基于Contourlet变换的纹理特征提取及纹理分类

通过对传统小波多方向性缺失和Contourlet变换系数稀疏性的分析,提出运用方向性小波Contourlet分析纹理特征,以自组特征映射神经网络(SOM)处理Contourlet变换系数的重组序列.对SOM网络输出层codebook矩阵进行奇异值分解得到纹理图像特征向量的方法进行纹理分类,在充分利用图像各尺度方向信息的基础上,有效提取了图像纹理特征.实验结果表明,该方法分类效果显著,Contourlet变换比传统小波分解更适合于图像纹理特性的分析.     

正交小波与纹理一致性融合的图像识别算法研究

为解决一般图像特征识别算法难以兼顾图像细节与图像整体视觉感,探讨了一种基于双正交小波变换与纹理一致性测度融合的图像特征识别算法.该算法按照正交小波变换对源图像分别进行小波分解,按一定比例和纹理一致性测度确定融合图像的低频和高频小波系数矩阵,再经处理即可获得融合图像.实验仿真表明,提出算法不仅可较好地分辨出图像的伪边缘与...     

基于图像特征和霍夫曼编码的图像水印算法

将霍夫曼编码原理引入数字水印领域,提出一种基于图像特征的数字水印新算法,以降低数字水印算法复杂度。算法在嵌入水印时,首先将数字图像进行三级小波分解,并提取三级逼近分量的边缘特征。然后用霍夫曼编码计算边缘特征矩阵的顶端结点,再将此结点值嵌入到细节分量中。最后进行三级小波逆变换得到嵌入水印的图像。算法在提取水印时,根据嵌入水印的过程找到嵌入点,提取出待检测图像中的水印,并分析得到检测结果。仿真实验表明,该算法复杂度低、载荷小,具有很好的有效性和可行性。     

基于小波纹理分析的彩色车牌定位算法研究

针对传统的车牌定位算法是采用灰度图像的纹理特征的,由于灰度图像的纹理特征诸多特性和局限性,给车牌定位算法带来很大的困难;鉴于此,提出了基于小波纹理分析的彩色车牌定位算法;首先对图像进行二维小波分解,计算滑动窗内图像的小波纹理特征;然后同时将低频子图转化RGB色彩分量为HSV色品值,提取颜色特征并得到综合特征向量;其次利用小波变化定位出车牌区域;最后对定位出的车牌进行后期校正处理并输出定位结果;该算法采用综合特征定位,克服了采用单一特征定位的缺点和局限性,从实验结果可以看出该算法能够较准确的从背景图像中提取出车牌位置信息。     

利用小波进行基于形状和纹理的图像分类

提出一种基于小波的形状和纹理联合特征的图像分类方法。先对图像进行二维小波变换以得到边缘图像，再提取边缘图像的7个边界不变矩组成图像的形状特征向量；在实验中，发现大多数情况下，图像背景的干扰信息大于其对分类的贡献，因此对图像去除其背景，然后在灰度共现矩阵的基础上，计算5个二次统计量作为其纹理特征；最后联合形状和边缘特征向量，并对其进行高斯归一化，用SVM进行分类。结果表明，该方法具有明显的优越性和较强的实用性。     

一种基于分形维数的图像相似性检索特征

本文描述了一种采用小波包分解子带图像分形维数作为图像纹理特征进行图像相似性检索的方法。首先对图像进行小波包分解。每一个子带图像的分形维数构成图像的特征向量用于图像的相似性检索。实验表明,该方法计算速度快。在特征向量维数极少的情况下,该特征对于描述方向性和结构性较好的纹理具有良好效果。     

基于小波分解的纹理图像检索

纹理相似性研究是基于内容检索研究中的一个重要组成部分。采用树状小波分解的方法在相应的能量准则下对图像进行分解，并使用了主成分分析算法来压缩特征向量的维数，而且结合Tamura等人提出的、与人类视觉感知相对应的3个重要纹理特征来形成对图像进行精确描述的特征矢量。实验结果表明，该算法具有较强的应用价值。     

