基于非下采样Contourlet变换和PCNN的表面缺陷自动识别方法

基于多尺度几何分析的表面缺陷特征提取方法中,常用的可分离二维Wavelet基是各向同性的,无法有效表示图像的纹理和边缘,且通常对多尺度分解系数所提取的特征不全面.提出基于非下采样Contourlet变换(NSCT)和脉冲耦合神经网络(PCNN)的特征提取方法,并应用于冷轧带钢表面缺陷自动识别.首先用NSCT对缺陷图像进行多尺度多方向分解;然后将子带图像输入PCNN迭代点火,计算点火图的熵序列作为子图的特征,合并各子图特征得到原图的特征向量;最后用支持向量机进行分类识别.该方法能够全面准确提取缺陷图像信息,尤其是纹理边缘等方向信息,且方法可并行实现,PCNN不需要训练.利用从生产线现场采集的缺陷图像对文中方法进行了试验,识别率达95.44%.     

基于PDE的图像分解与边缘检测的一种新方法

Luminita A.Vese和Stanley J.Osher提出的卡通—纹理图像分解模型,能将一幅自然图像中的卡通部分和纹理部分分开,但是分解不完全,卡通部分还含有一些纹理信息且边缘容易被模糊。在Vese和Osher卡通—纹理分解模型的基础上,运用半二次规整化方法,得到联合图像分解与边缘检测的新模型。并讨论了其中边缘正则项的三种形式。数值实验表明新模型C使得卡通—纹理分解与边缘提取同时进行,在保持卡通图像较好光滑性的同时,能有效地保护边缘细节的信息,使得图像分解更彻底,提取的边缘信息更准确。     

基于卫星云图的DBSCAN聚类云团分类方法

针对云分类问题提出一种新的云团分类方法.该方法先利用风云二号静止气象卫星实时云图图像资料建立多种云和地表类型的样本库,提取分析已知样本的光谱特征和纹理特征;再使用中值滤波器对云图进行预处理,并采用具有噪声的基于密度的聚类算法对云区聚类;最后对聚类得到的云团光谱特征和纹理特征进行匹配,确定云团所属的云类别.实验结果表明,该方法以云团为单位进行划分,易实现云团分类自动化.     

结合分数阶微分的浮选泡沫图像NSCT多尺度增强

针对浮选槽低照度环境下采集的泡沫图像对比度低、边缘弱、噪声干扰等问题,提出了一种结合自适应分数阶微分和非下采样Contourlet变换(NSCT)的泡沫图像多尺度增强算法.首先对泡沫图像进行NSCT多尺度分解,根据低频子带的梯度特征构造自适应分数阶微分阶次函数,结合改进的带亮度控制参数的Tiansi算子对低频子带图像进行增强处理;然后对各高频方向子带,根据能量分布特征自适应计算阈值,再结合尺度相关系数去除噪声,并通过非线性增益函数增强边缘系数;最后对处理后的图像进行NSCT重构.对不同大小类型的泡沫图像进行实验,结果表明:与现有算法相比,文中算法改善了图像的亮度,具有更高的对比度、清晰度和信息熵,保留更多的纹理细节,在有效抑制噪声的同时气泡边缘得到明显增强,为后续的泡沫图像分割和边缘检测奠定了基础.     

一种局部频域分析的多尺度纹理特征提取方法

在局部二进制模型和多分辨率分析的基础上,提出一种基于局部频域分析的多尺度纹理特征提取方法.对纹理图像采用局部圆形邻域作为局部模板进行局部频率变换,对各频段图像实现多分辨率分析,提取多尺度下的特征向量,结合SVM算法进行分类实验.结果证明,该方法在继承了LBP对光照因素具有的稳定性的同时,具有旋转不变性特征;利用NSCT在多尺度下进行的纹理特征提取也满足尺度不变性的需要,与其他方法相比提高了分类准确率.     

