无抽样方向滤波器组用于图像去噪的方法研究

提出一种基于无抽样方向滤波器组的图像去噪新方法,首先,将一维半带滤波器（half band filter）转换成二维低通滤波器,通过对此滤波器的各种操作获得4方向、8方向和16方向等无抽样方向滤波器组,同时,将各频域方向滤波器转换成空域模板;其次,采用Contourlet变换中的多尺度分解方法,利用上述空域模板实现图像方向分解,获得噪声图像的各尺度多方向系数;最后,根据各方向系数的统计特性,合理设定去噪阈值,方向合成只需各方向子带图像相加,多尺度合成过程与Contourlet变换相同,完成图像去噪。实验结果表明：该方法不仅有效地去除了图像噪声,而且能很好地保留图像的边缘纹理信息,并很好地去除了Contourlet变换去噪中无法避免伪吉布斯现象所引起的视觉失真,与现有阈值去噪方法相比,图像信噪比明显提高。     

基于贝叶斯估计的改进Contourlet变换的SAR图像滤波

针对小波变换和轮廓波变换在合成孔径雷达(Synthetic aperture radar, SAR)图像中去噪应用的不足,结合小波变换和轮廓波变换的优点,将小波变换与轮廓波变换相结合,提出一种改进轮廓波变换方法。首先将待处理图像进行小波变换,然后对低频子带图像进行重建,得到一个细节子带图像,然后使用方向滤波器组对其进行多方向划分。再采用贝叶斯最大后验概率估计对划分后的方向子带信号进行估计。实验结果表明此方法在抑制图像斑点噪声的同时,很好的保持了均匀区域的辐射特性,保持了图像中的边缘以及细小纹理,且没有人为畸变。此外算法的高频子带图像含有更为丰富的纹理,对于边缘特征的提取非常有益。     

基于多尺度方向分解的纹理特征提取方法研究

为了有效提取图像的纹理特征,充分利用纹理的方向性以及纹理在不同方向具有不同频率成分这两个特性,提出了基于多尺度方向分解的纹理特征提取方法.首先根据Rado n变换的方法检测纹理方向,Rado n变换各角度投影向量方差的二阶导数最小值对应的投影角度即为纹理方向.然后根据得到的图像纹理方向信息,利用可控金字塔将图像沿纹理方向进行三个尺度的分解,得到纹理方向上图像的多尺度子带图像.最后以三个尺度子带图像的Legendre矩和Zernike矩作为图像的纹理特征.分别在Brodatz和VisTex数据集上进行实验验证,与其他方法的对比结果表明,采用多尺度分解的方法提取纹理,用于纹理图像识别时,识别准确率高,抗噪声能力强.     

基于局部谱能量自相似矩阵的纹理描述

对于纹理检测和分类中的纹理描述问题,提出一种新的基于Gabor滤波器组局部谱能量的自相似矩阵来描述纹理的方法。首先采用多尺度、方向的极坐标对数Gabor滤波器组对纹理模板进行滤波,获得频域上局部频段和方向上的纹理信息;然后计算频域上各尺度、方向上局部谱能量的自相似度量,将这些度量值以自相似矩阵的形式进行存储,并作为纹理特征的描述子;最后将这种描述方法应用到纹理检测和分类中。由于该描述子主要体现的是纹理模板在不同频段和方向局部谱能量的自相似程度,所以它对滤波器参数的依赖度较低。实验中利用纹理特征描述子可以实现比较准确的纹理检测,多类纹理合成图像分类实验的准确率达到了91%以上。实验结果说明,纹理局部谱能量的自相似矩阵是一种十分有效的纹理描述方法,其检测和分类的结果对后期的纹理分割、纹理识别等研究领域具有广泛的应用前景。     

基于局部谱能量自相似矩阵的纹理描述

对于纹理检测和分类中的纹理描述问题,提出一种新的基于Gabor滤波器组局部谱能量的自相似矩阵来描述纹理的方法。首先采用多尺度、方向的极坐标对数Gabor滤波器组对纹理模板进行滤波,获得频域上局部频段和方向上的纹理信息;然后计算频域上各尺度、方向上局部谱能量的自相似度量,将这些度量值以自相似矩阵的形式进行存储,并作为纹理特征的描述子;最后将这种描述方法应用到纹理检测和分类中。由于该描述子主要体现的是纹理模板在不同频段和方向局部谱能量的自相似程度,所以它对滤波器参数的依赖度较低。实验中利用纹理特征描述子可以实现比较准确的纹理检测,多类纹理合成图像分类实验的准确率达到了91%以上。实验结果说明,纹理局部谱能量的自相似矩阵是一种十分有效的纹理描述方法,其检测和分类的结果对后期的纹理分割、纹理识别等研究领域具有广泛的应用前景。     

