选取小波函数的方法研究

在利用小波变换轮廓术进行三维面型测量时，由于满足存在条件的小波函数很多，而以前的研究论文，很少有针对小波选择问题的讨论，使得我们在如何选择合适的小波函数的问题上存在困惑.通过选取几种不同的小波对同一图像进行利用连续小波变换（CWT），比较不同小波在小波变换系数“脊”处的幅值和恢复图像的效果，得出通过参考小波变换系数幅值表现的方法来选取合适的小波函数的结论.计算机模拟和实验也证实了该方法的正确性.     

基于IE 和AG 的小波图像融合方法

为客观评价几种小波融合图像算法的优劣, 采用了基于信息熵(IE: Information Entropy)和平均梯度(AG: Average Grads)的融合图像质量评价方法。首先选取了两组不同的源图像, 其中一组为曝光度不同的两幅图像, 另一组是焦距不同的两幅图像。然后对图像进行4 层小波分解, 低频系数全部采用像素点平均值法进行融合, 高频系数分别运用区域绝对值最大法、像素点绝对值最大法、区域最大梯度法以及像素点平均值法4 种小波系数融合规则进行小波图像融合, 最后分别比较了4 种融合图像的IE 和AG 值。实验结果表明, 将4 种小波融合方法进行比较, 基于像素点的最大绝对值法IE 和AG 值最大。对于曝光度不同的两幅图像, 其IE为7. 206 5 bit, AG 为5. 983 7 10^-5 , 对于焦距不同的两幅图像, 其IE 为7. 130 8 bit, AG 为4. 794 3 10^-5 。可见, 4 种融合规则相比较, 基于像素点的最大绝对值法融合效果最好, 从而验证了该方法的有效性。     

基于动态规划提取信号小波脊和瞬时频率

提出一种基于动态规划提取信号小波脊和瞬时频率的方法,其基本思路是：对信号进行连续复Morlet小波变换,由变换得到的小波系数的局部模极大值初步提取其小波脊;为降低噪音影响,在初步提取的各小波脊附近选取部分小波系数,通过施加罚函数平滑噪音干扰引起的小波脊变化的不连续性,将小波脊的提取问题转变为最优化问题,采用动态规划方法计算得到新的小波脊;根据小波尺度与频率的关系由提取的小波脊识别出信号的瞬时频率。将提出的方法运用于含噪调频信号进行数值模拟分析和实测索冲击响应信号分析。研究结果表明,基于连续小波变化的模极大值可以有效提取信号小波脊和瞬时频率;采用施加罚函数的方法可有效降低噪音的影响;基于动态规划的方法可有效提高计算效率。     

基于小波包分析的能量阈值消噪

白噪声的方差和幅值随着小波尺度的增加而减小,而信号的方差和幅值与小波变换无关.按照信号能量的观点,提出一种基于小波包分析对图像的高频系数和低频系数同时进行能量阈值处理的消噪方法.同小波分析相比较,该方法可以有效地消除白噪声的干扰,计算简单且有较好的消噪效果.     

基于多小波变换的图像去噪改进算法

在介绍多小波理论的基础上，提出一种基于多小波的自适应图像去噪算法，该方法根据多小波系数在不同子带、不同方向上的特性自适应选取不同的最佳阈值，然后再与图像的分解尺度函数因子结合起来。实验表明，与单小波和其它使用不同预处理过程的传统多小波去噪方法相比，该方法有效地去除了白噪声，进一步提高了图像的峰值信噪比（PSNR）和最小均方误差（MSE）。     

基于分级策略的自动人眼检测与定位

针对小波阈值法中的小波变换只能将图像分解到有限方向, 而不能较好地表征图像多方向性的问题, 用改进混合小波 方向滤波器组（HWD:Hybrid Wavelet Directional filter banks)变换代替单纯小波变换, 使在图像分解过程中更好地表征图像的多方向性, 保存更多的图像信息; 在分析小波阈值去噪原理的基础上,改变隶属度函数, 构建HWD隶属度的权系数, 从而避免因小波系数间存在幅值交叉使小波阈值法的应用受到限制。改进的HWD在损失最少图像小波系数的前提下, 能最大限度地置零噪声小波系数。实际工程图纸去噪研究表明, 改进的小波阈值法可在去除一定噪声的前提下, 保留更多的工程图纸细节信息。     

基于脊波变换的手指静脉图像增强研究

针对人体手指静脉图像的结构和特点,提出一种基于脊波变换的图像增强算法.该算法对手指静脉图像小波域各高频子带系数进行脊波变换,利用非线性新脊域系数确定法对脊域系数进行处理,然后对各高频子带进行脊波逆变换和小波图像重构.该算法对手指静脉二维曲线奇异处理、边缘增强等具有较好的效果,克服了小波变换在高维曲线奇异和方向选择上的不...     

基于多尺度积的磁共振图像增强算法

结合磁共振图像（ MRI）特点，分析了噪声对小波变换的影响，对小波系数间的相关性进行分析和归类，根据图像类型的不同，选取不同的函数进行MRI增强。本文提出了一个新的分段函数对未定点进行增强，实验表明，此函数在对图像中的未定点进行增强的过程中，能较好地抑制其中的噪声点，有效地增强像素点。     

一种双正交小波代数构造方法

提出了一种B样条双正交小波的代数构造方法.对同一个尺度函数来说,可通过自由选择参数构造多种不同的对偶尺度函数的系数,从而可以构造不同的B样条双正交小波.在此基础上用同一尺度函数的多种双正交小波分别作了信号消噪和图像的分解与重构实验,取得了小波系数在信号消噪和图像处理中如何按照应用目的选优的相关结论.     

