基于Hadamard变换的数码显微成像自动对焦新方法

提出了一种基于Hadamard变换的自动对焦评价函数,利用数字图像Hadamard频谱的高频分量分析对焦的精确程度.实验结果表明,相对于传统的自动对焦方法,新方法不仅可实现精确对焦,而且抗噪能力强;由于Hadamard变换本身计算量很低,因此新方法还具备算法简单、运算速度快和易于硬件实现等特点.     

多通道图像色彩重建的神经网络算法

为了解决目前多光谱成像设备输出的应用问题,将神经网络算法应用于多通道图像色彩重建。CCD相机加LED光源组成多光谱成像系统,研究其输出的多通道图像中色彩信息的高效转换方法,建立了D50光源下的神经网络转换模型,利用BP神经网络和GRNN对多光谱成像系统进行色彩重建实验。研究结果表明：采用搭建的模型可以得到较高的色度重建精度,更换目标样本色彩重建性能保持稳定。     

基于聚类分析的光谱重建样本分析

目的 解决目前光谱重建中因数量大而出现的冗余和繁重等问题,证明聚类算法可以很好地应用在光谱选择样本分析中,并可以实现较高的重构色度精度和物理精度。方法 采用主成分分析法进行仿真实验,首先探究主成分个数,再确定聚类个数,然后比较聚类方法和3种常用的样本选择方法,最后分析比较光源种类对重构结果的影响。结果 通过实验确定主成分个数为6且聚类个数为20时,在A光源下使用KFCM算法的重构效果最好,此时平均色差为0.35ΔE00,平均RMSE为0.0078,平均GFC为99.94%。结论 聚类方法可以应用于光谱成像过程中训练样本选择过程,且有助于提高光谱重构的运算速度和精度。     

一种有效的方向多尺度变换分析方法*

Contourlet 变换是对二维图像域内小波变换的一种新扩展,由不可分的方向滤波器组实现,该变换的基函数分布于多尺度、多方向上,可仅利用少量系数有效地捕捉图像中的光滑轮廓,而光滑轮廓正是自然图像的主要特征。讨论了Contourlet变换的发展背景、原理和数字实现与实际应用,分析了Contourlet变换存在的问题并指出了进一步研究的方向。     

基于Contourlet变换尺度间相关的图像去噪

Contourlet域数据分析表明,信号的变换域系数在尺度间相关性高,而白噪声则呈弱相关或不相关。通过相关性强弱区分噪声与信号系数,并结合阈值函数,提出了基于Contourlet变换尺度间相关的图像去噪新算法。实验结果表明,新方法去噪后的图像比小波相关去噪算法的PSNR值更高,视觉效果更好,尤其适用于纹理轮廓丰富的图像去噪。     

基于样本选择的光谱重构研究

目的为了提高使用主成分分析法重构光谱反射率的重构精度。方法利用Matlab进行仿真实验,选择3种不同色卡作为训练样本,使用主成分分析法探究主成分个数和样本间隔对重构结果的影响。结果主成分个数为4时,贡献率均超过99%;样本间隔为10 nm时,RC24色卡重构效果最好,其平均色差2.37ΔE_(ab)~*平均均方根误差为0.0185。结论训练样本的选择会影响光谱重构精度,RC24色卡具有数据量小、重建精度较高的特点,在颜色复制领域可以优先选择。