基于离散曲波变换的图像Hash算法

为了提高图像Hash算法的鲁棒性,提出一种新的基于离散曲波变换的图像Hash算法。该算法首先对图像预处理,再进行基于“打包”的快速离散曲波变换,提取出包含图像主要特征的曲波低频系数和边缘信息较丰富的细节2层系数作为特征向量;然后用Logistic方程对特征向量加密;最后进行量化压缩得到图像Hash序列。实验结果表明,该算法与已有传统算法相比,具有更高的鲁棒性;能有效区分不同图像,具有易碎性;混沌系统的引入使算法具有安全性。     

基于曲波与主分量分析的人脸识别

本文提出了基于曲波变换和主分量分析的人脸识别算法。针对小波变换仅能有效表达图像中的点奇异性的弱点,采用曲波变换提取面部主要特征。由于人脸的主要特征是面部的曲线信息,而曲波变换直接以曲线为表达基元,其变换系数能有效表示沿曲线的奇异性,而且是各向异性的,所以能更好地表达面部特征。进一步使用主分量分析将特征投影到更具表达力的空间中,从而达到更高的识别率。实验结果表明曲波的性能优于小波,尤其是曲波小尺度系数的识别率明显高于小波高频系数。     

基于曲波变换的渐变镜头转场检测算法

曲波变换在处理“曲线奇异”时有明显的优势。给出了曲波变换的计算方法、公式和具体步骤。对dissolve渐变转场过程中的各相邻帧进行曲波变换。以曲波变换后高频系数的平方作为图像帧的特征量,计算相邻帧间此特征量的欧氏距离。用大量的高清码流对算法进行了实验。实验结果表明,此算法有较高的查全率和查准率。     

基于快速曲波变换的图像去噪算法

曲波(Curvelet)可以很好的表示含曲线奇异的函数的异向性,但传统的曲波99变换采用复杂的参数结构和重叠的窗口,既不利于数学定量分析,也增加数字实现的冗余。采用快速曲波变换,对物体边缘信息具有最优稀疏表示。通过平移不变的曲波萎缩算法,可获得比传统去噪方法更好的均方误差(MSE)。实验结果表明,与传统的MultiVisu,MultiBayes,WHMT去噪算法比较,算法CS-FDCT去噪效果最佳,在噪声方差"=25时,使用该方法的峰值信噪比(PSNR)可高达30.8528,并且去噪后的图像具有最好的视觉效果。     

基于快速离散曲波变换的图像去噪算法

Curvelet变换可以更好地表示曲线奇异函数的异向性及图像边缘,因此更适合于多尺度图像去噪。针对传统阈值法存在的不足,在分析wrapping方法的快速离散曲波变换基础上,提出结合Cycle Spinning循环平移方法的菱形块阈值规则去噪法,并自适应地对不同的Curvelet子块进行阈值化。该方法可以消除由于Curvelet变换缺乏平移不变性而产生的图像失真,并且更好地利用曲波系数的相关性。实验结果表明,该方法与传统的小波去噪、曲波硬阈值去噪、曲波软阈值去噪、曲波软硬阈值折中法去噪相比,使得去噪图像的峰值信噪比更高,视觉效果更好。     

基于曲波变换的大容量盲数字水印技术

阐述了曲波变换（Curvelet Transform）的基本原理,并提出采用基于曲波变换的人类视觉模型来优化数字水印的稳健性;还利用EMD（Exploiting Modification Direction）算法所特有的高效大容量嵌入方法来扩展水印的嵌入容量,使得数字水印在稳健性和透明性之间的平衡性上有了明显的提高。该算法不仅可以有效地应对各种常规的信号处理攻击,而且还可以防止大部分的恶意水印攻击。同时由于曲波变换的特点,算法的抽取和检测不需要原始水印和原始载体的参与,是一种全盲水印算法。最后的实验结果证明该算法相比于其他多种变换域类稳健水印算法,稳健性和透明性都有明显提高。     

基于曲线波和稀疏表达的卡通—纹理模型

CT图像去噪恢复是医学影像图像处理的基础环节。为解决卡通—纹理模型在医学图像去噪应用中计算困难和精度低的问题,对卡通—纹理模型分解方法进行了扩展。首先,以曲线波变换描述图像卡通—纹理模型中的结构部分;其次,以更稀疏的对偶树复小波变换描述图像卡通—纹理模型中的纹理部分;最后,建立了结合曲线波和稀疏表达的图像卡通—纹理分解模型,并讨论了模型的分解算法。仿真实验结果表明,新方法可有效地解决医学影像图像去噪算法中迭代计算量大的问题,并可提高处理后图像的质量。     

Fast discrete curvelet transform based anisotropic iris coding and recognition using k-out-of-n: A fused post-classifier

This paper presents rotation invariant technique for iris feature extraction and fused post-classification at the decision level to improve the performance under non-ideal environmental conditions. In this work, directional iris texture features based on two-dimensional (2D) Fast Discrete Curvelet Transform (FDCT) are computed. This approach divides the normalized iris image into six sub-images. The curvelet transform is applied on each sub-image. The feature vector for each sub-image is derived using the directional energies of these curvelet coefficients. These distances are fused at the decision level through novel post-classifier using k-out-of-n: A scheme to reduce the false rejection rate. The feasibility of the proposed algorithm has been tested using UBIRIS, MMU1 and CASIA-Iris V2.0 databases and performance is compared with some of the well-known existing iris recognition algorithms. The experimental results show that the performance is comparable with some of the state-of-the-art iris recognition algorithms.     

