基于MAS小波变换的红外小目标检测方法

提出一种基于MAS小波变换多尺度相关的红外小目标检测方法.该方法通过二进MAS小波对图像进行多尺度分析;利用边缘和噪声具有不同的Lipschitz指数造成它们的小波变换模在不同尺度下的不同传播特性,根据小波变换模尺度相关性区分边缘和噪声;利用小目标与背景和云层边缘具有不同的奇异性,在相同尺度下小波变换模不同的特性加以区分,得到最终的检测结果.实验结果表明,该方法能够有效地进行红外小目标检测.     

模糊几何特征及其在人造目标检测中的应用

提出具有模糊测度的几何基元特征的人造目标检测方法。根据相交直线段所组合构成的几何基元夹角的模糊测度,将单纯的几何基元特征扩展为模糊几何特征。应用方向算子检测图像边缘,并把边缘拟合成直线段集合;直线段集合扩展成几何基元集合,并根据所定义的模糊隶属函数,用几何基元的夹角构造成基元线段的隶属度列表;通过判断每个子区域内所有线段隶属度之和的最大值定位人造目标。检测自然背景下人造目标的实验表明,该方法检测率高达97％,整个算法的时间复杂度为O（n^2）,并有很好的稳定性且易硬件实现。     

基于分形特征的图像边缘检测方法

运用分形理论描述图像纹理特征,通过分析不同纹理图像及图像边缘处的分形参数,得到一种新的边缘检测分形特征,从而提出一种基于分形特征的图像边缘检测方法。自适应阈值的引入,能够实现不同图像的边缘检测。该算法简单迅速,并具有良好的抗噪性能。     

小波分析在图像处理中的应用

本文介绍小波分析在图像处理中的应用,有多尺度边缘检测、图像识别、图像分割.边缘检测包括可去除多余边缘的一般灰度图像实例,彩色肿瘤图像的边缘提取,汉字放大.图像识别中,对于汉字或字母的识别,是将二维图像信号降维后再进行小波分解,通过计算各层次的分形维数形成特征向量从而可以进行识别;仿射变换后的汉字或其它图像可用多尺度小波的仿射不变函数进行对比识别.最后介绍了两种图像分割算法,首先利用基于能量分析的方法将纹理部分和平滑部分先分开,然后再利用基于奇异性分进行细分,得到最终分割的结果.     

基于局部纹理分析的小目标检测方法

在多分辨率分析的基础上,提出了一种基于局部纹理分析的小目标检测新方法。利用目标与背景的局部纹理特征差异,在局部距离像上完成小目标的检测;而传统的检测方法利用目标点亮度值与背景亮度值不同进行目标与背景的分离,因此本方法更能体现目标与背景的差异,在强杂波背景中实现高效的检测。对实测数据的仿真实验表明,该方法能有效地检测占极少(1-3 个)像素的小目标;同时,在小波分解阶段分别采用 Mallat 算法和 à trous 算法时,该方法都能在 0.65秒内完成单帧检测,具有良好的实时性能。     

基于小波变换的海面背景红外小目标检测方法

采用基于正交小波分解的多分辨率分析实现频带选择,抑制噪声和背景杂波;检测图像的水平和垂直方向边缘,确定海天线和目标潜在区;利用不同方向边缘进行融合,除去大量背景干扰而获得目标候选点;检测候选目标点的灰度值,确定阈值排除虚警点并分割目标。实验结果表明,该方法能检测复杂海面背景中的舰船红外小目标。     

图像边缘检测的二维连续小波变换法

提出一种新的基于二维连续小渡变换的图像边缘检测方法。算法充分利用连续小渡变换探测信号奇异性的能力和小波的多分辨率特性。对图像进行二维连续小波变换后，直接对各个分解层的正的小波系数或负的小波系数利用闽值法初步确定图像的边缘点，然后利用“投票选举法”综合各个尺度的边缘信息。这种方法不需要进行边缘点连接，可以直接得到光滑连续的边缘。实验结果表明，新方法能够准确探测图像中目标的整体轮廓和细节信息，在性能上优于传统的两种边缘检测算子。     

一种改进的边缘检测方法

本文提出了基于小波变换和图像融合的一种改进的边缘检测方法。该方法利用小波变换将数字图像分解为高频和低频分量,对高频和低频分量分别进行边缘检测;再采用局部区域方差准则把高频和低频边缘在小波域进行融合。实验表明,该方法能够有效融合高频、低频边缘图像特征,具有较好的边缘检测功能。     

