改进的多重分形图像奇异性分析算法

为了准确地研究图像奇异性以及各部分的属性及特征,采用一种基于亚像素边缘测度的多重分形算法,该算法根据方形孔径采样定理计算亚像素位置的梯度面密度函数值和图像任意子集(半径可以达到亚像素精度)的边缘测度,进而利用多重分形理论将实际图像分割成一系列具有不同奇异性指数的分形集合.并利用含有不同信息含量的分形集合重建原图像算法,实现了图像从纹理到边缘各层面内容的精确划分.对该算法进行了理论分析和实验验证,得到3×3亚像素方法提取的边缘信息重构原图像,其峰值信噪比达到14.76dB.结果表明,重建图像峰值信噪比主要依赖于所提取的边缘信息质量以及重构系数比,提取的各层面信息与人类的视觉系统所捕获的重要信息相吻合.     

基于多重分形分析的图像边缘检测算法

本文提出了一种基于多重分形分析的边缘检测算法。该算法通过定义在图像灰度级上的测度,计算图像中每一个象素点的奇异性和它的多重分形谱,然后根据多重分形谱,提取图像的边缘信息。经试验表明,该算法具有良好的边缘检测效果,并能突出主要的图像边缘细节信息。     

一种基于多重分形的SAR图像边缘检测方法

分形维数只能刻画那些具有理想的自相似性的分形体,现实中的许多纹理并不满足这一条件,因此单一的分形维数并不足以描述和刻画SAR图像的纹理,多重分形维数更适合于描述图像的纹理.通过计算原始SAR图像离散点数据的奇异性指数,然后对应每一点奇异性指数计算全局多重分形奇异谱,根据判决准则区分边缘和纹理可以实现SAR图像的边缘检测,实验结果表明,基于多重分形特征的边缘检测算法能够检测到许多局部细节,同时又避免出现不重要的细节,突出了主要的边缘信息,很好地区分出SAR图像的纹理和边缘.     

信号奇异性分析

信号的奇异性往往携带了信号最重要的信息,因此,对奇异性的研究是一项很有价值的工作。由于传统的信息处理工具(如傅氏变换)在奇异性处理方面的局限性,该文利用多重分形理论来对信号的奇异性进行分析,并给出计算算法和一些初步的结果,同时结果分析也表明了多重分形理论是分析信号奇异性的有效方法.     

图像分解的多尺度变分模型

该文提出了一种新的多尺度变分图像分解模型.首先在Tadmar的分层多尺度变分模型的基础上,给出了一种新的(,)BV H-分层多尺度图像分解方法,然后在逆尺度空间上积分“尺度”图像并将拉普拉斯算子作用于曲1率项就得到了新的积分微分方程.该方程包含一个单调递增的尺度函数,它的值与残差图像的星范数成反比.接着讨论了该方程的重要性质,并给出了数值离散算法.理论分析与数值实验表明新的积分微分方程是一种有效的图像分解模型.     

糜状食品物料微结构图像的多重分形特征识别

本文基于小波变换边缘奇异性分析原理,研究了糜状食品物料微结构图像的多重分形结构及其特性,求出其局部奇异性指数;并采用计算高次信息量维数的办法,建立了糜状食品物料微结构图像的多重分形奇异谱.通过分析图像的奇异谱,定义了表征不同糜状食品物料图像微结构的参量,为建立图像微结构与流变特性之间的定量描述打下基础.     

基于DT-CWT的图像融合算法研究

针对传统的离散小波变换融合算法在图像边缘特征表达上存在不足,所以采用具有平移不变性,多方向选择性等具有显著性特点的双树复小波变换对多聚焦图像进行分解,按一定规则融合后,再重构.在融合规则上,以研究高频分量为重点.低频分量只采用较为简单的加权平均法;高频则采用以标准差作为融合测度,分别提出了两种图像融合算法.通过在性能参数上,对两种实验结果进行评价和对比,最终得到图像融合的最佳算法.     

f+v分解与分形图像修复算法设计

提出了一种基于分形与图像分解的修复算法,将图像分解成为纹理和结构两部分,纹理部分采用以分形维度作为度量函数的修复算法,结构部分采用曲率驱动扩散CDD(Curvature-Drive Diffusions)算法进行并行修复,达到快速、高效的修复受损图像的目的。结果表明,该算法具有速度快、对大面积受损图像修复效果好的特点。     

海杂波的多重分形关联特性与微弱目标检测

该文研究了海杂波的多重分形关联特性及其在海杂波微弱目标检测中的应用。多重分形关联是对多重分形单点统计的推广,研究具有不同奇异性强度的两点之间的空间关联特性。该文首先从多重分形理论引出多重分形关联理论,给出了多重分形关联谱的计算方法,然后,以多重分形关联谱为特征进行相似度分析,并把目标检测问题归为一个二元分类问题,采用支持向量机(SVM)进行目标检测。最后,采用不同波段、不同极化方式和不同分辨率条件下的实测海杂波进行验证,结果表明,本文所提方法具有良好的微弱目标检测能力。     

基于局部模糊分形维度的图像边缘检测算法

介绍了一种局部模糊分形维度,并将该技术应用到图像边缘检测中.将像素覆盖方法推广到N维模糊离散集分形维度的计算就得到了局部模糊分形维度.给出了局部图像的LFFD计算流程和基于LFFD的图像边缘检测方法.采用实例验证了本文的算法,实例结果显示,本文的算法是正确的、可行的和有效的.     

