基于非下采样Contourlet梯度方向直方图的人脸识别

针对人脸识别系统准确度不高的问题,提出一种基于非下采样Contourlet梯度方向直方图(HNOG)的人脸识别算法。先对人脸图像进行非下采样Contourlet变换(NSCT),并将变换后的各系数矩阵进行分块,再计算各分块的梯度方向直方图(HOG),将所有分块的直方图串接得到人脸图像HNOG特征,最后用多通道最近邻分类器进行分类。在YALE人脸库、ORL人脸库上和CAS-PEAL-R1人脸库上的实验结果表明,人脸的HNOG特征有很强的辨别能力,特征维数较小,且对光照、表情、姿态的变化具有较好的鲁棒性。     

基于韦伯梯度方向直方图的人脸识别算法

针对传统人脸识别算法在姿态、表情和光照等变化下而引起识别效果不佳的问题,提出一种韦伯梯度方向直方图人脸识别算法（HWOG）。利用差动激励提取图像的结构和纹理信息,利用HOG算子提取原始图像的边缘特征,分块统计直方图特征信息,将所有分块的直方图串接得到人脸图像HWOG特征,用最近邻分类器进行分类。在YALE人脸库、ORL人脸库上和CAS-PEAL-R1进行实验,实验结果表明所提算法能有效提高识别率,且对光照、表情和姿态变化有较好的鲁棒性。     

基于非下采样剪切波及TPCA的人脸识别

张量主成分分析法(TPCA)用于人脸特征提取,克服了传统的基于统计特征的特征提取方法会破坏图像原始结构的问题;而源图像经过非下采样剪切波变换后得到了k个大小相同但尺度不同的带通图像,具有良好的时频分析特征。为了更好地提取人脸识别特征,提出了非下采样剪切波融合TPCA的人脸特征提取算法,该算法先对源图像进行非下采样剪切波变换得到4个子代图像,再对子代图像进行TPCA特征提取得到特征集,实现人脸的高效识别。实验结果表明,该算法明显优于原有的单一算法。     

非采样Contourlet变换与局部二值模式相结合的人脸识别

针对人脸识别中姿态、光照和表情变化带来的识别率有限的问题,提出了一种基于非采样Contourlet变换(NSCT)与局部二值模式（LBP）的人脸特征提取方法。首先对人脸图像进行非采样Contourlet变换,得到多尺度、多方向的子带系数矩阵,然后利用LBP算子从每个子带系数矩阵上抽取局部邻域关系,得到各子带的LBP特征图谱,最后将这些图谱分块统计并级联后作为人脸的识别特征。利用多通道最近邻分类器的分类结果表明,所提方法能有效提高识别率,所提取的特征对光照、表情和姿态等变化具有更好的鲁棒性。     

基于非下采样Contourlet和扩散的图像去噪

根据非下采样Contourlet变换同时具有多尺度、多分辨分析和平移不变的性质,提出一种基于非下采样Contourlet变换和P-Laplace扩散相结合的图像去噪方法。该方法不但继承了非下采样Contourlet 变换捕捉边缘信息的能力,而且在P-Laplace扩散去噪时具有保持图像边缘信息的优点。实验结果表明该方法具有较好的图像去噪效果。     

非下采样Contourlet变换自适应图像去噪方法

提出了一种基于非下采样Contourlet变换的自适应图像去噪方法。首先对噪声图像进行非下采样Contourlet变换,得到各个尺度各个方向子带的系数,再根据该系数的能量自适应地调整去噪阈值。实验表明,与Contourlet多尺度阈值去噪、Contourlet自适应阈值去噪相比,该方法在保留图像边缘细节的同时,能提高图像的PSNR值,减少了Gibbs现象。     

基于非下采样Contourlet的图像融合

本文提出了一种基于非下采样Contourlet变换的图像融合方法。与Contourlet变换相比,非下采样Contourlet变换不仅具有多尺度、多方向特性,同时还具备平移不变性。文中针对非下采样Contourlet变换的特点和人眼的视觉特性,在较粗尺度采用对比度融合规则,较细尺度采用局部方差最大化规则,低频采用平均规则。该方法不但继承了Contourlet变换对方向信息融合的优点,同时又有效地去除了Contourlet变换中出现的吉布斯现象。仿真实验表明,本文方法优于Contourlet变换以及现有的小波,非下采样小波等方法。     

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。     

基于非下采样Contourlet变换域

依据非下采样Contourlet分解系数与其父系数之间的相关性,给出非高斯双变量分布模型,并基于该模型提出一种新的非下采样Contourlet变换图像分割方法。用合成纹理图像和实际图像进行仿真实验,并与小波域隐马尔可夫树模型分割及Contourlet域隐马尔可夫树模型分割等方法进行了比较,实验结果表明,在大多数情况下,该算法分割结果要好于相比较的方法,在边缘特征方面保持了良好的视觉效果,并且模型的训练简单快速。     

基于清晰度和非下采样多聚焦图像融合

根据多聚焦图像的特点提出一种基于清晰度的NSCT图像融合算法。在清晰的区域,低频系数和高频系数全部采用清晰区域的系数,而从清晰到模糊过渡的区域,低频系数则取区域方差值最大,高频子带系数取区域能量值最大。该算法与梯度金字塔算法、小波融合算法和Contourlet融合算法进行比较,实验结果证明该方法融合后的图像与源图像具有最小均方差。     