Gabor小波目标特征提取和跟踪方法的研究

为了解决目标在发生旋转、尺度及平移等几何变形时的自动跟踪问题,提出 Sobel 边缘检测与 L-M 优化结合的 Gabor 小波目标提取与跟踪方法。该方法自动寻找目标的小波特征点,在跟踪过程中不断优化特征模板的旋转、尺度以及平移等几何变形参数,使得小波特征向量值在最小平方和意义上与初始值相匹配,实现目标跟踪。实验结果表明,该算法能够有效地提取目标特征,在目标尺度变化达到 50%,角度变化 10o,旋转 90o等不利条件下实现了可靠跟踪。     

基于奇异值能量谱的Morlet小波尺度优化

针对尺度对Morlet小波变换结果具有决定性影响的问题,提出一种奇异值能量谱方法,实现Morlet小波尺度的优化并提取故障特征。首先采用Shannon熵的方法优化Morlet小波中心频率与带宽参数,针对Shannon熵计算结果中无明确极小值点的情况,通过比较不同参数下的小波变换结果,得到了最优小波参数。然后,根据实际频率与尺度的对应关系,选择有效尺度范围进行连续Morlet小波变换。最后,将每一尺度下的小波系数进行奇异值分解并计算奇异值能量谱,通过选择能量谱峰值来确定最优尺度参数,实现对故障特征的提取。对仿真信号和实际轴承信号的分析表明,此方法克服了以往方法的缺点,在低信噪比时具有良好的故障特征提取效果。     

基于变差函数的噪声图像的多尺度边缘检测

基于区域化变量理论,针对受噪声污染的图像,本文提出了一种基于变差函数的多尺度边缘检测新方法.该方法根据图像各个不同区域的数据的不同方向的变差函数值来判断该区域是否存在边缘以及边缘的方向性,然后根据该区域边缘的方向性,在水平和垂直方向分别进行不同尺度的小波变换,进而达到在确保边缘定位准确的同时,尽最大可能去除由于噪声以及图像灰度不均匀产生的伪边缘点.仿真实验表明,本文算法在对受高斯白噪声污染较严重的图像进行边缘检测时能有效的去除噪声对图像边缘检测的影响,从而证明了该方法的可行性、有效性.     

小波多尺度改进Chan-Vese模型的红外图像分割

针对红外图像特点,提出了一种小波多尺度改进Chan-Vese模型的红外图像分割算法.首先,利用小波多尺度分析的良好信噪分离性能提取红外图像的有效边缘信息,将边缘信息添加到Chan.Vese模型的能量函数中从而提高模型的局部控制能力.同时增加内部变形能量项,约束水平集函数逼近符号距离函数,避免了水平集函数的重新初始化过程,改进了Chan-Vese模型.然后,从小波变换的顶层低频子带图像开始逐层采用改进的Chan-Vese模型分割图像,并将分割结果通过插值方式传递至下一层作为分割的初始轮廓,最终实现红外图像的分割,具有抗噪性能强和运算速度快的特点.     

Texture Feature Extraction Method for Ground Nephogram Based on Contourlet and the Power Spectrum Analysis Algorithm

It is important to extract texture feature from the ground-base cloud image for cloud type automatic detection. In this paper, a new method is presented to capture the contour edge, texture and geometric structure of cloud images by using Contourlet and the power spectrum analysis algorithm. More abundant texture information is extracted. Cloud images can be obtained a multiscale and multidirection decomposition. The coefficient matrix from Contourlet transform of ground nephogram is calculated. The energy, mean and variance characteristics calculated from coefficient matrix are composed of the feature information. The frequency information of the data series from the feature vector values is obtained by the power spectrum analysis. Then Support Vector Machines (SVM) classifier is used to classify according to the frequency information of the trend graph of data series. It is shown that altocumulus and stratus with different texture frequencies can be effectively recognized and further subdivided the types of clouds.     

复杂动态背景下的红外运动多目标跟踪与检测

提出了一种采用小波变换对复杂动态背景变化程度的检测方法.对红外序列图像进行小波变换预处理后,可以提取出若干个特征区域,通过检测这些特征区域的差异来判断背景的变化程度,实现背景抑制.在抑制动态背景的基础之上,运用基于动态先验知识的区域主动轮廓模型的水平集方法来实现红外多目标的数据关联和跟踪,动态先验知识包括形状描述因子、灰度特征和运动特征等.同时,在多目标跟踪中存在目标"合并和分裂"的现象,运用"记忆和填充"方法来实现对多目标的稳定跟踪.通过对实际复杂动态背景条件下的红外序列图像进行多目标跟踪和检测实验,验证了所提方法的可行性和有效性.     

