基于自适应提升小波变换的图像压缩算法

提出了一种自适应提升小波变换算法,该算法是根据待分析信号的局部特点,自适应的选择更新器,自适应更新器的选择,主要是保持图像边缘不被平滑,防止出现大的小波系数。为确保系统的稳定性,又提出了采用先更新后预测的提升结构。在此结构中,预测过程不影响更新过程,这也为自适应算法的重构提供了有利条件,由于稳定性高、高频系数小以及能够完全重构,使得此方法有利于压缩性能的提高。通过实验证明了该算法的有效性。     

基于提升方案的自适应小波变换

介绍了小波变换提升方法 ,并引入自适应理论和多层提升方案。讨论了一种新的自适应方案 ,并对研究结果进行了测试 ,取得了较好的效果。     

图像编码方向自适应提升小波变换

提出一种基于分块的图像编码方向自适应提升小波变换( DA-LWT),在每级变换中采用固定的方向块大小,仅保留一、二级变换所产生的方向信息,更高级别的方向由其前两级预测获得,从而减少边信息的开销。根据图像块的最小预测残差能量自适应选择滤波器的滤波方向,有效消除图像相邻像素间的冗余,降低高频系数能量。采用基于分数像素插值方案,提高方向分辨率。实验表明,DA-LWT的变换系数具有更好的“零树”特性,可取得比传统提升小波变换更好的编码效率和视觉效果。     

基于局部梯度信息的自适应提升小波变换

为解决传统的提升法小波变换容易模糊掉很多局部结构信息的缺陷,提出了一种自适应提升算法,该算法运用提升法的灵活性,通过引入局部的梯度信息G和一个决择算子D,并根据梯度信息来产生不同的决择输出,不仅能够自适应地选择不同的滤波方式,而且可使其具有自适应处理信号局部信息的能力.实验结果表明,运用此算法进行小波分解比传统的提升法小波分解的效果要更好.另外,该自适应提升算法在信号降噪和图象的边缘检测方面亦有广阔的应用前景.     

基于提升结构的自适应小波变换研究

对提升结构的更新算子U（Update）和预测算子P（Predict）都进行了自适应设计。在更新算子U的设计中,主要对现有算法进行了改进,使变换得到的近似信号更能表现原始信号的特点;在预测算子P的设计中,提出了一种新的变步长LMS算法,与现有方法相比,此算法具有更快的收敛速度。采用此方法能在不传递任何附加信息的情况下实现视频信号的完全重构,更好地满足视频压缩中渐进传输及多分辨率分析的要求。     

自适应提升小波变换与信号去噪

文章引入了基于提升法的自适应离散小波变换,根据LMS自适应法使伯恩斯坦预测算子自适应匹配特定的数据序列,而且应用该方法于信号的软域值去噪,数值仿真实验表明自适应提升小波变换同经典的小波变换相比,去噪后信号的信噪比效率相近,提升方法的优点在于其设计上的灵活性和计算简单。     

基于AR模型的二维自适应提升小波变换算法

研究先更新再预测的经典自适应提升小波算法,提出一种基于自回归(AR)模型的二维自适应提升小波变换算法。根据图像局部特性选择自适应更新算子,利用更新后的系数位置关系给出基于AR模型的预测算子,使预测误差功率最小。实验结果表明,与使用最小均方误差标准的自适应预测算法相比,该算法能够降低高频系数能量,且峰值信噪比也有所提高。     

基于自适应提升格式小波变换的图像压缩研究

为了减小提升格式小波变换中的误差、提高图像的压缩效果,提出基于自适应提升格式小波变换实现图像压缩的新方法。在自适应提升小波变换时,通过梯度法构造决策函数来调整更新算子和预测算子并获取最优的小波基函数,在系数量化时运用整数量化方法。实验结果显示该方法具有较好的压缩效果。     

基于提升格式的M带自适应小波变换

提出了基于提升格式的M带自适应小波设计方法.首先设定M带提升小波预测算子与更新算子的基本形式,然后根据提升结构及所选取的误差准则来自适应地调整预测算子及更新算子的系数,从而得到适合给定应用的最优M带提升小波.与目前对M带小波的研究相比较,采用提升格式得到的M带自适应小波既保持了提升方法的快速、简单及可直接在时(空)域上运算的特点,又具有根据实际问题设计出优化小波的优势.给出了两个3带自适应提升小波的设计实例.     

应用于图像的基于提升方法的双自适应小波变换

由于小波具有良好的时频特性,对于平滑图像,利用固定尺寸的小波滤波器滤波可以获得良好的分解结果.然而对于具有较多突变点的图像而言,采用固定尺寸的小波滤波器进行滤波并不是一个理想的选择.基于Heijman等人提出的2维自适应更新提升格式,本文提出了一种双自适应的小波变换算法,在更新与预测过程均采用自适应算法.最后,对标准图像进行测试分析,实验结果表明该算法在图像精确重构不需要额外的附加信息,且可以提高图像的峰值信噪比（PSNR）.     

