面向彩色图像的尺度和旋转不变性特征提取方法及应用

提出一种面向彩色图像的尺度和旋转不变性特征提取方法,并在真实的场景识别中进行了应用。该方法是先对给定彩色图像的各组成平面分别进行Radon变换,然后对得到的Radon变换系数矩阵进行尺度不变性处理,接着对处理后的Radon变换系数矩阵用频率B样条小波进行1维小波变换,在所得到的脊波系数矩阵中计算均值和方差的同时,采用线性回归模型提取在不同的颜色组成平面下所有频率子波段之间的关系属性,最后将得到的特征进行旋转不变性处理,从而得到所提出的尺度和旋转不变性特征。在3个数据库上进行了实验,结果表明本文方法可靠有效。     

改进的自适应脊波网络的碳通量预测

碳通量同生态因素之间具有复杂的非线性关系,可以通过生态因素预测碳通量。为提高网络的训练速度和预测精度,针对碳通量数据高维、多样本、非线性、超平面奇异的特点,提出了一种改进的自适应脊波网络预测模型,采用高斯牛顿法调整激励函数的参数,运用矩阵分块法和伪逆矩阵计算脊波网络的权值和阈值。通过实验,比较了改进自适应脊波网络、自适应脊波网络和小波网络的训练收敛速度、隐含层节点个数和预测精度。实验结果表明,提出的预测模型预测精度更高,网络结构更稀疏,训练收敛速度更快。     

数字脊波变换及图像的稀疏表示

在二维或更高维空间中,小波不能有效地表达沿边缘间断的物体。脊波变换对连续空间中沿直线奇异的函数能够进行稀疏表达。理论上的吸引力促使人们将其从连续概念转化到数字实现。本文着重比较脊波变换的几种不同数字实现及对于小波的改进。实验结果说明,脊波在对具有直线边缘的图像逼近和去噪时的确比小波有效。     

基于脊波的多光谱和全色图像融合方法研究

应用了双线性插值的矩形阵列到径向阵列的变换算法,给出了一个离散脊波变换的实现方法,将其应用于多光谱图像与全色图像的融合算法中,通过清晰度、灰度方差、信息熵三个方面,将算法结果与小波变换的结果进行了对比,实验结果表明,相对于小波变换而言,脊波变换能更好地处理线和面的奇异性,而且由融合的结果来看,脊波变换得到的结果在清晰度等方面要高于小波变换。     

基于小波神经网络的医学图像分类方法

为了提高乳腺癌早期诊断的准确率,将小波理论与神经网络理论相结合提出改进的小波神经网络算法。将经过预处理的医学图像提取特征值,然后利用基于改进的小波神经网络算法的分类器对医学图像进行分类。通过实验表明此分类器具有较高的分类精度,是有效和可行的;与单独使用后向传播神经网络算法相比分类效果也得到了改善。     

工业CT图像中小间隙裂纹的亚像素测量方法

工业部件内部小间隙裂纹测量是公认的技术难题,研究工件断面CT图像中小间隙裂纹的测量方法,使之达到亚像素精度。脊波变换是近年在小波变换基础上发展起来的新的分析方法,脊波变换对于图像中的线状奇异性（如边缘、裂纹等）较敏感,且它对图像中的点状噪声有抑制作用。在利用脊波变换检测工业CT图像中工件裂纹边缘的基础上,对小间隙裂纹的平均宽度进行亚像素测量。而工业CT图像成像时存在的点扩散效应,使测得裂纹宽度较真实的要宽些。因此采用宽度收缩的方法获得裂纹平均宽度并进行尺寸标定。实际工业CT图像的实验结果表明,该方法的测量精度能够达到亚像素级精度,可应用于工业CT图像中的小间隙裂纹测量,也可应用于其他类型图像。     

脊波网络的碳通量预测

碳通量（FC）作为全球二氧化碳循环与排放的重要指标,同各种生态因素有着密切的关系,因此可以通过各种生态因素预测碳通量,但迄今还缺乏有效的预测方法。研究脊波和神经网络结合的模型在碳通量预测中的应用,利用脊波处理碳通量数据的超平面奇异特性,从隐含层节点个数、误差、相关性等方面和小波网络进行了比较。实验结果表明,所采用的模型隐含层节点个数更少,拟合精度更高,预测能力更强,收敛速度更快。     

基于脊波变换的SAR与可见光图像融合研究

脊波(R idgelet)作为一种新的多尺度分析方法比小波更加适合分析具有直线或超平面奇异性的信号,而且具有较高的逼近精度和更好的稀疏表达性能。将脊波变换引入图像融合,能够更好地提取原始图像的特征,为融合图像提供更多的信息,在融合过程中抑制噪声的能力也比小波变换更强。因此,提出了基于脊波变换的SAR与可见光图像融合方法,并采用偏差指数与等效视数指标对融合效果进行评价。实验结果表明,该方法在保留合成孔径雷达SAR(synthetic apertureradar)与可见光图像重要信息、抑制噪声能力方面均优于小波变换方法。     

A new digital implementation of ridgelet transform for images of dyadic length

Ridgelet transform is a new directional multi-resolution transform and it is more suitable for describing the signals with high dimensional singularities. Finite ridgelet transform is a discrete version of ridgelet transform, which is as numerical precision as the continuous ridgelet transform and has low computational complexity. However, finite ridgelet transform is only suitable for images of prime-pixels length, which is a limitation of its applications in image processing. In this paper, a new digital implementation of ridgelet transform that is suitable for images of dyadic length is proposed. This method not only expands the applications of finite ridgelet transform, but also simplifies the algorithm. First, we introduce the concept of ridgelet transform in the continuous domain. Then, we illustrate finite ridgelet transform and the new method. Finally, we compare the new method with finite ridgelet transform by applying both digital ridgelet transforms to the denoising of images embedded in additive white Gaussian noise and the new method gets a better performance in image denoising. The new algorithm can also be used as the important building block in curvelet transform and get surprising visual performances in denoising for natural image.     

基于有限脊波变换域的图像水印技术

提出了一种基于有限脊波变换域实现图像水印的方法,其优点是良好的稳健性和层次性.这种算法充分利用有限脊波变换的特点,把原始图像和水印分解成多频段的图像来嵌入水印.检测时,把加了水印的图像分解,通过计算处理每一层取得所有的有关信息.