小波变换技术在指纹图像预处理中的应用

介绍了小波变换技术,并采用小波分解与重构方法对指纹图像进行小波压缩、去噪和增强处理．实验表明,应用小波变换技术对指纹图像进行处理能够获得较满意的结果．     

基于图像边缘检测的小波去噪算法

针对传统小波去噪时图像边缘被破坏因而丢失有用细节信息的问题，提出了一种基于图像边缘检测的小波阈值去噪新方法，即先对边缘图像和非边缘图像进行小波分解，然后分别对其进行阈值处理，最后重构得到去噪图像．实验结果表明，这种方法与传统小波变换的全局阈值去噪方法相比，在去噪的同时有效地保留了图像边缘信息，图像信噪比有明显的提高．     

基于第二代小波的增强边缘的图像去噪

传统的一些去噪技术往往是以牺牲图像的边缘和细节为代价的。为了去掉图像的噪声,同时又能够很好地保留图像的边缘和纹理细节,在介绍第二代小波变换的原理的基础上,提出使用边缘检测的方法检测出图像的边缘和纹理细节,将它和该图像进行融合,用第二代小波对含噪图像进行分解,对图像高频进行自适应去噪。由于图像在去噪前融合了边缘信息,因此边缘和细节部分得到了增强。仿真结果表明：该去噪方法优于传统小波阈值去噪方法。     

结合波原子和Cycle Spinning的图像去噪

结合波原子变换和Cycle Spinning 的优点,提出一种新的图像去噪算法．由于波原子变换缺乏平移不变性,直接进行系数阈值去噪会在去噪图像边缘产生伪吉普斯现象,导致图像的失真．该算法引入Cycle Spinning技术有效抑制这种视觉失真,对原始含噪图像进行波原子硬阈值去噪．实验结果表明,与单一波原子变换、小波Cycle Spinning方法相比,新算法能够在去除噪声的同时保留边缘,有效抑制了传统去噪方法的伪吉普斯现象,视觉效果也能得到较好的改善．对强噪声级的图像,这种优势更为明显．     

Haar小波变换在图像处理中的应用

简述了小波变换的基本思想,着重叙述了使用Matlab软件小波工具包中的Haar小波对原始图像进行分解,并对不同分辨率的子图系数进行相应的运算,从而实现对原始图像的压缩、消噪、增强等处理的过程.得出了Haar小波变换用于图像处理具有速度快、处理方便、图像压缩比高、去噪效果好、图像特征保持性好等优点的结论,为进一步研究基于小波变换的图像处理技术提供了一定的依据.     

几种图像消噪处理算法在织物疵点检测中的应用

利用图像处理技术对织物疵点检测的过程中不可避免受到各种噪声源的干扰.采用sym 4小波默认阈值、coif 2小波软阈值和bior.3.7小波软阈值消噪算法对织物疵点图像进行消噪处理,并比较了原始含噪图像增亮处理前后的消噪效果.研究表明:coif 2小波软阈值消噪算法适合对织物小疵点图像进行消噪处理,原始图像经过增加亮度后处理效果更佳.     

小波变换在视觉诱发脑电信号提取中的应用──提取视觉诱发脑电信号的新方法之三

利用数据序列分解与重构的Ｍａｌｌａｔ快速算法导出了可用于视觉诱发脑电（ＶＥＰ）信号提取的小波去噪算法,并在大量提取ＶＥＰ的仿真研究的基础上进行了;临床实际应用实验．数字仿真和临床应用结果均表明,用小波变换方法可以在大幅减少视觉刺激次数的前提下识别ＶＥＰ的潜伏期Ｐ１００。     