改进的轮廓波图像匹配算法

与小波变换相比,轮廓波变换中LP滤波器的显著缺点是存在过采样和非正交特性。提出一种改进轮廓波变换方法,首先对待处理图像实施小波变换,然后对低频子带图像进行重建,可得到一个高频子带图像,使用滤波器组进行多方向划分。该方法既保持了临界采样又利于后面使用方向滤波器组来对高频部分进行方向划分。实验证明该方法的匹配效果优于小波变换及轮廓波变换。     

方向滤波抗混叠的低冗余图像多尺度变换

目的 为了兼顾图像变换的低冗余性和方向滤波时抗频谱混叠特性,设计一种新型基于抗混叠方向滤波的低冗余图像多尺度变换。方法 该变换由小波级联频域方向滤波器组组成。由于频域内构造的方向滤波器的频谱支撑满足紧支撑性,因此滤波后形成的图像方向子带之间不会存在频谱混叠现象,并且根据其特点采用一种新颖的降采样方式,使得各个方向子带在降采样操作后仍具有平移不变性。结果 该变换可有效降低冗余,同时能够消除因移变性导致的频谱混叠现象,提高了方向滤波器组的方向选择性。结论 仿真实验结果表明,新型图像多尺度变换在图像稀疏表示、压缩等领域均获得良好效果。     

基于方向可调滤波器的不同焦点图像融合

该文提出了一种基于方向可调滤波器的图像融合新方法。在该方法中,采用方向可调滤波器及其Hilbert变换组成的正交滤波器组,分析两幅不同焦点图像的高频成分中的主要方向及局部方向能量,自动判别出每幅源图像中的清晰部分,并把各个清晰区域融合入结果图像中。仿真试验表明,这种算法能很好地保存图像边界及纹理信息,并具有较好的综合感观。     

基于离散平稳小波和非下采样方向滤波器组的纹理分类

结合小波变换的多尺度性和Contourlet变换的多方向性,提出了一种新的基于离散平稳小波变换和无下采样方向滤波器组(stationary wavelet transform and nonsubsampled directional filter banks,SWT-NSDFB)的纹理分类方法,采用具有平移不变性的离散平稳小波先进行多尺度分解;然后对每层分解得到的高频子带采用非下采样方向滤波器组进行多方向分解,再计算低频子带和各层方向子带的能量作为纹理特征;最后用支持向量机实现纹理分类。实验结果表明,该     

基于局部方向纹理谱描述符的图像检索

提出了一种改进的局部方向纹理谱描述符。根据图像局部邻域中心像素及与其相对像素间的灰度关系及灰度差异关系来定义局部区域纹理方向,在此基础上结合中心对称局部二值模式的定义给出了新的局部方向纹理谱的定义。新描述符在不增加特征维数的基础上,更好地融入了局部纹理信息。采用不同图像库及不同评价准则进行图像检索对比实验,结果表明,该方法取得了较好的检索效果。     

基于频域、时域相结合的自适应图像超分辨率重建

基于最大后验概率(MAP)的超分辨率(SR)重建的研究重点是规则化项的选择,且其大都在频域中实现,为此提出一种基于频域、时域相结合的图像SR重建方法.首先,根据不同图像的特点,定义了频域规则化项(FR)和时域规则化项(TR);然后,给出了图像重建模型,引入频域、时域自适应权值来加强算法的自适应性;最后,运用共轭梯度法推导出重建迭代计算公式.实验表明,所提出的算法具有良好的收敛性和精确性.     

空频域图像增强方法研究综述

对于小样本图像数据集往往采用图像增强的方法扩充数据量增加实验的合理性,图像增强算法能够提高图像整体和局部的对比度,突出图像的细节信息,使图像更符合人眼的视觉特性且易于机器识别。为了深入研究图像增强应用的新思路、新方向,从图像增强算法的基本原理出发,归纳总结了近年来应用比较广泛的空域和频域两大类图像增强算法,包括直方图均衡图像增强算法、灰度变换图像增强算法、空域滤波图像增强算法和频域滤波图像增强算法,分别详细介绍了它们的基本概念和相关定义并简述了其浅层面的优缺点。另外采用主观和客观的评价方法对这些算法的增强效果进行了对比和分析,并对各算法的优缺点、适用场景和复杂度进行了对比分析,以更深入研究各个图像增强算法的隐含有用信息,以找出鲁棒性、适用性更强的图像增强方法。实验结果表明,不同的算法都具有各自的特点,针对不同的图像效果不同,增强对比度更适宜采用空域图像增强方法,突出细节更适宜采用频域图像增强方法。单一的方法无法满足图像处理的需要,优势结合的图像增强算法更有研究意义。对这些算法的深入研究能够为研究者带来新的契机,拓展新的研究方向,推动整个图像增强技术高水平发展,使图像增强技术在多个学科领域发挥重要作用。     

基于直方图频域统计矩的图像隐写分析

以图像小波子带系数直方图频域统计绝对矩作为特征,进行图像隐写分析,取得良好的分类性能。并且从理论和实际两方面证实了,对于图像隐写分析,直方图频域矩比直方图空域矩更有效。实验结果表明本文方法优于目前其他的图像通用隐写方法。在CorelDraw图像库上的测试结果,对多种数据隐藏方法的正确检出率达90%以上。     

