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。     

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UDCT系数的改进HMT和在图像去噪中应用

通过对均匀离散曲波变换（Uniform Discrete Curvelet Transform,UDCT）系数的统计特性研究,同时对系数相关性度量指标互信息量的分析,最终选择隐马尔可夫树模型对其系数建模,且用EM算法训练序列;针对训练时间过长问题,通过分析系数的衰减性和尺度间系数延续性,提出一种新的对算法参数初值的方差和状态转移矩阵的优化方法,实验结果证明,在采用峰值信噪比和相似度作为图像去噪效果的度量时,同等条件下文中提出的算法比Wavelet HMT、Contourlet HMT、UDCT HMT算法有较好的实时性和去噪效果。     

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。     

小波域HMT模型参数的快速估计及其在图像降噪中的应用

小波域隐马尔可夫树(Hidden Markov Tree，HMT)模型可以很好地刻画尺度内与尺度间小波系数的相关性，但模型参数的训练过程复杂，计算量大。针对这个缺点，提出了一种不经训练的HMT模型参数快速估计方法。该算法首先用一种自适应阈值将每个子带小波系数分成不同的类，然后分别对每类进行统计，这种统计是局部的，因而有很好的局部自适应性，最后模型参数可以利用这些局部的统计特性来描述。将估计出的参数模型运用到图像降噪中，实验结果表明这种快速估计的HMT参数模型不仅可以大大提高计算速度，降低计算复杂度，而且从峰值信噪比和主观视觉效果上都不逊于传统的经过迭代训练的HMT模型降噪算法。     

基于小波域HMT模型的序列图像超分辨率重建*

鉴于基于小波域隐马尔可夫树的噪声抑制性和较好的边缘保持性,提出一种基于小波域隐马尔可夫树的序列图像的超分辨率重建算法。针对小波系数进行统计建模,讨论了不同尺度小波系数之间的隐马尔可夫树结构,利用了序列图像的运动信息,运用极大后验概率估计和贝叶斯原理,将小波域HMT作为图像先验知识并给出了超分辨率重建算法,最终通过EM算法和共轭梯度算法的交替迭代进行优化计算。实验结果表明方法的重建效果得到了明显的改进。     

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。     

基于第二代Bandelet域隐马尔科夫树模型的图像分割

第二代Bandelet可以充分利用图像的内在几何正则性特点, 并能自适应获得图像的最优表示. 本文采用隐马尔可夫树(Hidden Markov tree, HMT)模型对图像的第二代Bandelet系数建模, 通过多尺度参数训练和基于上下文的最大后验概率进行图像分割. 为了评价本文方法的性能, 我们分别选择合成纹理图像、航拍图像和SAR图像进行实验, 并与小波域HMT模型分割方法(WD-HMTseg)和Contourlet域HMT模型分割方法(CHMTseg)进行比较说明算法的有效性. 实验结果表明本文方法不但在边缘准确性和区域一致性上有明显改进, 而且也降低了纹理图的错分概率.     

一种基于二维隐马尔可夫模型的图像分类算法

针对图像分块之间的相互依赖关系,提出一种基于二维隐马尔可夫模型的图像分类算 法。该算法将一维隐马尔可夫模型扩展成二维隐马尔可夫模型,模型中相邻的图像分块在平面两个 方向上按条件转移概率进行状态转换,反应出两个维上的依赖关系。隐马尔可夫模型参数通过期望 最大化算法(EM)来估计。同时,本文利用二维Viterbi算法,在训练隐马尔可夫模型的基础上,实现 对图像进行最优分类。文件图像分割的应用表明,隐马尔可夫算法优于CART算法。     