基于小波变换的自适应阈值图像去噪技术研究

主要研究了基于小波变换的图像去噪技术在图像去噪过程中的阈值选择问题,对图像信号进行小波变换得到小波系数,选择合适阈值处理小波系数,再将处理后的小波系数经过小波逆变换得到重构后的去噪图像。仿真实验通过对基于小波变换的软阈值去噪、硬阈值去噪以及自适应阈值去噪方法对图像进行处理,达到对图像的降噪效果。仿真实验证明,基于小波变换的自适应阈值去噪技术去噪结果最优,能够清楚地保留图像中的细节,无锐化、过度平滑的现象,且它的信噪比、峰值信噪比的值为最大、均方误差的值最小,从而提升了图像的整体质量。     

一种改进的雷达信号小波包特征提取方法

针对低信噪比下雷达辐射源信号分类问题,提出一种基于小波包特征提取的改进方法。首先对信号进行小波包分解,然后在小波域采用阈值收缩降噪方法对小波包系数进行去噪处理,并提取去噪后小波包能量的统计特征,最后设计支持向量机分类器实现对雷达信号的自动分类。实验结果表明,采用去噪小波包的特征提取方法能有效降低噪声对信号识别效果的影响,当SNR=-3dB时,信号的平均识别率仍能到达93．3％,在较低信噪比下能够得到较为满意的识别效果。     

基于指数阈值的小波包变换图像去噪方法

小波包分析是一种比小波变换更加精细的分析方法,在对分解后的小波包系数进行软、硬阈值化处理时,易使重构后的图像产生马赛克现象,造成图像失真,为此提出一种基于指教阈值的小波包变换图像去噪方法.该方法采用小波包对含噪图像进行分解,然后利用指数降噪因子除小波包系数.实验表明,本算法去噪后的图像在峰值信噪比及主观视觉效果两方面均得到了明显改善.     

结构相似性灰关联在强噪声图像增强中的应用

为提高强噪声环境下的图像质量,提出一种图像增强新算法．该算法首先对含噪图像进行多尺度小波分解,得到不同尺度、不同方向下的频域信息,然后利用图像中噪声与边缘在不同频带上的分布规律和衰减特性,通过灰色理论中的灰色关联度来区分噪声与边缘,从而在噪声抑制和边缘增强两个方面提高图像的质量．实验结果初步显示,与传统的空域滤波方法和相对较新的小波自适应阈值去噪、Contourlet域自适应阈值去噪等方法相比较,新算法所得图像的视觉效果得到了改善,峰值信噪比最优,可用于强噪声环境下的图像增强预处理．     

图像边缘检测的小波包分解算法

提出用于图像边缘检测的小波包分解算法．首先对图像的高频子空间进行多层次小波包分解，接着求出各层同一子空间不同方向上系数的差值，然后分层对差值进行闽值化处理，最后依据每层阈值化后的系数，得到不同分辨率下图像的边缘．该算法不需预先对图像进行去噪处理，却能很好地抑制噪声．实验结果表日月，该算法既能根据需要分别求出不同尺度下图像的边缘，又能保持图像边缘的完整性和清晰性．     

一种基于小波变换和数据融合降噪的图像边缘检测方法

提出的一种基于小波变换和数据融合降噪的边缘检测方法,是在边缘检测前先进行去噪处理,为避免去噪不完全、微分算子对噪声敏感,在边缘检测的同时增强了噪声,并把微分算子检测得到的边缘幅值图像融合与去噪相结合。最后,对融合后的图像进行灰度阈值处理和细化,得到边缘二值图像。实验结果表明:该方法在抑制噪声的同时能较好的检测出图像的边缘。     

基于小波变换的地震映像法资料去噪研究

本文介绍了小波分析方法在地震映像法资料去噪处理中的应用研究。首先,通过对球体模型进行射线追踪,得到了球体反射点与反射时间。然后,在MATLAB环境中采用一维小波变换和二维小波变换分别对地震映像资料进行去噪效果研究,进行阈值滤波试验结果表明Bal．sparsity_norm（sqrt）阈值计算方法的处理效果较好。通过一维小波变换和二维小波变换的对比分析,对于二维地震图像的处理,二维小波变换处理效果较佳。在此基础上,采用二维小波分析阈值滤波法,对中国地质大学数理楼西侧路面下方防空坑道的地震映像法资料进行了处理,取得了较好的去噪效果。     

