基于小波系数的图像融合规则研究

进行图像融合最主要的是制定合适的融合规则,在对图像进行小波分解研究的基础上,本文提出一种对变换域低频和高频分解图像分别进行融合处理的方法,即对源融合图像分解后得到的近似图像和细节图像进行融合,并与其他传统的融合规则算法作比较,用仿真实验证明本文方法的可行性并取得良好的效果.根据基于小波变换的图像融合模型,多源图像经过几何配准,重采样和精确配准以后,对参与图像融合的图像进行小波分解.     

模糊积分理论在图像融合效果评价中的应用

利用模糊积分、择近原则进行融合图像分析及效果评价,并以基于小波变换的图像融合方法为例,就医学中CT-MR图像融合的具体情况,对小波分解和重构层数不同的融合图像进行分析和评价.     

改进型小波能量法的图像融合评价

针对小波变换的特点，对传统的小波能量法进行改进实现了对融合结果由粗到细地分析，评价融合算法的优劣，通过各层的小波能量分布可以进一步选择小波融合的分解层数，预测融合结果。选取常见的小波函数——Haar小波作为图像融合的小波基函数，在点对点的融合策略下进行图像的融合实验，并利用改进后的小波能量法WE2对融合结果进行评价     

基于小波变换的全局能量图像融合算法

提出了一种基于小波变换的全局能量图像融合算法。对小波分解系数采用基于全局匹配度来选择和加权的融合规则。全局匹配度以区域能量作为测度,包含了小波分解的高频3个方向的匹配度。使得选择策略下融合图像的高频3个方向的小波系数均来自同一源图像,保证了小波重构时融合的一致性。实验结果表明,全局能量法的融合图像具有更好的融合特性。     

基于小波变换和邻域特征的多聚焦图像融合算法

提出了一种基于小波变换和邻域特征的多聚焦图像融合算法。该算法首先采用小波变换对源图像进行多尺度分解,得到低频和高频子图像;然后对低频子图像采用基于邻域归一化梯度的方法得到低频融合系数,对高频子图像采用基于邻域方差的方法得到高频融合系数;最后进行小波重构得到融合图像。采用均方根误差、信息熵以及峰值信噪比等评价标准,将该算法与传统融合方法的融合效果进行了比较。实验结果表明,该算法所得融合图像的效果和质量均有明显提高。     

基于区域特征的小波变换图像融合方法

图像融合的目的是把来自多传感器的数据互补信息合并成一幅新的图像，以改善图像的视觉效果。笔者提出一种基于小波变换的图像融合方法，其思想是先把待融合图像采用小波进行分解，然后在对分解后的小波系数矩阵采用区域特征进行融合处理，最后采用小波逆变换得到融合图像。该方法很好地区分了图像低频分量和高频分量对融合的不同影响，实验表明取得了较好的融合效果。     

基于双树复小波和广义高斯密度的纹理图像检索

提出了一种基于双树复小波变换结合广义高斯密度和Kullback-Leibler距离的纹理图像检索新方法。该方法运用双树复小波变换对检索图像和目标图像进行分解,在每层生成6个方向子带的小波系数,并对小波系数的边缘分布函数进行高斯建模,生成纹理特征,再通过计算相应子带间纹理特征的Kullback-Leibler距离度量图像的相似性。实验表明,该方法比基于能量特征和欧氏距离的检索方法以及在3层分解层数下比基于小波变换、Contourlet变换等结合广义高斯模型的检索方法有更高的检索率。     

小波滤波分解层数的自适应确定方法

针对加性高斯白噪声,根据信号和噪声在小波空间上传播的特性,提出了一种基于Kolmogorov-Smirnov检验的最优分解层数自适应确定算法,对于不同数据长度的信号,可以自适应地选择小波变换的最优分解层数。仿真实验表明,该方法可以得到最优的信噪比及最小均方误差,并且对小波分解边界延拓方式的选择具有较强的适应性。 更多还原     

基于小波静态分解的离散小疵点检测

在分析织物疵点特点的基础上,提出了一种新的检测方法.首先根据正常织物小波分解后的能量来确定小波基和小波分解层数.接着对测试图像进行小波静态分解,然后提取子图中的子窗口标准差作为提取的特征;在此基础上,通过与正常子图中的特征相比较来判断小疵点是否存在.最后通过提取特征构造的标准差图确定小疵点的位置.实验表明,该检测方法是有效的.     

一种自适应的小波方向对比度图像融合算法

对多传感器获得的图像序列进行图像融合,可以采用基于小波变换的多分辨率分析图像融合方法。首先,对两幅待融合图像进行小波变换,采用平均加权的方法来获得融合后的低频分量;采用一种基于图像对比度的自适应算法来获得融合后的高频分量。最后从最高分解层到最低分解层依次对得到的高频小波系数和该分解层的低频小波系数进行小波逆变换,最终得到具有原图像有用信息的融合图像。实验结果表明,这种算法可以很好地保留原图像的有用信息,是一种有效的图像融合算法.     