基于PCA和数据融合的遥感图像数字水印算法

提出了一种向遥感图像中嵌入水印以保护其版权的算法。算法将数据融合技术和数字水印技术相结合,首先将全色图像进行小波分解,提取图像分解后的第三级低频边缘特征,利用PCA变换得到边缘特征的第一主分量作为水印信息,将水印与第三级中频进行融合;然后进行小波逆变换得到重构图像;最后采用小波变换和PCA融合法将含有水印的全色图像和多光谱图像相融合。提取水印时使用独立分量分析(ICA)方法。实验表明,该算法可以保护遥感图像的版权和进行真伪认证,且不破坏原始遥感图像的信息和特征,是有效可行的。     

小波域基于块能量分析的数字水印算法

提出一种小波域基于块能量分析的数字水印算法。该算法将载体图像三级小波分解的第三级细节子图分为互不重叠的系数块,根据人眼对图像的纹理和边缘不敏感的视觉特性,选择能量较大的块系数嵌入有意义水印。实验结果表明:该算法嵌入的数字水印具有很好的隐蔽性,同时对JPEG压缩、叠加噪声、平滑滤波等攻击具有很好的鲁棒性。     

一种新的SAR影像中目标准确提取方法

提出一种基于小波纹理与改进的模糊C均值(IFCM)聚类的对合成孔径雷达(SAR)影像进行机场类目标准确提取的方法.首先,利用小波多尺度分析对影像进行分解,得到不同方向上小波频带,然后对不同的小波频带进行小波纹理分析-使用频率共生矩阵4个关键特征来描述,得到小波纹理特征向量.再应用IFCM聚类对小波纹理特征空间进行分割,进而提取出机场目标.该方法是一种有效提取机场类目标的并行非监督无需初始点的算法,通过实验比较得出,提取此类SAR 图像机场目标的准确率比传统阈值和Hough变换的方法要好.     

基于Bandelet与自适应矩阵范数的全频率无损水印方法

数字水印技术是一种新型的数字图像版权认证和保护技术.传统的数字水印一般通过修改图像数据达到信息隐藏的目的,不适合用于保护不允许修改的图像数据,无损数字水印为这类数据的保护提供了一种有效的方法.提出了一种无需对图像数据做修改的全频率无损数字水印实现方法.首先对图像实施小波变换,变换后的中高频部分采用Bandelet跟踪图像几何流,将纹理和边缘作为图像的特征从而构造出图像高频无损水印参数.对于小波变换的低频部分,通过选取最优的矩阵范数,得到低频系数水印参数生成方案,达到提取图像统计和边缘特征,对图像实现全面保护的目的.实验证明该算法具有良好的抗攻击能力,能够广泛用于对不可修改数据的保护.     

结合小波系数的Normalized Cut分割算法

为了提高normalized cut分割算法的准确率,结合小波系数调整图像的亲和矩阵。首先采用小波系数计算图像的边缘信息,然后使用边缘信息对原始图像构造一个图,求取图的拉普拉斯矩阵的前K个特征值,并对第二个特征值对应的特征向量进行分类,得到最终的分割结果。使用一些自然图像进行了验证,结果证明新方法能提取目标更为细致的细节,保留更多有用的信息。     

基于灰度值统计特征的数字水印方法

提出了一种基于图像分块灰度值统计特征的数字水印方法,算法利用图像分块的灰度差异值判定水印信息的嵌入位置,对选定的图像分块进行DCT变换,然后将水印信息嵌入到中频系数当中。由于水印信息嵌入到了纹理复杂度因予比较大的块中,因此就增强了水印信息的不可见性。实验表明,本算法较好地保持了原始图像的品质,对非几何攻击和有损压缩具有较好的稳健性。     

基于边缘检测的半脆弱水印算法研究

针对Laplace算子在进行边缘检测时不具有方向性的缺陷,在人眼视觉模型下,提出一种基于边缘检测的半脆弱水印算法.在嵌入水印信息时先考虑边缘点,再考虑亮度较暗和较亮区域.在入眼亮度和纹理视觉特征的基础上,给出图像区域分割方法及变换域系数量化公式,通过动态量化提高载体图像的透明性和水印的抗攻击能力.实验结果表明,在噪声嵌...     