一种基于小波变换和数据融合降噪的图像边缘检测方法

提出的一种基于小波变换和数据融合降噪的边缘检测方法,是在边缘检测前先进行去噪处理,为避免去噪不完全、微分算子对噪声敏感,在边缘检测的同时增强了噪声,并把微分算子检测得到的边缘幅值图像融合与去噪相结合.最后,对融合后的图像进行灰度阈值处理和细化,得到边缘二值图像.实验结果表明：该方法在抑制噪声的同时能较好的检测出图像的边缘.     

提升小波阈值去噪的故障检测与诊断方法研究

针对提升小波阈值去噪方法中软、硬阈值去噪效果不太好和故障检测与诊断准确率不高的缺点,提出了一种双变量阈值函数与提升小波相结合的去噪方法,并将其应用到故障检测与诊断中。利用所提方法对数据进行去噪处理,通过主元分析(PCA)方法对去噪后的数据进行故障检测与诊断。为验证该方法的有效性,将该方法运用到化工TE过程,并将双变量阈值函数与软、硬阈值函数进行对比。实验结果证明,双变量阈值函数与提升小波结合的方法具有更好的去噪效果,同时也提高了PCA方法对故障检测与诊断的准确率。     

一种改进的基于小波相关性的边缘检测

给出一种改进的基于小波相关性的边缘检测算法。依据多尺度小波相关去噪,对图像在不同尺度上做小波变换,进而对小波系数做区域相关处理,得到图像边缘的区域相关图像,最后做阈值处理,去除小波残留噪声的噪声小波系数。仿真结果表明,改进方法可以得到更多的边缘细节,边缘定位更加准确。     

孪生支持向量机的特征选择研究

针对机器学习中数据分类的特征选择问题,提出了孪生支持向量机（Ｔｗｉｎ　ｓｕｐｐｏｒｔ　ｖｅｃｔｏｒ ｍａｃｈｉｎｅ,ＴＷＳＶＭ）的另一种方法：ＬＦＴＷＳＶＭ．首先求解ＴＷＳＶＭ 优化问题后将得到两个权重 向量,先将这两个权重向量进行归一化处理,再把处理后的两个权重向量取绝对值相加,得到一个 总权重向量,最后将总权重向量进行特征选择．通过实验,将得到的数据结果和ＴＷＳＶＭ 特征选择 方法进行比较,ＬＦＴＷＳＶＭ 特征选择方法具有一定的优势．     

基于图像融合的联合小波包图像去噪方法研究

提出一种基于图像融合的联合小波包图像去噪方法.利用不同特性的小波包基对含噪图像进行阅值去噪,得到多幅降噪图像,然后按照一定的融合准则对这些图像进行处理.实验表明,本算法去噪后的图像在峰值信噪比及主观视觉效果两方面均得到了明显改善.     

图像阈值去噪中的小波特性分析及算法改进

选取合理的小波和阈值算法能够获得理想的图像阈值去噪结果;分析了小波正交性、消失矩以及滤波器结构等特性对图像阈值去噪的影响,提出了图像闽值去噪中小波特性的选取依据．按照噪声与图像信息在小波多尺度分解中传递特性的不同,提出基于信息量的自适应分层阈值算法;仿真结果表明,在进行图像阈值去噪时应优先选取双正交小波,且其消失矩阶数近似于图像的最高次奇异性,去噪小波的高通分解滤波器应具有偶对称性质,低通分解滤波器长度不宜过短．自适应分层阈值算法的图像去噪效果要明显优于全局阈值算法,图像信噪比能够提升至27．86（bior2．6,SNR0=20）;具有偶对称高通分解滤波器的双正交小波能够获得较好的图像去噪效果,其消失矩阶数应近似等于图像的最高次奇异性,基于信息量的小波自适应阈值算法在提升图像信噪比的同时,能够有效保留图像的细节信息．