联合多判据的图像融合算法

常见的基于小波变换的图像融合方法只是从小波系数的某一特性的单一角度来考虑小波系数的选取，因而只适合图像中某一特性的融合。为寻找一种有效的小波系数融合方法，从数据融合的角度出发，提出了一种有效的融合算法。该算法采用投票表决法来联合小波系数选取中的多个判据，并综合考虑小波系数的选取。实验表明，与单一小波变换系数融合方法相比，本方法能有效地提高融合图像的质量。     

吸毒者脉象信号的小波与神经网络分析

海洛因吸毒者与正常人脉象信号最显著的区别在于作为时间函数的幅度波形.两者在某特定的时间区域内的幅值及其变化速率均呈现显著的差别.然而,由小波变换所得的脉象信号尺度系数的子分量和小波系数的子分量恰好可以揭示这样的关键特征.应用小波变换的多分辨率分析法对15例海洛因吸毒者和15例正常人的脉象信号进行分析,利用db2正交小波对每一例脉象信号进行3层分解,取出第3层尺度系数的第6个分量和第3层小波系数的第2个分量的绝对值构成特征向量.设计具有良好性能的概率神经网络对获得的30个特征向量进行自动检测.在网络的设计中,取20个特征向量作为训练样本,另外10个作为测试样本.据此,15例正常人和15例吸毒者全部予以正确地检测出来,检测率达到了100%.     

基于小波变换的多层次图像增强算法

提出了基于小波变换的多层次图像增强算法.首先对图像进行4级小波分解,得到尺度系数和多个层次的小波系数;然后对不同层次的小波系数采用不同的增强算法进行处理,并对图像的尺度系数采用多尺度方法进行处理;最后用得到的小波系数和尺度系数进行逆变换得到增强后的图像.试验结果证明,该算法具有优于传统增强算法的增强效果和抗噪性能.     

一类二进样条小波

推导出一类二进样条小波滤波系数的计算公式,应用这些系数可实现快速二进小波变换,并可重组二进小波变换的原始信号。分析了这些变换的性质,给出了计算实例。     

基于小波多阈值和子带增强的图像去噪

为了在有效降低噪声的同时,尽量保留图像的边缘特征,提出了一种基于小波多阈值和子带增强的图像去噪方法.该方法对最小尺度小波系数采取软阈值方式,将其他小波系数再分解为近似子带和细节子带,依据误差度增强近似子带像素块,同时引入增强因子调节增强幅度;利用局部方差和混合阈值函数对各子带进行阈值处理,保证了图像达到较好的去噪效果.实验表明,与传统阈值方法相比,该方法不仅提高了去噪图像的峰值信噪比,而且较好地保留图像边缘特征,优于常规的阈值方法.     

一种基于二维小波块阈值数字图像去噪方法

小波系数在一个小邻域里具有相似性，若充分利用周围小波系数的信息，分块对小渡系数进行阈值去噪操作，可以在保持图像平滑的同时，尽量多地保留图像的细节信息。对Cai＆Silverman的方法进行分析，将其拓展到二维信号去噪，并提出一种基于小波块阈值数字图像去噪方法．实验结果表明，谊方法不但能保留更多的图像细节，而且具有较好的峰值信噪比。     

一种基于能量分布特性的小波去噪算法

目前对于保持图像细节、滤除噪声，普遍采用空间域、频率域滤波．在空间域滤波，尽管能够有效地限制噪声，但是同时模糊了图像细节．因此，在频率域滤波的方法越来越引起关注．在小波频率域中，我们常常采用Donoho阈值方法处理小波系数来以此去除噪声，保留图像细节，然而该方法同时也一定程度上模糊了图像细节．小波变换具有良好的时、频局部化性能，图像经过多级小波变换得到不同分辨率的子图个数，各高频子图上的小波系数具有相似的能量统计分布特性．也就是说随着分解层数的增加，分辨率最低子图的小波系数范围最大，而高分辨率子图上大部分数值接近于0．因此，该文提出了一种新的基于能量分布特性的小波去噪算法(WCED)．     

基于图像局域特性的自适应贝叶斯小波收缩去噪算法

在小波去噪过程中,对小波系数进行统计建模,去噪效果会得到较大的改进.该文在贝叶斯萎缩去噪的基础上,提出了基于图像局域特性自适应阈值去噪算法.实验结果表明:新的算法比传统的算法能更有效地去除噪声,获得更高的PSNR.同时,图像中的边缘也保护得更好.     

基于小波变换的分开-合并图像分割

小波变换具有良好的“时间—频率”局部化特性及多尺度变焦距特性对于二维图象的小波变换,其梯度模值提供了图像的边缘信息在大尺度时,图像边缘稳定,但存在有位移小尺度时,边缘定位精确,但易受噪声影响噪声和边缘都具有较高的空间频率噪声的能量小,在大尺度下,其小波变换系数值小边缘的能量大,在大尺度变换下,其小波变换系数值大由多尺度小波变换系数的变化情况,估计边缘的类型采用多尺度小波变换系数作为四分树结构的分开—合并法图像分割的一致性度量从而在大的图像块中,去除噪声的影响,在小的图像块中,以小波变换的局部极大值精确定位边缘,根据边缘信息进行分开—合并法图像分割实验表明,算法得到满意的结果