基于NSCT的低能见度图像边缘检测算法

针对PM2.5雾霾图像能见度低、边缘检测困难的问题,提出了一种采用非下采样轮廓波变换（NSCT）的边缘检测方法。首先对PM2.5雾霾图像进行NSCT分解,然后寻找由同一粗尺度系数分解而来的两个细尺度相邻子带系数,对其求差值,再通过差值图的模极大点来确定边缘点,最后通过NSCT域尺度内和尺度间的融合得到完整边缘图像。实验表明,对雾霾图像,该边缘检测方法所获取的边缘完整、定位准确并且噪声点少。     

基于Radon变换的多尺度虹膜识别算法

针对现有虹膜识别算法需要处理二维纹理信息,特征提取时间长,对噪声干扰比较敏感等问题,提出了基于Radon变换的多尺度虹膜识别算法.首先利用Radon变换将二维虹膜纹理信息转换为一维纹理信号,然后使用小波变换多尺度能量算子提取虹膜的特征信息,最后利用相异度函数进行匹配判别.实验结果表明,算法具有运算简单,快速等优点,同时算法能够较好地克服图像平移、缩放、旋转等几何攻击对识别带来的不利影响,具有较强的抗干扰能力和较高的识别率.     

基于小波变换的多尺度图像边缘检测算法

针对边缘检测算子的抑噪能力和定位精度之间矛盾,提出了一种基于B样条小波变换的边缘检测方法。首先对图像进行小波多尺度分解,在每种尺度下分别提取图像边缘;而后利用边缘信息的多尺度特性,融合多尺度边缘得到了单像素宽边缘。通过计算机仿真对该方法进行验证,实验结果表明该方法不仅能准确检测出图像边缘,而且能有效地抑制噪声,效果优于传统的边缘检测算法。     

基于NSCT和FCM聚类的SAR图像分割

为了实现对SAR(合成孔径雷达)图像的无监督自动分割,提高分割精度和计算效率,提出了一种基于非下采样Contourlet变换(NSCT)和模糊c均值(FCM)聚类的SAR图像分割方法.该方法首先采用一种基于NSCT的去噪算法对SAR图像进行去噪预处理,以保护细节纹理信息;然后采用保边缘灰度特征提取方法和灰度共生矩阵来提...     

基于小波变换的多尺度图像边缘检测算法

针对边缘检测算子的抑噪能力和定位精度之间矛盾,提出了一种基于B样条小波变换的边缘检测方法.首先对图像进行小波多尺度分解,在每种尺度下分别提取图像边缘;而后利用边缘信息的多尺度特性,融合多尺度边缘得到了单像素宽边缘.通过计算机仿真对该方法进行验证,实验结果表明该方法不仅能准确检测出图像边缘,而且能有效地抑制噪声,效果优于传统的边缘检测算法.     

基于图像多尺度分解的前景提取

为了弥补纹理对传统GrabCut提取结果的负面影响,本文分析了图像边缘和颜色分布的尺度特性,结合图像多尺度分解和GrabCut,提出了基于图像多尺度分解的前景提取模型.首先,该模型运用全变分对图像进行多尺度分解得到一系列平滑图像,该分解保护了图像边缘并平滑了纹理,压缩了图像区域颜色的分布范围;其次,将给定平滑图像前景颜色分布表示为高斯混合模型,并运用直方图形状分析方法优化了高斯混合模型的高斯函数个数,弥补了传统固定高斯函数个数的负面影响;最后,根据不同平滑图像的分割结果设计了迭代终止条件,使得从适当的分解尺度中提取前景.与传统前景提取算法相比较,该模型降低了纹理对前景提取的负面影响,其测评分数高于传统算法.     

基于计盒维数和多小波的静脉图像特征提取

为提高静脉识别过程中的特征匹配速度,提出了一种基于计盒维数全局特征和多小波的局部特征提取方法.该方法首先采用基于计盒维数法的特征提取技术来提取静脉纹理粗糙度特征作为全局特征,然后通过多小波分解来提取静脉图像的局部特征,分别提出了一维系数编码和多尺度量化编码的方法来描述静脉局部特征.对已有静脉图像的实验表明,提出的特征提取方法有效,并使相应匹配算法识别的准确率得到了提高.     

