基于小波域的fMRI脑功能连通性检测方法

将小波变换和聚类方法结合,提出了一种基于小波域的fMRI激活区聚类检测方法.该方法首先采用多步决策的思想,对fMRI图像进行模糊C均值聚类,去除fMRI数据的不平衡问题;之后利用平稳小波变换,对数据进行小波分解,提取出感兴趣的频率范围的信息,并在小波域对体素用改进的K均值聚类算法进行分析,从而找出大脑中因任务刺激而激活的区域.对多名被试进行了视觉刺激实验,并与目前主流的SPM方法进行了比较,结果表明本文方法较SPM方法具有更高的合理性,对大脑功能连通性检测具有指导意义和实用价值.     

基于小波变换的功能磁共振图像时间序列分步去噪

功能磁共振图像（fMRI）数据中反映大脑神经活动的感兴趣信号常受到结构噪声和随机噪声的影响。为消除上述噪声对分析激活体素的影响,对经过SPM标准预处理的体素时间序列进行Activelets小波变换,并在得到尺度系数及细节系数后,针对两类噪声的不同特点进行分步去噪。第一步,在受结构噪声影响的尺度系数上,选用独立成分分（ICA）析去识别并消除结构噪声源;第二步,提出一种改进的空域相关去噪算法在细节系数上对信号进行处理。值得注意的是,该算法利用邻域体素之间的相似性,判定所处位置的细节系数反映噪声还是神经活动。实验结果表明,经过这两步处理的数据可有效消除噪声的影响,其中框架位移减少了1.5mm,尖峰百分比减少了2%,此外由去噪后的信号获得的脑激活图中一些明显的伪激活区得到抑制。     

小波域图像降噪概述

小波域图像降噪是图像处理中一个引人注目的研究方向，为了使人们对小波域图像降噪有一概括了解，在对小波域图像降噪相关文献进行分析和理解的前提下，首先给出了小波变换的特性，同时阐述了小波去噪的最优准则和对图像进行小波变换时小波基的选取原则，然后评述了用于图像降噪的方法，并分析了利用小波系数建模的常用方法，最后探讨了小波域图像降噪的发展方向。     

一种改进的小波域维纳滤波的图像降噪算法研究

针对小波域维纳滤波图像降噪存在计算速度慢和降噪效果较差,本文提出一种改进的小波域维纳滤波算法,将阈值化处理引入小波域维纳滤波,通过阈值化处理小波变换后的系数来提高降噪效果。依据改进算法的具体过程和算法步骤,运用MATLAB进行算法仿真,仿真结果表明,改进的小波域维纳滤波算法进行图像降噪可以有效地提高图像的信噪比,降噪效果良好,同时计算速度较快,节约时间。     

基于阈值分类的小波域混合模型图像降噪

通过一种自适应阈值分类,小波系数被分为两类:“大”的(重要的)和“小”的(不重要的)。根据不同类小波系数的统计特性分别用不同的模型进行降噪,对于“大”的一类用一种具有尺度间相关性的双变量模型进行降噪,而对于“小”的一类用一种具有强局部相关性的零均值高斯模型进行降噪,最后用Cycle-spinning方法抑制降噪过程中可能存在的震铃和锯齿等失真。实验结果表明了该算法在客观峰值信噪比和主观视觉上都优于一些传统的降噪算法。     

基于小波域维纳滤波的图像降噪技术

传统的小波域局部维纳滤波器的参数由小波系数的某个邻域上的系数或某个邻域上的系数加上相邻尺度上的对应系数所估计,由于邻域不可能取得很大,这样会导致在某些点上估计精度的下降.对此,该文首先分析了传统的小波域局部维纳滤波器的估计误差,然后根据分析的结果,提出了一种对该算法的改进,即先用适当的门限值对小波系数进行阈值化处理,再进行局部维纳滤波.对不同噪声水平的测试图像的仿真结果表明,该改进措施可以有效地改善小波域局部维纳滤波的降噪性能,而且噪声污染越严重,改善越明显.     

基于小波变换的图像降噪技术

小坡变换在图像处理中有着重要的应用,在基于小波的图像降噪处理算法中,常常存在着对图像信息的过分滤除和对噪声信息的欠滤出,而使得对图像降噪后不仅没有提高信噪比反而使其降低了,这就不利于对图像进行分析观察。究其原因主要是由于阈值选取和处理方法不恰当引起的。在小波空间Donoho闺值算法的基础上,结合Birge—Massart策略得出的多层阂值图像降噪处理算法,从而达到较好的保留图像的细节有用信息、降低噪声的目的,仿真实验表明对一般受低噪声干扰的图像做降噪处理时,效果较好。     

小波变换在身份证图像降噪中的应用研究

针对非理想身份证图像中存在的斑点噪声,利用小波变换降噪的特点,将身份证图像进行小波分解,然后分别采用硬阈值、软阈值和小波指数函数三种方法进行降噪处理。结果表明小波指数方法是较优降噪方法,可以有效地降低原图像的斑点噪声并保留图像细节。     

小波域音频信号降噪研究

音频降噪是音频处理前期的必要步骤,小波域降噪是其中一个重要的研究方向,为了使人们对小波域音频降噪有概括了解,在对小波域音频降噪相关文献进行分析和理解的前提下,首先介绍了小波变换及其特性,同时阐述了小波降噪的最优选取和处理准则,及对音频进行小波变换时小波基的选取原则;然后评述了用于音频降噪的阈值,多小波、小波包、模极大值和尺度相关法等5类方法及各自的发展;接着介绍在前人基础上,提出新的基于模极大值和尺度理论的降噪算法;最后探讨了小波域音频降噪的发展方向。     