复数Curvelet 变换域复数高斯尺度混合图像降噪

提出了一种基于复数Curvelet 变换域复数高斯尺度混合（CGSM）模型的图像去噪方法．指出Curvelet 变换重构图像存在“划痕”和“嵌入污点”的主要原因是Curvelet 变换域存在频谱混叠,为此,采用复数小波变换和 改进的Radon 变换分别代替原Curvelet 变换中的实小波变换和Radon 变换．构造了具有抗混叠性能的复数Curvelet 变换．本文同时把高斯尺度混合（GSM）模型扩展到复小波域,形成对复小波系数的幅值和相位信息具有有效捕捉 能力的复数GSM 模型,并在复数Curvelet 变换域,采用贝叶斯最小平方（BLS）估计器对CGSM 模型下含噪复系数 进行有效估计,从而实现降噪．实验结果表明,无论是用PSNR 指标评估,还是在视觉效果上,本文方法的去噪性能 均好于传统Curvelet 去噪、Curvelet 域HMT 去噪和小波域BLS-GSM 去噪．本文方法在有效去噪的同时,具有很好 的图像边缘和细节保护能力．     

基于Contourlet变换和Wiener滤波的图像降噪

提出一种新的基于Contourlet变换和Wiener滤波的图像降噪方法。该方法充分利用Contourlet变换域系数服从广义高斯分布的特点,在Contourlet域采用Bayes收缩阈值法进行预降噪,采用Wiener滤波法对预降噪图像中的残留噪声进行进一步处理,以提高图像的恢复精度。仿真结果表明,该方法较传统的Contourlet域降噪方法具有更好的降噪效果,进一步提高了PSNR值,降低了MSE值,获得了更好的图像恢复质量。     

Image denoising in extended Shearlet domain using hidden Markov tree models

Denoising of images is one of the most basic tasks of image processing. It is a challenging work to design an edge-preserving image denoising scheme. Extended discrete Shearlet transform (extended DST) is an effective multi-scale and multi-direction analysis method; it not only can exactly compute the Shearlet coefficients based on a multiresolution analysis, but also can provide nearly optimal approximation for a piecewise smooth function. In this paper, a new image denoising approach in extended Shearlet domain using hidden Markov tree (HMT) model is proposed. Firstly, the joint statistics and mutual information of the extended DST coefficients are studied. Then, the extended DST coefficients are modeled using an HMT model with Gaussian mixtures, which can effectively capture the intra-scale and inter-scale dependencies. Finally, the extended Shearlet HMT model is applied to image denoising. Extensive experimental results demonstrate that our extended Shearlet HMT denoising method can obtain better performances in terms of both subjective and objective evaluations than other state-of-the-art HMT denoising techniques. Especially, the proposed method can preserve edges very well while removing noise.     

基于小波变换和稀疏表示的图像去噪

传统小波阈值去噪在对图像进行去噪时,并不能很好地保留图像的细节纹理等边缘信息部分.针对这一不足,结合了稀疏表示相关的理论,提出了一种基于小波变换和正交匹配算法相结合的图像去噪算法.首先选取小波函数对含噪图像进行处理,分离出图像的高频和低频小波系数,然后对高频系数结合正交匹配追踪算法,通过多次反复迭代求得高频稀疏分量,再结合低频分量,用逆小波变换得到恢复图像.实验结果表明,在相同的噪声条件下,该算法能取得较好的峰值信噪比(PSNR),获得更好的视觉效果.     

基于小波包变换的非局部均值去噪方法

在非局部均值滤波的基础上,为了更有效地去除图像噪声,提出一种基于小波包变换的非局部均值去噪算法。首先对图像进行小波包变换,通过小波域系数估计图像的高斯噪声参数,然后计算经小波包分解后高频子带内小波系数的相似度,并以此作为权值来对小波系数进行调整,最后通过小波包逆变换对图像进行重建。实验结果表明与传统的非局部均值去噪算法相比较,该算法能在去噪的同时有效地保持图像的边缘细节等信息,取得更好的去噪效果。     