提升的M通道小波变换在图像压缩中的应用

针对M通道小波变换对信号分频范围更细这一特点,利用基于空间域的小波提升方案,实现了M通道小波变换的提升分解。这种提升分解是不唯一的,可以利用这种分解的不唯一性,使变换具有所需的性质。为此给出了一种M通道快速提升小波变换的算法。该方法只要有分解算法,立即可以得到合成算法,而且将运算结果取为最接近的整数,就可实现整数到整数的小波变换。实验结果表明了该方法对图像压缩的有效性。     

基于提升小波与DCT的自适应音频水印算法

为了达到版权保护的目的,利用提升小波变换计算速度快、离散余弦变换（DCT）后直流系数的听觉容差性强的特点,提出了一种在提升小波域进行DCT的自适应音频水印算法。原始音频信号经提升小波变换后分解为低频子带和高频子带,对其低频子带进行DCT,将水印序列嵌入到DC系数上。考虑到水印音频信号的不可感知性和鲁棒性之间的平衡问题,采用了水印序列自适应调整嵌入。实验结果表明,该水印算法计算复杂度低,且对噪声、 低通滤波等常见信号攻击及恶意替换操作均表现出很强的鲁棒性。     

基于提升框架的赫斯特指数自适应估计方法

对局域网和广域网上大量突发网络流量的分析结果表明,网络流量普遍存在着自相似性和长相关性,其中赫斯特指数是表征网络流量突发性的重要参数。以小波提升框架为基础,结合相关系数分析法,给出了自适应的赫斯特指数估计方法,与传统的小波估计法相比,该法执行原位计算,使计算复杂性减少了约一半,同时该方法在一般意义上是无偏的。分形高斯噪声和真实突发网络数据的仿真结果均表明,自适应方法比传统估计方法具有更高的估计精度,能够自适应地选择最优尺度区间,因此可望应用于高速网络的网络管理和实时控制。     

基于行的二维离散小波变换的快速提升计算

二维离散小波变换计算量较大,并要求相当大的缓存空间,使JPEG2000在星载图像压缩和小型便携式设备中的应用受到限制。基于行的小波变换能降低对存储容量的要求,后拉伸变换的提升算法能减少离散小波变换的乘法运算量。为此,提出了一种基于行的快速提升算法,该算法将行列运算操作结合起来进行,以累进方式完成列向小波的提升步计算,节省了内存;并且充分利用了后拉伸变换的优点,减少了乘法运算量。     

基于EMD和自适应提升小波分析的图像增强

针对经典和提升小波变换共同的缺陷,提出基于EMD和自适应提升小波分析的图像增强算法。对二维图像信息作EMD分解,提取出图像信息的IMF分量,对此IMF分量进行自适应提升小波分解并重构,得到增强图像。仿真及实验结果表明该方法具有有效性和实用性。     

基于提升小波MRI图像自适应阈值去噪算法

分析了小波的消失矩特性对图像重构误差的影响,提出了利用提升算法提高双正交小波消失矩的改进算法。通过提升算法对传统小波提高消失矩,改善了小波的性能,使小波具有更好的振荡性,能够更好地捕捉图像的细节,从而提高了重构信号的精确度。根据磁共振图像的特点及其噪声的分布特性,提出了一种对小波系数进行分块处理的阈值去噪方法。通过对分解后每个层次上的各高频系数矩阵分为多个子矩阵分别进行不同阈值的选取,实现在不同的对比度区域选取不同的阈值的目的,从而使阈值的选取更具有自适应性。     

基于提升方案的冗余Haar小波变换与时间序列预测

针对小波分析存在的边界问题，提出一种基于提升方案的冗余Haar小波变换(Haar_RLWT)。使用该方法得到的系数序列，在具备时移不变性的同时，消除了右侧边界存在数据畸变的现象，使小波分析技术结合神经网络等传统预测模型的方法应用于时间序列预测任务具备可行性。同时为进一步提高预测效果，引入神经网络集成技术以改善网络泛化能力。实验表明，该综合预测模型预测效果与稳定性优于传统预测模型。     

基于提升格式小波变换的医学图像融合技术

图像融和是对取自不同时间、不同传感器或不同视角的同一场景的两幅图像或者多幅图像进行信息融合的过程,主要用于消除来自不同传感器图像中目标的位置差异。在分析常见算法的基础上,提出了一种新医学图像融合算法,新算法以提升格式小波变换为基础,利用图像多级小波分解后近似分量的轮廓相似性进行图像的快速融合。实验结果表明,新方法高效精确。     

一种基于提升小波的图像融合方法

文章探讨了一种新的基于提升小波变换的图像融合算法。该算法能够有效地解决目前常用的多尺度分解方法所存在的运算速度慢、对内存的需求量大、不适于实时应用的局限性。同时，该算法可以最大限度地保留待融合图像的信息，提高了待融合图像的清晰度。实验结果表明，该算法在执行时间和融合后的图像质量上都优于传统的方法。