基于小波域彩色交通图像的噪声处理方法

文章分析了图像处理在智能交通系统中的应用前景及现实意义，对小波变换的原理及其在彩色图像的去噪处理方面的应用进行了研究。通过Matbb软件仿真实现了基于小波域的滤波，并通过与其它方法比较的验证了该方法的优势及可行性。     

基于小波变换的心电信号降噪处理

实测的心电信号不可避免地存在一些强干扰和噪声,为了实现准确地提取反映心电信号的特征信息,该文应用一维离散小波变换实现了对心电信号的降噪处理。实验研究结果表明,该方法能够有效地去除心电信号中的噪声,从而为心电信号特征信息的提取奠定了理论基础。     

图象小波域的水印嵌入方法

图象小波变换后获得的低频尺度子图携带了较多的信号能量，在这一分量上嵌入水印，可保证水印稳健性较好，也能提高图象对水印的容量，作者应用小波提升算法基础上获得的非线性小波变换方法来提高尺度小图系数的值，增强这些系数的感觉容量，实验结果表明使用这种方法可以获得稳健性更强制 小波水印嵌入算法。     

复数小波域的高斯尺度混合模型图像降噪

由于复数小波变换具有近似平移不变性和良好的方向选择性,因此适用于图像去噪。为了取得更好的降噪效果,提出了一种基于复数小波的高斯尺度混合模型降噪算法。该算法首先对自然图像的复数小波系数建立统计模型,即将位于相邻位置和尺度的系数邻域建模为一个高斯尺度混合模型;然后用该模型对子带系数进行贝叶斯最小均方估计,以达到降低噪声的目的。由于这一模型很好地利用了复数小波系数幅值尺度间和尺度内的相关性,因此可以取得较好的降噪效果。实验结果表明,该算法无论从峰值信噪比还是从主观视觉上都优于一些传统的降噪算法。     

小波模极大值在图像消噪中的应用

提出利用小波模极大值进行图像消噪方法,对含噪声图像进行离散平稳小波变换和噪声标准差的估计,在Bayes-shrink阈值计算的基础上,得到消噪的阈值计算公式。对各尺度各子带的小波系数模极大值进行判断,获得由图像边缘产生的小波系数,使用自适应多阈值的方法在小波各尺度、各子带萎缩非图像边缘产生的小波系数。经平稳小波逆变换得到消噪后的图像。实验结果表明,与以前消噪方法相比,该方法具有更好的效果。     

小波域多方向信息融合的纹理图像检索

由于能提供较多的方向信息,双树复小波变换在纹理图像检索中的检索率高于传统小波变换,但传统小波变换与双树复小波变换得到的方向子带不同。针对该问题,提出一种融合传统小波和双树复小波变换的一阶统计信息从而提取特征进行纹理图像检索的方法。对Brodatz图像库的仿真实验表明,该方法优于传统小波和双树复小波方法。     

在小波变换域内实现图像的超分辨率复原

提出了在小波域内实现图像的超分辨率复原的方法，这种方法可以达到自适应边缘保持的目的，算法特点如下：(1)对观测模型实施正交小波变换，获得超分辨率复原问题的空频域描述；(2)采用广义高斯概率模型来构建超分辨率图像的尺度系数和小波系数的先验描述；(3)采用半二次正则化迭代方法来完成小波域超分辨率复原的求解过程。     

基于小波高频距离像的红外小目标检测

针对远距离复杂背景下红外小目标检测问题,提出了一种基于小波高频距离像的方法;该方法首先将处理空间变换到小波域,通过分析残留背景、目标和噪声系数在高频子带的差异,定义基于邻域均值的子带系数表达形式,构造高频子带系数的中心向量,对小波高频图像进行综合形成距离像,得到红外复杂背景的抑制结果;在此基础上,利用恒虚警率算法将单帧背景抑制图像分割成候选目标、残留背景和噪声像素点;最后,在时间域基于目标运动的相关性,利用管道滤波实现红外小目标的最终检测;仿真实验结果表明,相对于经典算法,该方法可以实现对红外复杂背景的有效抑制,增强目标信号的强度,准确稳定地从红外复杂背景中检测出小目标.     

基于图像置乱预处理的小波域盲水印系统

在基于小波域的盲水印系统中，由于小波变换的局部性，致使水印的嵌入可能会给原始图像带来类似于图像压缩中产生的“块效应”。为了在保持强度不变的前提下进一步提高水印的不可视性，提出了一种基于图像置乱预处理的小波域盲水印算法，即先将原始图像置乱，而后再将水印嵌入到图像小波域中，以达到将水印所引入的“块效应”化整为零地分布到图像的不同部分的目的，从而在很大程度上提高了水印视觉上的“不可感知性”。试验证明，这种算法是有效的。另外，经过置乱操作的图像，小波变换后得到的小波高频系数服从高斯分布，这就使得线性相关检测在这个水印系统中能够达到最优。     

基于Haar小波域自学习的图像超分辨率方法

图像超分辨率重构是指由低分辨率图像来获得高分辨率图像的过程.为了能够有效的重构出高分辨率图像,提出一种基于Haar小波域自学习的图像超分辨率重构算法.该算法将高分辨率图像通过Haar小波变换后得到的近似子块L与已知的低分辨率图像联系起来,然后通过Bp神经网络来自学习Haar小波变换细节子块之间相近的自相似性,从而预测出高分辨率图像通过Haar小波变换后的三个细节子块H,V和D.最后由逆Haar小波变换重构高分辨率图像.实验表明由该算法重构的高分辨图像有很好的视觉效果和峰值信噪比.