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,对于二维图像蝗小波变换,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 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     

基于小波变换的多尺度图象边缘检测

边沿作为图像视觉的最主要特征 ,成为图像信息获取的重要内容 .而小波变换具有检测局域突变的能力 ,而且可以结合多尺度信息进行检测 ,因此成为图像信息边缘检测的优良工具 .基于信号与噪声在不同尺度下小波系数模的变化特征 ,利用小波变换系数模局部极大值来提取图像的边缘特征 .实验结果说明这种特征提取方法不仅有效地降低了噪声 ,而且也能较准确地提取图像的边缘及降低计算量 .     

基于小波分析及活动轮廓模型的图像分割方法

利用小波分析方法在不同尺度下提取图像中目标的不同边界细节的特性,将小波模极大值方法应用于目标边缘检测.首先,通过小波变换计算各个尺度下的模值和相角值,求出各个尺度下沿相角方向模的局部极大值点,即为图像边缘轮廓;然后,用基于边缘的活动轮廓模型的水平集方法对目标的边缘进行定位分割.实验表明,改进算法对噪声有很好的鲁棒性.     

炭素制品X射线图像的小波边缘提取

针对经典的边缘检测算法在炭素制品X射线有噪图像的边缘检测效果问题,提出了基于小波变换的多尺度局部模极值边缘检测算法.该方法充分利用了小波变换优越的时频局部化分析能力及图像边缘点和噪声点的小波变换局部模值和方向在不同尺度下呈现不同的特性的特点.首先对图像进行小波增强处理,改善了图像的质量,在此基础上,确定了检测X射线图像边缘的最优边缘检测滤波器(小波基)和尺度,给出了小波多尺度局部模极大值的算法,并将该算法与经典的边缘检测算子进行了比较.实验结果表明,该方法明显比传统检测算子的效果要好,为进一步的缺陷模式识别等高层处理奠定了良好的基础.图3,参15.     

一种基于小波变换的边缘检测方法

基于信号与噪声在不同尺度下小波变换系数模不同的变化特征,提出了一种边缘检测方法,该方法通过对图像的小波变换域中由噪声引起的小波变换系数模进行处理,再利用小波变换系数模局部极大值来提取图像的边缘特征,实验结果说明这种特征提取方法可以有效地降低噪声,同时又较准确地提取出图像的边缘。     

基于二进小波变换的图像边缘检测算法研究

图像边缘是图像最基本的特征,是分析理解图像的基础.图像边缘信息的改变意味着图像基本内容或结构的变化.本文研究了利用二进小波变换的方法进行图像边缘特征提取,并通过图像边缘相关算子的理论区分边缘特征点和噪声,然后将不同尺度下的图像边缘特征点,根据小波变换模值跨尺度传递特性,进行多尺度下的图像边缘融合.实验结果表明,该方法克服了传统梯度运算对噪声的放大影响,同时也克服了单尺度下噪声抑制与边缘细节提取精度之间的矛盾.     

基于小波包的图像降噪及Matlab实现

由于图像在实际应用中受大量干扰噪声影响,为了更好的利用含噪声图像,根据小波变换和噪声信号的能量分布特性,提出了一种先用小波包对含噪声图像进行多尺度分解,求出各尺度小波变换高频系数的噪声方差和阈值,确定最优小波包基,再利用各尺度的阈值对高频系数进行处理,然后利用小波变换系数重构图像,实现图像降噪的方法,并与采用全局阈值降噪方法相比较;实验结果说明采用的方法可以有效地降低噪声,又可以较好地保持图像细节.     

多尺度小波边缘检测算法研究

根据采用小波变换提取图像边缘的多尺度特性,对小波多尺度间的相关性进行了分析,提出多尺度小波变换相关算子,分析了相关算子的滤波特性,利用相关算子对图像的多尺度边缘信息进行了优化。既保留了图像中重要的细节边缘信息,又剔除大量的冗余边缘和虚假边缘,有效地提取出了图像的特征边缘。     

一种改进的分水岭图像分割算法

针对分水岭图像分割算法普遍存在受噪声影响大和过分割的问题,提出了一种基于梯度修正和相邻区域边缘强度合并的改进分水岭图像分割算法。首先对图像采用形态学开闭重建滤波,消除噪声对图像的干扰;其次,使用多尺度算子计算形态梯度,充分利用大结构元素和小结构元素的各自优点,获得更准确的形态学梯度;再用粘性形态学运算对梯度图像修正,有效去除产生过分割的局部极小梯度值;分水岭变换后,定义出相邻区域的边缘强度值,并基于相邻区域边缘强度合并过分割区域,进一步消除图像过分割,改进分割效果。实验表明:该方法不仅能够有效地去除图像噪声干扰,而且能够消除过分割区域,同时还具有较强的区域轮廓定位能力,有效提高了图像分割效果。     

基于小波变换的多尺度图像边缘检测

边缘作为图像的最主要特征,成为图像信息获取的重要内容.而小波变换具有检测局域突变的能力,而且可以结合多尺度信息进行检测,因此成为图像信息边缘检测的优良工具.文章首先构造了高斯多尺度边界检测算子,然后根据信号边界与噪声边界的小波变换模值跨尺度传递的不同特性,讨论了不同尺度的检测算子检测的边缘所具有的特点,在此基础上提出由边缘传递、继承和生长构成的多尺度边缘关联融合算法.实验结果说明这种特征提取方法不仅有效地降低了噪声,而且融合的边界比较完整,定位准确.     

