像进行小波包特征熵分解,在高频系数中选取合适的阈值来区分高频系数中图像的纹理细节信息和噪声信息,将水印信息自适应地嵌入到高频系数当中。实验表明,该水印算法对噪声、JPEG2000压缩、滤波、改变对比度、几何剪切等攻击都具有一定的健壮性。     

基于非下采样Shearlet变换耦合能量关联度的医学图像融合算法

为了克服当前较多医学图像融合方法在采用图像的能量信息融合图像时,忽略了不同图像能量的关联度,使得融合结果存在细节丢失现象和模糊现象等问题,提出了一种非下采样 变换 耦合能量关联度的医学图像融合算法。借助 变换,在多尺度下对输入医学图像进行解析,获取其低频及高频子带系数。以图像的能量信息为依据,构造能量关联度函数,测量不同图像的关联程度。根据不同图像的关联度,设计不同的低频子带融合规则,获取信息含量丰富且连贯性较好的融合低频子带。在空间频率函数的基础上,注入图像的对角信息,使之成为多元空间频率函数,以计算图像的清晰度。引入标准差函数,计算图像的对比度。联合图像的清晰度和对比度信息,获取纹理及对比度等特征都较优良的融合高频子带。基于逆 变换,重构融合结果。主观和客观实验结果表明,较当前较为流行的医学图像融合技术而言,所提方法具备更高的融合质量,呈现出更多的纹理细节和更高的清晰度。     

基于非下采样Contourlet变换的指纹图像超分辨率重建

非下采样Contourlet变换(Nonsubsampled contourlet transform,NSCT)采用非抽样金字塔结构和非抽样方向滤波器组构成,具有Contourlet变换所不具备的平移不变性、较高冗余度等优良特性,而且能够克服伪吉布斯现象。图像经过非下采样Contourlet变换后分解成多尺度、多方向的细节信息,这些细节信息代表了图像不同频带不同方向的特征,这就简化了系数之间的关系。基于学习的超分辨率重建算法具有整体的预测性,将非下采样Contourlet变换和基于学习的算法相结合,在一定程度上提高训练精度。针对指纹图像的实验证明该算法具有良好的性能,重建的图像纹理性细节信息较好,基本保持了原指纹图像的特征点,更接近于原始的高分辨率图像。