确定分形函数的局部奇异性指数及其谱

基于配分函数的多分形形式仅仅提供了信号奇异性指数的全局描述,并没有给出局部信息,然而在实际应用中,揭示出信号的局部奇异性信息往往更具有重要性。该文提出了一种确定信号局部奇异性指数的新算法,构造了一种类似于奇异性谱的直方图,并用来描述信号奇异性的全局统计分布。数字试验验证了该算法的有效性。     

多分形谱簇研究及其在说话人识别中的应用

语音是一种复杂的非线性信号,这使得基于线性系统理论发展起来的传统说话人识别技术性能难以进一步提高。本文提出了多分形谱簇分析方法,用于分析语音信号的非线性特征,并应用于短语音（2秒）说话人识别。通过对Cantor集的仿真实验,发现不同标度区能反映出系统不同阶段的生长规律,因此可用一组连续变化的多分形谱分层次地表征系统的分形特性,即多分形谱簇分析方法。然后结合语信号的分形特点,提出一种语音的多分形谱簇特征（Multifractal Spectrum Cluster Feature, MSCF）的提取方法。最后将几种非线性特征与短时谱特征结合用于说话人识别,基于TIMIT数据库50人的实验表明,非线性特征与短时谱特征互补性较强,特别是MSCF与MFCC、LPC特征结合,使得系统的误识率下降到0.8%。      

一种基于广义多尺度分形参数的小目标检测方法

复杂场景中小目标的检测是一个难点。本文从分数布朗随机场模型的描述出发，提出并构造了一种广义多尺度分形参数，用于描述图像的纹理信息。它可以作为区分分形集合与非分形集合的一种有效的测度。进一步，基于广义多尺度分形参数，本文提出了一种具有抗噪性能的稳健的目标提取算法，并用于海上小目标的提取。对于实际图像的实验结果表明，本算法具有极高的检测精度。本文的思想对于一般复杂自然场景中小目标的检测具有重要的借鉴意义     

Two-Dimensional Variation Algorithm for Fractal Analysis of Sea SAR Images

This paper proposes a novel algorithm for estimating the fractal dimension of sea synthetic aperture radar (SAR) images. The algorithm is based on the variation method, and it is suitably designed for the analysis of sea SAR images. The SAR image fractal dimension is a feature that provides a measure of the image roughness. Such a feature can play an important role in the classification process for recognizing the presence of anomalies on the sea surface. The innovation aspects of this paper are listed as follows: 1) an extension of the variation method, which was proposed for the fractal analysis of one-dimensional signals, to the case of two-dimensional (2-D) functions; 2) a numerical formulation of the variation method, which is suitable for processing 2-D discrete signals; and 3) an optimization of the algorithm for sea SAR image analysis. The algorithm is tested and validated both on simulated and real ERS-1/2 Precision Image sea SAR images and compared with the classical estimation algorithm based on spectral analysis.     

Image denoising based on wavelets and multifractals for singularity detection.

This paper presents a very efficient algorithm for image denoising based on wavelets and multifractals for singularity detection. A challenge of image denoising is how to preserve the edges of an image when reducing noise. By modeling the intensity surface of a noisy image as statistically self-similar multifractal processes and taking advantage of the multiresolution analysis with wavelet transform to exploit the local statistical self-similarity at different scales, the pointwise singularity strength value characterizing the local singularity at each scale was calculated. By thresholding the singularity strength, wavelet coefficients at each scale were classified into two categories: the edge-related and regular wavelet coefficients and the irregular coefficients. The irregular coefficients were denoised using an approximate minimum mean-squared error (MMSE) estimation method, while the edge-related and regular wavelet coefficients were smoothed using the fuzzy weighted mean (FWM) filter aiming at preserving the edges and details when reducing noise. Furthermore, to make the FWM-based filtering more efficient for noise reduction at the lowest decomposition level, the MMSE-based filtering was performed as the first pass of denoising followed by performing the FWM-based filtering. Experimental results demonstrated that this algorithm could achieve both good visual quality and high PSNR for the denoised images.     

实测海杂波数据的多重分形特性分析

为充分描述海杂波时变特性和局部奇异性,将多重分形理论应用到雷达海杂波特性分析中,理论分析了海杂波的多重分形参数,并进一步分析了实测海杂波数据的多重分形谱、质量指数和奇异指数,结果表明海杂波具有明显的多重分形特性,该分析方法可以很好地解释海杂波内在非线性特性,并比传统的统计特性分析方法更加能确切地描述杂波的产生机理,为基于多重分形特性的雷达目标检测提供了依据。