基于多频带信息融合的小电流故障选线方法

经分析小电流接地系统单相接地时的故障特征,指出了适合暂态分量选线的高频频带,同时利用在时频空间具有良好聚焦特性的小波包,提出了一种利用多尺度小波包分解的多频带信息融合的选线方法。单一尺度的固定频带信息所形成的选线判据容错能力较低,无法保证选线的准确度和灵敏度,而利用多个频带故障信息,及其对应的小波分解系数所构造的选线判据,则可有效提高选线的鲁棒性。仿真结果表明,该方法可有效实现小电流系统的故障选线,较常规系统具有更高的可靠性和准确性。     

一种基于SVD分解的小波阈值降噪方法

针对小波软阈值消噪的缺点,探讨了一种基于奇异值分解(SVD)的离散小波去噪方法。该方法通过对每层小波分解细节系数进行奇异值分解,将其中的信号特征成分和噪声分解到不同的正交子空间中,在子空间中选取集成信号特征成分的奇异值矢量进行重构,从而提取出淹没在细节系数中的有用信号成分,最后进行小波重建,得到降噪信号。通过仿真实例的验证,表明该方法与小波阈值消噪法相比,在强噪声背景下,它提取出的信号特征成分更完整,信噪比更高。     

基于最佳小波包基的边海防声目标识别

针对于将声音识别技术应用于边海防目标的识别,提出了一种新的基于最佳小波包基的特征提取方法。具体方法是首先根据边海防声音信号的频率分布特征,对这些信号进行有选择地多尺度小波包分解,获取最佳小波包树,然后将相应的最佳小波包基的能量值归一化后作为特征向量,再将这些特征向量输入BP神经网络训练,用训练好的神经网络对边海防声音信号进行识别。仿真结果表明:在噪声条件下,利用此特征提取方法,识别率达到94%,比基于小波包分解的特征提取方法的识别率高出6个百分点。     

一种基于OBJ三维模型纹理贴图的信息隐藏算法

为改进三维模型信息隐藏的鲁棒性,提出了一种基于OBJ（3D模型文件格式）三维模型纹理贴图的信息隐藏算法.选取三维模型贴图进行多元数小波变换;运用奇异值分解理论进行静态系数提取;利用三维Arnold置乱和纹理映射算法对隐秘信息和静态系数进行融合与正交投影.实验结果表明,算法能显著提高线框渲染、顶点绘制、面片挤出和剪切等攻击的鲁棒性.     

基于小波分解和最大互信息的图像配准方法研究

研究了基于最大互信息图像配准的理论和实现算法,提出了将小波分解与之相结合的算法,证明了该算法优于基于最大互信息的图像配准。通过实验数据比较可以得出,提出的基于小波分解和最大互信息的图像配准的算法可以有效地提高配准的速度和具有较好的配准效果。     

基于小波神经网络的掌纹识别

提出了一种基于小波神经网络的掌纹识别方法。首先对掌纹图像经过预处理得到掌纹的感兴趣区域（ROI）,然后利用小波包分解的方法对该区域进行掌纹特征的提取,再利用RBF网络的容错能力和较快的收敛性对掌纹图像加以识别。针对香港理工大学掌纹数据库进行了实验,实验结果证明,本算法可以达到很好的识别效果,为掌握识别提供了一种新途径。     

基于小波变换方向信息的奇异值图像去噪研究

提出一种基于小波变换方向信息的奇异值图像分解去噪方法.由于图像噪声主要集中在小波域中的高频子图部分,且系数较小,可以利用奇异值分解后较大的奇异值和对应的特征向量重构出去噪图像,然而由于奇异值分解固有的行列方向性,对于高频对角线子图重构出的图像去噪效果不理想,故采取旋转至行列方向后再进行常用的奇异值滤波.低频子图仅作简单维纳滤波,最后将去噪后的低频和高频子图进行小波反变换重构出最终的去噪图像.实验结果表明,该方法在有效去噪的同时较好地保留了原有的高频细节信息.     

基于最优小波包基的降噪方法及其应用

如何有效去除信号中的噪声是地球物理勘探领域中一个较重要的研究内容。如何去除有效数据中的噪声而保持信号的初至相位不发生畸变,常规的频率域或时间域滤波方法均不能较好的解决这个问题,而基于小波包基的信号去噪方法却是一种较好的方法。本文以小波包分析为基础,根据最小代价原理研究信号分解的最佳小波包基,对不同频率的系数采用不同的阈值进行量化,对高频信号采用Stein无偏似然估计的原则计算阈值,而在低频部分则采用以信号能为依据的浮动阈值,利用量化后的小波包系数重构得到去噪后的信号。仿真和实验结果表职,该方法去除噪声的同时并不改变原信号的相位,也不会产生波形的畸变。同时,将该方法利用到超声波数据降噪处理的工程实际中也取得了较好的效果。     

基于小波分解的织物疵点检测

根据小波在奇异信号分解中的特点,提出了一种基于小波分解的疵点检测新方法．首先根据织物纹理特点,确定小波函数．其次对被检测图像进行小波变换,获得分解后的子图;根据织物纹理组织单元,把高频子图分割成若干子窗口,统计子窗口的能量标准差与均值加权求和作为提取的特征．最后通过测试图像子窗口特征与标准予窗口特征相比较,判断疵点是否存在．实验表明,该检测方法是有效的,检测正确率达到90％以上．     

Wavelet matrix transform for time-series similarity measurement

A time-series similarity measurement method based on wavelet and matrix transform was proposed, and its anti-noise ability, sensitivity and accuracy were discussed. The time-series sequences were compressed into wavelet subspace, and sample feature vector and orthogonal basics of sample time-series sequences were obtained by K-L transform. Then the inner product transform was carried out to project analyzed time-series sequence into orthogonal basics to gain analyzed feature vectors. The similarity was calculated between sample feature vector and analyzed feature vector by the Euclid distance. Taking fault wave of power electronic devices for example, the experimental results show that the proposed method has low dimension of feature vector, the anti-noise ability of proposed method is 30 times as large as that of plain wavelet method, the sensitivity of proposed method is 1/3 as large as that of plain wavelet method, and the accuracy of proposed method is higher than that of the wavelet singular value decomposition method. The proposed method can be applied in similarity matching and indexing for lager time series databases.