Multi-channel satellite cloud image fusion in the tetrolet transform domain

A novel multi-channel satellite cloud image fusion algorithm constructed in the tetrolet transform domain is proposed. Tetrolet is successfully applied in image denoising, image sparse representation, and image restoration. In this paper, tetrolet transform was introduced into the field of satellite cloud image fusion since its sparse degree is high. Tetrolet can describe the geometric structure feature of the satellite cloud image very well. First, tetrolet transform must be implemented into the multi-channel satellite cloud images to obtain low- and high-frequency coefficients and corresponding covering distribution values. Then, a Laplacian pyramid algorithm must be used to decompose the low-frequency portion in the tetrolet domain by averaging the values of its top layer and taking the maximum absolute values of the other layers. While reconstruction is implemented in this stage, the algorithm takes the maximum standard deviation of the high-frequency parts for each block in the tetrolet domain. Last, an inverse tetrolet transform must be used to obtain the final fused image. This paper compares the proposed image fusion algorithm to three similar image fusion algorithms: the curvelet image fusion algorithm, the non-subsampled contourlet transform (NSCT) image fusion algorithm, and the tetrolet image fusion algorithm. Mutual information, joint entropy, mean structural similarity (MSSIM), standard deviation, and average relative deviation are used as objective criteria to evaluate the quality of the fused images. In order to verify the efficiency of the proposed algorithm, the fusion cloud image is used to determine the centre location of eye and non-eye typhoons. Experimental results show that the proposed algorithm performs well when fusing the information in multi-channel satellite cloud images and improves the precision of locating the typhoon’s centre. The proposed algorithm’s comprehensive performance is superior to similar image fusion algorithms.     

Extended Shearlet HMT Model-Based Image Denoising Using BKF Distribution

Images are often corrupted by noise in the procedures of image acquisition and transmission. It is a challenging work to design an edge-preserving image denoising scheme. Extended discrete Shearlet transform (extended DST) is an effective multi-scale and multi-direction analysis method; it not only can exactly compute the Shearlet coefficients based on a multiresolution analysis, but also can represent images with very few coefficients. In this paper, we propose a new image denoising approach in extended DST domain, which combines hidden Markov tree (HMT) model and Bessel K Form (BKF) distribution. Firstly, the marginal statistics of extended DST coefficients are studied, and their distribution is analytically calculated by modeling extended DST coefficients with BKF probability density function. Then, an extended Shearlet HMT model is established for capturing the intra-scale, inter-scale, and cross-orientation coefficients dependencies. Finally, an image denoising approach based on the extended Shearlet HMT model is presented. Extensive experimental results demonstrate that our extended Shearlet HMT denoising approach can obtain better performances in terms of both subjective and objective evaluations than other state-of-the-art HMT denoising techniques. Especially, the proposed approach can preserve edges very well while removing noise.     

基于PCA的图像小波去噪方法

目前使用的各种小波去噪方法基本上都是建立在对噪声方差精确估计的基础上，而对噪声方差的精确估计是很困难的．提出了一种采用主分量分析（PCA）提取小波系数的主要特征，通过对小波域中噪声能量的估计来实现去噪的新方法．首先利用PCA对小波高频子带进行局部特征提取；然后以主分量对小波系数进行重建的平均能量作为局部噪声能量的估计；将原小波系数的能量减去噪声能量，就得到去噪后的小波系数；最后用小波逆变换对剔除噪声分量后的小波系数进行恢复得到去噪后的图像．本文算法无需对噪声方差进行估计，因而更具实用价值．本文算法与“软阈值”、“硬阈值”去噪方法相比，峰值信噪比（PNNR）提高了2～8dB．实验证实了本文算法良好的去噪性能。     

基于非抽样Contourlet变换的最佳软阈值图像去噪

研究了小波变换在图像处理中的缺陷,以及Contourlet变换在图像处理中产生伪Gibbs失真的原因。为了在多尺度分析框架下改进图像去噪的效果,提出了一种基于非抽样Contourlet变换的图像去噪算法,利用非抽样Contourlet变换的多尺度多方向性以及平移不变性,对加噪图像进行非抽样Contourlet变换得到变换系数,然后对变换系数采用分层最佳软阈值处理,最后将其反变换得到去噪后的图像。实验结果表明,与Contourlet变换图像去噪算法相比,该算法可以达到更好的效果。     

一种新的基于小波变换的图像去噪算法

小波去噪算法的关键是如何处理小波变换系数。把电路中同或的思想引入图像去噪领域,在识别信噪属性时,综合考虑了小波系数的模极大值、相位等因素,提出了小波域同或去噪算法。较之经典方法,此方法在改善去噪效果的同时提高了算法的执行速度。