新颖的频域图像超分辨重建方法

图像频域解混叠超分辨算法要求输入低分辨率图像帧数及其帧间亚像元位移满足一定的条件,因此限制了其应用范围。利用单帧超分辨技术和再采样函数从每帧输入低分辨率图像产生16帧相同分辨率的图像,再从中挑选满足限制条件的图像帧,从而消除了原算法要求的两个主要限制条件,建立了改进的二至多帧输入图像频域解混叠超分辨算法。三组仿真实验结果表明,该算法消除了输入帧数和帧间亚像元位移的限制条件,并且可以使峰值信噪比提高5dB左右。     

一种频率域解混叠的CCD图像超分辨重建方法*

在不增大光学系统的焦距,也不缩小CCD 器件阵元的宽度的情况下,为了获得高分辨率的图像,对多幅具有互补信息的低分辨率图像进行研究。首先,把多幅具有互补信息的低分辨率图像通过傅里叶变换到频率域;接着,对频率域中高分辨与低分辨率图像之间关系进行建模,进而得到它们之间的关系;然后,通过对模型求解,得到高分辨率图像的频率值;最后,进行傅里叶反变换即可得到高分辨率图像。实验结果表明,该重建方法获得的高分辨率影像在视觉上比用任意一帧影像经过双线性插值获得的影像要清晰得多,与实际摄取高一倍的分辨率影像几乎达到一样。对b     

Image watermarking method in multiwavelet domain based on support vector machines

A novel image watermarking method in multiwavelet domain based on support vector machines (SVMs) is proposed in this paper. The special frequency band and property of image in multiwavelet domain are employed for the watermarking algorithm. After performed single-level multiwavelet decomposition on each image block of an image, a mean value modulation method, which modulates mean value relationship of multiwavelet coefficients in two approximation sub-bands, is used for carrying watermark embedding. The mean value modulation method can more effectively reduce image distortion than that of conventional single coefficient. At watermark detector, SVMs is used to learn the mean value relationship. Due to good learning ability of SVMs, watermark can be correctly extracted under several different attacks. The experimental results show proposed algorithm is robust to common attacks such as JPEG, low-pass filtering, noise addition, rotation and scaling, etc.     

改进的频域内亚像素级旋转角估计方法

亚像素级配准是超分辨率重构的前提,其中旋转角估计的准确程度对重构效果有直接影响。针对传统的频域内旋转角估计在小角度估计不精确的缺点,提出了用部分幅值进行配准的改进算法。实验结果表明,改进算法对小角度旋转角估计比传统算法效果好。     

基于图像及其预测误差图小波频域矩的隐写分析

提出了一种通用隐写分析方法,对图像及其预测误差图像进行3级小波分解,然后计算每个小波子带频域（对直方图进行离散付利叶变换）高阶统计矩组成78维特征,并用支持向量机（SVM）进行分类。对CorelDraw图像库的1096幅图像进行测试,实验结果表明,本文提出的隐写分析性能优于现有的主流方法。     

基于频率域的图像质量检测方法

目前无参考图像质量评价方法中存在的量化精度不高和受图像对比度、纹理结构影响大等不足,难以用于高通量基因测序图像质量的检测。为此,在分析了黑色背景图像上叠加规则白色形状的同态傅里叶变换的基础上,提出了一种基于频率域的图像质量评价模型。该模型通过对频率域所表现出的图像纹理结构进行预处理,最终建模实现了高通量基因测序图像质量的评价指标。实践表明,该方法在评价高通量基因测序图像质量中具有较好的量化精度和可靠性。     

多层校正的无监督领域自适应方法

目的 目前深度神经网络已成功应用于众多机器学习任务,并展现出惊人的性能提升效果。然而传统的深度网络和机器学习算法都假定训练数据和测试数据服从的是同一分布,而这种假设在实际应用中往往是不成立的。如果训练数据和测试数据的分布差异很大,那么由传统机器学习算法训练出来的分类器的性能将会大大降低。为了解决此类问题,提出了一种基于多层校正的无监督领域自适应方法。方法 首先利用多层校正来调整现有的深度网络,利用加法叠加来完美对齐源域和目标域的数据表示;然后采用多层权值最大均值差异来适应目标域,增加网络的表示能力;最后提取学习获得的域不变特征来进行分类,得到目标图像的识别效果。结果 本文算法在Office-31图像数据集等4个数字数据集上分别进行了测试实验,以对比不同算法在图像识别和分类方面的性能差异,并进行准确度测量。测试结果显示,与同领域算法相比,本文算法在准确率上至少提高了5%,在应对照明变化、复杂背景和图像质量不佳等干扰情况时,亦能获得较好的分类效果,体现出更强的鲁棒性。结论 在领域自适应相关数据集上的实验结果表明,本文方法具备一定的泛化能力,可以实现较高的分类性能,并且优于其他现有的无监督领域自适应方法。