一种基于数学形态学的多形状多尺度边缘检测算法

基于数学形态学的边缘检测过程中,不同形状、不同尺度的结构元素在滤除噪声和保持边缘细节方面的作用是不同的,为此提出了一种基于多形状多尺度结构元素的自适应边缘检测算法,分别使用不同方向和大小的结构元素提取图像边缘,通过计算信息熵自适应确定权重系数,对多形状结构元素和多尺度结构元素检测的边缘做融合处理.实验结果表明,该算法与几种经典边缘检测算子相比,有效抑制了噪声影响,提高了检测精度,对各种不同图像具有很好的鲁棒性.     

基于尺度分维的图像边缘检测方法研究

将分形用于自然纹理描述，指出了单一分形维数测度用于纹理分析的局限性，并提出了尺度分维的新概念．研究了自然纹理与纹理边缘的尺度分维随尺度的变化规律，提出了一种基于图像纹理特征的边缘提取方法，并分析了它的抗噪性能，给出了边缘检测的实例     

基于NSCT与形状特征的遥感影像道路提取

提出一种基于非抽样Contourlet变换（NSCT）与形状特征的遥感影像道路提取算法.首先对图像进行非抽样Contourlet变换,得到不同尺度、不同方向上的变换系数,对变换系数进行增强处理并通过反变换得到增强图像;然后对增强图像进行分割处理,利用道路形状特征对分割结果进行道路提取;最后利用光谱特征对提取的道路进行判断,并利用形态学方法对道路网进行规整.对比实验结果表明：该算法取得了较好的高分辨率遥感影像道路提取效果.     

基于D-S证据理论的SAR图像边缘融合检测算法

针对含噪SAR图像的统计特性,提出了一种基于D-S证据理论的SAR图像边缘检测算法。该算法采用非下采样Contourle变换,结合Ratio算法良好的抗噪和恒虚警性能,构建基本置信指派函数。最后对实测的SAR图像进行仿真,仿真结果表明该算法具有良好的抑制斑点效果,并能完整和准确地检测直线边缘,对弱边缘检测也表现良好。     

基于NSCT-PCNN变换的多传感器图像融合

针对同源和异源的多传感器图像的特征,提出了一种基于非下采样Contourlet变换(NSCT)和脉冲耦合神经网络(PCNN)的新的图像融合算法。首先,用NSCT对已配准的源图像进行分解,从而准确地提取出了二维和更高维的边缘纹理信息;其次,对低频子带系数采用区域方差进行了整合,从而得到融合图像的低频子带系数,而对高频子带系数提出了一种改进的基于PCNN的图像融合方法来确定融合图像的各带通子带系数;最后通过对所有子带系数进行NSCT逆变换,从而得到了融合图像。实验结果表明,该方法优于Mallat小波方法和传统的NSCT方法,有更好的视觉效果。     

多尺度生成对抗网络的图像超分辨率算法

基于神经网络的图像超分辨率方法往往存在重建图像纹理结构模糊、缺失高频信息的问题。为了解决该问题,在SRGAN的基础上提出一种多尺度并联学习的生成对抗网络结构,其中生成模型由两个不同尺度的残差网络块组成,首先对提取的低分辨率图像通过两个子网络的多尺度特征学习,然后使用融合网络进行残差融合,融合不同尺度高频信息,最终生成高分辨图像。在Set5、Set14、BSD100基准数据集以及SpaceNet卫星图像数据集上的实验结果证明了该算法在恢复低分辨率图像的细节纹理信息具有良好效果。     

基于多尺度平滑的前景提取

传统的Graph cuts算法可以有效地提取卡通图像前景,但是对自然场景图像效果差.为了提高前景提取的效果,本文提出了基于多尺度平滑的前景提取模型,联合分割和多尺度特征,从适当的尺度特征中提取前景.运用TV保边平滑模型对图像进行平滑,降低了图像区域的非均匀性,保护了边缘,提高了前景提取的效果.实验结果表明,基于多尺度平滑的前景提取算法降低了非均匀区域对前景提取的影响,其评测分数高于传统的Graph cuts算法.