急性运动中超分辨率图像重构方法研究

采用当前急性运动中超分辨率图像重构方法得到的重构图像存在全局误差,导致重构图像质量低下,重构效果不佳。为此,提出一种新的急性运动中超分辨率图像重构方法,设计急性运动中超分辨率图像重构模型,将小波稀疏字典作为急性运动中超分辨率图像重构的理论依据。将低分辨率急性运动图像分割成低分辨率图像块,对无噪高分辨率急性运动图像块相应的无噪低分辨率图像块进行分析。通过OMP方法对稀疏系数进行求解,依据得到的稀疏系数估计出高分辨率急性运动图像块的高频小波系数,将高分辨率小波系数急性运动图像块返回高分辨率小波系数急性运动图像,通过逆小波变换得到最终的高分辨率图像,对全局误差进行修正。实验结果表明,采用所提方法得到的重构图像质量高,重构效果好。     

基于小波包变换的尺度自适应阈值图像降噪

针对传统小波变换易引起图像边缘模糊的不足,研究了基于小波包变换的尺度自适应阈值图像降噪。利用小波包变换可以同时对图像的高频和低频部分进行进一步的细分,因此可以更好地保留原图像信息的优势,更进一步,克服通用阈值的缺陷,软阈值函数的构造充分考虑了不同尺度层次上的系数的不同特点,产生尺度自适应阈值。通过对加噪图像的实验可以看出,与传统方法相比,本文方法不仅降噪效果有很大的改进,而且有很好的视觉效果,峰值信噪比也有较大幅度的提高。     

云计算环境下大数据视频图像的尺度空间融合算法研究

针对传统算法融合图像质量差、清晰度低、损失图像包含信息的弊端,提出一种新的云计算环境下大数据视频图像的尺度空间融合算法,介绍了尺度空间理论。通过具有平移不变性特征的提升静态小波变换算法对云计算环境下大数据视频图像进行尺度空间融合,对待融合图像进行提升小波变换分解处理,获取不同尺度空间下的低频子带系数与高频子带系数。针对低频子带系数与高频子带系数给出各自的融合方案,获取融合图像的提升静态小波变换系数。通过提升静态小波逆变换获取最终的融合图像。从主观和客观两个方面对所提算法的融合效果进行测试。结果表明,所提算法主观融合效果好,通过客观评价指标对融合图像进行评价,发现所提算法得到的融合图像清晰度、质量佳,不会损失图像包含信息。     

一种基于小波提升变换的多尺度边缘提取算法

提出了一种基于小波提升变换的改进图像边缘的检测算法.本算法首先对源图像进行小波提升分解,然后分别对高、低频子图像进行边缘提取.对于低频信息使用Canny算子进行边缘检测,而高频信息先用相邻尺度小波系数相乘的方法去除噪声,消噪后再对高频分量进行边缘检测.最后通过一定的融合规则进行融合,得到最终的边缘图像.实验结果表明,该方法具有运算速度快,能有效地抑制噪声,边缘检测精度高等特点,是一种有效的图像边缘提取算法.     

基于小波变换和偏微分方程的图像去噪方法

应用小波变换去除图像噪声时虽然能保持图像的细节信息,但是图像的边缘信息被平滑了.使用偏微分方程对图像去噪,并与使用小波变换去除图像噪声后效果进行比较,实验结果表明:使用偏微分方程对图像去噪在平滑噪声的同时可以使边缘得到保持.应用偏微分方程进行图像去噪是一种有效的工具.     

基于小波变换的图像边缘检测

基于信号与噪声在不同尺度下小波系数模的变化特征，利用小波变换系数模局部极大值来提取图像的边缘特征。实验结果说明了这种特征提取方法能够较准确地提取图像的边缘并有效地降低噪声。     

多孔小波和非下采样滤波器组去除遥感图像的多种噪声

结合àtrous小波变换和非下采样轮廓波变换的优点,提出一种基于àtrous 非下采样轮廓波变换的遥感图像去噪方法.该方法用非抽取离散小波变换的àtrous算法对图像进行多尺度分解,然后用非下采样的多方向滤波器组对得到的细节分量进行多方向分解.对含有多种噪声的遥感图像,àtrous 非下采样轮廓波变换将图像中不同种类的噪声分解到不同的小波系数分量中,使得可以根据噪声特性选择最合适的去噪方法,比用一种方法去除所有类型的噪声更科学且去噪效果更好.     

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)．     

基于边缘检测的提升小波图像去噪

为了图像去噪的同时能很好地保持图像的细节,提出了一种基于边缘检测的提升小波图像去噪方法,先用Canny边缘检测方法得出原图像的边缘,提升小波去噪时就可用阈值去噪而不必担心损害图像的重要特征。其去噪步骤是：对噪声污染图像进行提升小波去噪;对含噪图像提取边缘图像;对去噪图像高频系数进行阈值处理进行重构变换;图像合并。实验结...