基于小波变换和曲波变换的图像边缘检测新算法

针对图像处理中的边缘检测问题,提出了一种基于小波变换和曲波变换的图像边缘检测新算法。首先对原始图像进行小波变换得到小波边缘图像;然后对原始图像进行曲波变换并使用Canny算子得到曲波边缘图像;最后基于小波变换的窗口内边缘强度自适应融合算法将小波边缘图像和曲波边缘图像进行融合得到最终边缘图像。该方法结合了小波变换描述图像细节特征的优势和曲波变换处理曲线或直线边缘特征的优势,能全面刻画边缘图像的纹理与细节信息,提高了图像清晰度。仿真实例表明了该算法的有效性。     

基于曲波变换和模糊理论的遥感图像融合

作为一种新的多尺度几何分析方法,曲波比小波更适于分析图像中的直线和曲线边缘特征,利用这一特性,提出了基于曲波变换和模糊理论的遥感图像融合算法,利用曲波变换获取代表待融合图像特征的曲波系数,并将模糊理论引入融合规则中,自适应确定曲波系数的加权权值,实现图像的融合处理.对SAR与全色、多光谱图像融合实验结果的分析表明,该算法的融合效果优于传统的基于PCA、小波变换以及标准曲波变换的融合算法.     

基于协同表示的步态识别

将基于稀疏表示的分类算法应用于步态识别中,会遇到小样本及计算耗时的问题。针对这一问题,提出一种基于协同表示的步态识别方法。该方法首先通过背景重建、目标提取等处理获得人体侧影轮廓,根据步态轮廓的宽度变化统计步态周期,得到步态能量图GEI;其次,以GEI为基础对测试样本进行协同表示;最后,通过最小重构误差进行识别。实验结果表明,该方法具有较好的识别性能,并且识别时间明显降低。     

基于傅立叶描绘子的步态识别

步态识别作为一种新的生物特征识别技术,通过人走路的姿势实现对个人身份的识别和认证。利用傅立叶描绘子对步态轮廓图像进行描述,用步态图像的高宽比进行步态的准周期性分析,并采用动态时间规正算法解决不同的步态周期的图像序列之间的比较问题。该算法在CMU数据库上面进行试验取得了较高的正确识别率。     

基于第二代Curvelet变换的自适应图像增强

Curvelet是继小波和Ridgelet之后一种新的图像多尺度表示方法,Curvelet具有多尺度,多方向的特性,属于高度各向异性的变换。第二代Curvelet变换克服了第一代Curvelet变换的高数据冗余度问题,特别是基于”Wrapping”方式的第二代离散Curvelet算法,不仅运算快速、几何真实,而且快速可逆。因此,将第二代Curvelet变换用于图像增强,并通过自适应地确定Curvelet分解子带的噪声水平,实现了一种自适应图像增强方法。实验结果表明,同基于小波变换的图像增强方法相比,该方法具有明显的优势。     

基于第二代Curvelet变换的点云曲面特征提取

针对点云特征提前取方法在多方向性分析方面的局限性,将Curvelet变换引入点云的分析,研究数据点云不同尺度曲面特征的提取方法。在数据点云分层、扩展预处理的基础上,以第二代离散Curvelet变换分析数据点云,采用软硬阈值折衷法,对表示数据点云边缘的Detail层、Fine层Curvelet变换系数进行处理,增强数据点云的边缘。对增强后的Curvelet变换系数进行Curvelet逆变换,重构数据点云,提取数据点云的边缘,获取曲面特征。实例表明,以Curvelet变换分析为基础的曲面特征提取方法,可以更加准确地提取数据点云的曲面特征。     

基于第二代Curvelet变换的低对比度图像增强

针对传统图像增强方法用于低对比度图像时,存在对噪声敏感、局部过增强等问题,提出了一种基于第二代 Curvelet 变换的增强方法。将图像进行多尺度多方向的 Curvelet 变换;引入分段非线性函数的思想,调整低频子带系数,提高图像整体的对比度;对各尺度的高频子带系数进行非线性加权,增强图像细节,并进行阈值降噪。实验表明,该方法优于常用的空间域直方图均衡化和小波域图像增强法,能有效地提高图像的对比度、降低噪声,并且较好地保留边缘信息,具有良好的视觉效果。     

基于组合特征的步态识别

基于步态的身份识别是近几年出现的一种新的生物识别技术。提出了一种融合静态特征与动态特征的步态识别方法,该算法使用小波矩描述步态序列图像的静态特征,接着使用主元分析法对小波矩进行降维,而图像的动态特征则用人体轮廓的3个宽度特征来描述。最后,通过实验证明了该算法的有效性。     

基于不变矩的步态识别

提出了一种利用不变矩进行步态识别的方法。该方法把二维人体空间轮廓信号变换为一维不变矩信号,把人体的步态序列变换为不变矩矢量,对不变矩矢量进行规格化,然后根据规格化不变矩矢量进行步态识别。实验中,本文的方法取得很好的效果。     

基于不变矩特征和神经网络的步态识别

步态识别是利用人体步行的方式来识别人的身份.近年来,步态作为一种生物特征识别技术已引起越来越多人们的兴趣.本文提出了一种简单有效的步态识别算法,首先通过背景差方法得到运动人体轮廓,然后利用不变矩描述轮廓特征,最后用BP神经网络方法来进行模板匹配,实现人的身份识别.     

基于混合不变矩的步态识别

基于步态的身份识别是近几年出现的一种新的生物识别技术.将Zernike矩应用到步态识别中,同时利用小波矩的局部辨析能力,将两种矩结合起来作为识别特征,从而提出一种基于混合不变矩的步态识别方法.为了减少特征向量维数的增加带来的计算复杂度,采用一种改进的BP神经网络用于识别,在保证分类效果的基础上减小计算复杂度.实验结果表明,基于混合不变矩的步态识别方法在识别率上优于基于单一不变矩的方法.