结合DCT与KPCA的人脸识别

核主成分分析是主成分分析在核空间中的非线性推广,能有效应用于人脸识别,但是识别过程时间开销过大仍是待解决的问题。提出了一种结合离散余弦变换和核主分量分析的人脸识别方法。对人脸图像进行离散余弦变换,选择部分系数重建图像,采用核主分量分析的方法提取人脸特征,采用最近邻分类器进行识别。在ORL人脸库上的仿真结果表明所提出的方法速度快,综合性能优于核主成分分析方法。     

基于非下采样contourlet变换与脉冲耦合神经网络的图像融合算法

提出一种基于非下采样contourlet变换(NSCT)与脉冲耦合神经网络(PCNN)的图像融合算法.该方法首先利用非下采样eontourlet变换对输入图像进行多尺度分解、多方向稀疏分解,准确捕获图像中的高维奇异信息,然后利用脉冲耦合神经网络的同步激发特性确定融合规则,选取融合系数,提高融合性能.实验结果表明,算法比小波变换、contourlet变换有更好的融合性能.     

基于区域特征的非下采样Contourlet变换卫星云图融合

对不同的卫星云图进行融合处理,可为灾害性天气的监测和预警提供更为全面的信息,提出一种基于区域特征的非下采样Contourlet变换(NSCT)卫星云图融合新方法。首先,采用NSCT对卫星云图进行多尺度和多方向分解,得到低通子带系数和各带通方向子带系数;然后,对低通子带系数采用基于图像区域相关系数和区域能量的自适应融合规则,对各带通方向子带系数采用加权和区域方差相结合的融合规则;最后,对融合系数进行NSCT逆变换得到融合云图。实验结果表明,该算法在增强融合云图的纹理及边缘等细节信息的同时,能更好地保留源红外云图的红外信息,融合效果更好。     

基于正交梯度二值模式的单样本人脸识别

针对传统人脸识别方法在单样本条件下识别效果不佳的问题,提出一种改进的对光照和表情姿态等变化具有较强鲁棒性的梯度脸算法——正交梯度二值模式(OGBP)。首先采用正交梯度二值模式对样本图像进行特征提取,然后将每个方向特征向量串接起来作为用于人脸识别的总体特征向量,最后通过主成分分析(PCA)方法降维并利用最近邻分类器分类识别。在YALE和AR人脸库上进行测试,实验结果表明所提方法简单有效,性能优于原始的梯度脸算法,且对单样本人脸描述具有更好的效果。     

Gabor小波变换和NMF结合的人脸识别

针对训练样本较少的情况,提出了一种新的人脸识别方法。采用Gabor小波变换得到不同的子图信息,从子图中提取特征;对每个滤波器滤波产生的子图分别进行非负矩阵分解以实现数据降维及特征选择;设计两层分类器完成图像的分类识别,采用基于距离的最近邻分类器对图像进行第一层分类识别,通过对第一层分类结果进行统计记票,获得最终的识别结果。在Yale人脸库中进行实验,实验结果表明,给出的方法有效地提高了人脸识别率。     

基于人类视觉系统的非抽样Contourlet变换域图像隐写算法

为提高图像信息隐藏的容量和隐蔽性,对比分析了非抽样Contourlet变换(NSCT)和Contourlet变换各自的优缺点和适用范围,提出了一种基于NSCT和人类视觉系统(HVS)的图像隐写方案。通过对人眼的视觉掩蔽效应进行建模,在NSCT分解的最精细尺度的各方向子带中,对不同系数分别嵌入不同的秘密信息量。仿真实验表明,新的算法相比小波域中的隐写方案,隐写的嵌入量至少提高了70000b,峰值信噪比(PSNR)提高约4dB,较好地兼顾了隐写在不可见性和嵌入容量上的要求,较小波域中的隐写方案具有更好的应用前景。     

局部方向梯度幅值与相位差分的人脸识别算法

针对传统人脸识别算法在单训练样本下效果不佳,提出一种局部方向梯度幅值和相位差分相结合的方法（LDGMPD）,首先提取图像的梯度幅值与相位,梯度幅值图像与8个Kirsch模板卷积得到每个子邻域的8个边缘梯度值;然后对相位进行局部差分。局部方向梯度幅值与相位差分仅使用边缘梯度值与相位局部差分值中最大值的方向编码成一个二位八进制数,产生LDGMPD值。再选取结构对比信息对各LDGMPD人脸分块进行加权处理,提取人脸的LDGMPD直方图特征,最后利用最近邻分类器分类识别。在AR和CAS-PEAL-R1共享库上进行实验表明LDGMPD在单样本人脸识别具有较好的效果。     

NSST与CSLDP相结合的人脸识别

针对人脸识别中姿态、光照和表情等变化造成的识别率不高的问题,提出一种非采样Shearlet变换（NSST）与中心对称局部方向模式相结合的人脸识别算法。采用NSST分解人脸图像,得到低频子带图像和高频子带图像,计算子带图像中心对称局部方向模式,分块统计直方图特征信息,将直方图串接起来作为人脸图像的特征向量,利用最近邻分类器分类识别。在ORL、YALE和CAS-PEAL-R1人脸库上进行测试,实验结果表明所提方法简单有效,且对姿态、光照和表情变化具有较好鲁棒性。