矩阵三角分解在数字水印中的应用

将非奇异矩阵进行三角分解是一种将复杂矩阵变换为简单矩阵的方法,也是分析矩阵特性的方法。而数字图像也可以看作矩阵,根据图像的这一特点结合小波变换提出一种鲁棒性较好的水印算法。首先对图像进行离散小波分解,分解的尺度由水印信息量大小决定;然后计算分解后最高尺度的细节矩阵的方差,选择方差最大的一个进行预处理,若其是奇异矩阵,通过一个置换矩阵将其转换为非奇异矩阵,这里置换矩阵可以当作密钥;然后对其进行LU分解,得到两个具有良好分布特性的三角矩阵;最后将置乱后的水印信息嵌入到两个矩阵的非零像素值中。实验结果证明该算法简单易行,具有较好的鲁棒性和安全性。     

一种基于低频域边缘增强的小波融合方法

提出了一种基于低频域边缘增强的小波融合方法。首先,对参加融合的两幅图像进行小波多尺度分解,然后对最高层（分辨率最低层）高频细节分量图像进行区域绝对值取大和对其它层高频细节分量图像按区域方差最大化的原则进行融合,而对低频近似分量图像采用尺度系数卷积后区域特征度量的融合方法,增强了低频域的边缘,并采用均方根误差对该方法进行了客观评价。实验结果表明该方法有很好的融合效果,与已有的低频域平均法和尺度系数卷积融合方法相比,能更好地突出低频域边缘细节信息和区域特征。     

基于改进霍夫变换算法的手势识别

随着人们对人机交互的简单便捷性需求的不断提升,基于视觉的手势识别在许多领域都引起了足够的重视.由于深度图像在识别中的良好表现,其在领域内广受青睐.从深度图像中分割出手势图像区域并对其进行归一化处理得到统一规格的手势二值图像,然后进行手势边缘的检测.针对手指轮廓特性提出了改进的霍夫变换算法,提取图像中的手指信息特征.同时提取基于边缘曲线特征,并建立3D直方图进行统计.最终对两种特征进行融合,根据所得到的特征向量通过最小闭包球支持向量机（MEB-SVM）进行手势分类,测试集上识别率为96.6%.该方法不依赖于颜色、细节纹理等信息,对光照等条件不敏感,有着良好的鲁棒性.且识别速度较快能满足一般应用的需求.     

基于改进卷积神经网络的单幅图像超分辨率重建方法

对于重建图像存在的边缘失真和纹理细节信息模糊的问题，提出一种基于改进卷积神经网络（CNN）的图像超分辨率重建方法。首先在底层特征提取层以三种插值方法和五种锐化方法进行多种预处理操作，并将只进行一次插值操作的图像和先进行一次插值后进行一次锐化的图像合并排列成三维矩阵；然后在非线性映射层将预处理后构成的三维特征映射作为深层残差网络的多通道输入，以获取更深层次的纹理细节信息；最后在重建层为减少图像重建时间在网络结构中引入亚像素卷积来完成图像重建操作。在多个常用数据集上的实验结果表明，与经典方法相比，所提方法重建图像的纹理细节信息和高频信息能得到更好的恢复，峰值信噪比（PSNR）平均增加0.23 dB，结构相似性（SSIM）平均增加0.0066。在保证图像重建时间的前提下，所提方法更好地保持重建图像的纹理细节并减少图像边缘失真，提升重建图像的性能。