基于改进小波阈值去噪的深度学习水下目标分类

由于海洋环境噪声复杂,噪声等级高,水下待识别目标信噪比低,从而造成了特征提取困难,目标识别率低的问题。基于此,文章提出了基于改进小波阈值的深度学习水下目标分类方法。此方法在传统小波阈值去噪的基础上提出了一种新的小波阈值函数,对于所采用的具体阈值将其与分解尺度相联系,从而实现降低背景噪声,提升水下目标分类识别率的目的。此方法对实测舰船辐射噪声信号进行小波分解,提取每一层的高频小波系数并对其进行处理;对处理完的信号再提取时频特征,最后将其输入后续的深度学习网络中。实验结果发现：在利用原有数据集情况下,利用基于改进小波阈值的深度学习进行水下目标的分类识别,采用卷积神经网络算法可达到88.56%的分类识别率。对前述实验结果进一步分析后,采用生成对抗网络的方法扩充数据样本,可达到96.673%的分类识别率。     

Multifocus noisy image fusion using contourlet transform

Abstract

Image fusion is a challenging area of research with a variety of applications. The process of image fusion collects information from different sources and combines them in a single composite image. The composite fused image can better describe the scene than any of the source images. In this paper, we have proposed a method for noisy image fusion in contourlet domain. The proposed method works equally well for fusion of noise free images. Contourlet transform is a multiscale, multidirectional transform with various aspect ratios. These properties make it more suitable for image fusion than other conventional transforms. In the proposed work, the fusion algorithm is combined with a denoising algorithm to reverse the effect of noise. In the proposed method, we have used a level dependent threshold that is based on standard deviation of contourlet coefficients, mean and median of the absolute contourlet coefficients. Experimental results demonstrate that the proposed method performs well in the presence of different types of noise. Performance of the proposed method is compared with principal components analysis and sharp fusion based methods as well as other fusion methods based on variants of wavelet transform like dual tree complex wavelet transform, discrete wavelet transform, lifting wavelet transform, multiwavelet transform, stationary wavelet transform and pyramid transform using six standard quantitative quality metrics (entropy, standard deviation, edge strength, fusion factor, sharpness and peak signal to noise ratio). The combined qualitative and quantitative evaluation of the experimental results shows that the proposed method performs better than other methods.     

基于纹理及小波分析的车牌定位方法

提出了一种基于纹理和小波分析的车牌定位方法。针对图像背景复杂,且车牌所占比例较小的特点,提出了一种确定基元分类阈值的二值化方法;根据车牌字符分布规律,提出了二值纹理基元分析方法,提取车牌候选区域;基于小波分析提取车牌区域竖笔画特征,采用隶属度定量表征车牌竖笔画特征、位置特征及形状特征,给出综合这些特征、从候选区域提取车牌区域的方法。测试结果表明,该方法正确定位率超过96%     

基于MSPCA的缸盖振动信号特征增强方法研究

针对发动机缸盖振动信号信噪比低的问题,提出了基于多尺度主元分析的故障特征增强方法。将缸盖振动信号小波包分解后,利用主成分分析对所有子带系数进行坐标变换,信号重构后再进行小波包分解,计算新坐标系下各子带的能量作为发动机故障的特征向量。仿真信号验证了本文所提算法对微弱冲击信号的增强能力,与支持向量机结合用于发动机十一种故障的诊断实例表明,故障分类准确率可达到98.76%。     

Wavelet-based distortion measure for binary images

Abstract

This paper proposes an objective distortion measure for binary images. Whereas most previously proposed measures decide the distortion weight of a distorted pixel based on the relationship with the neighbouring pixels in the spatial domain, we observe the characteristics of distorted pixels in multi-spectral spatial-frequency bands. Similarities between the binary wavelet transform and the human visual system are utilised to obtain the distortion weight. When we decide the distortion weight of a distorted pixel, we consider flatness, edge orientation and texture complexity of the distorted pixel at each level of binary wavelet decomposition. Experimental results on various sample images show that the proposed measure is more adequate to human than previously proposed measures.     

基于谐波小波包变换的齿轮箱包络解调分析

齿轮箱发生某些故障时所产生的非平稳信号具有多分量调制的特点,啮合分量及倍频受噪声干扰影响严重且相互交叠,信号频带较宽异常复杂,给故障诊断带来了很大的障碍。在研究谐波小波频段分解与Hibert解调分析的基础上,提出了基于谐波小波包变换的解调分析法的实现过程。该方法首先对预处理后的信号进行三次样条插值并作必要的频谱分析;然后结合频谱特征与齿轮箱故障特征频率的理论计算值,确定所需提取的特征啮合分量;继而确定谐波小波包分解层数与提取的频带带宽,再通过傅立叶变换及反变换得到相应的特征啮合分量;最后采用Hilbert算子对提取出的啮合分量进行包络解调分析。将该方法应用到实际齿轮箱的磨损及点蚀故障的诊断试验中,验证了该方法对任意频段调制信息的精确提取能力,为齿轮箱故障源及故障程度的准确定位提供了可靠的判断依据。