基于模糊推理的小波域图像融合规则

现有的2种主要的小波域融合规则,即选择绝对值最大系数规则和选择与加权平均相结合的规则,都存在着融合信息不完整和易受噪声干扰等缺点.为克服这些缺点,使融合图像包含尽可能多的源图信息,提出了基于模糊推理的小波域融合规则.此规则根据源图像小波系数的局部区域特征,通过模糊推理确定各源图像相应系数的权值,再对相应系数加权平均得到融合后的小波系数.实验结果表明,使用基于模糊推理的融合规则融合的图像,在峰值信噪比以及与源图像之间的互信息量等方面均优于使用2种现有规则进行融合所得的图像.新规则有效地克服了现有规则的缺点,具有更好的信息完备性和鲁棒性,尤其在源图像受到噪声污染的情况下,其优势更加明显.     

基于Gabor滤波和BP神经网络的二维条码区域提取

复杂背景下的二维条码区域提取一直是Data Matrix条码解码过程中的难题之一.通过对图像进行形态学分析从而确定条码的可能区域的方法因计算简单而被广泛应用,但存在着形态学结构体难以选择和虚警率比较高的缺点.为克服这些缺点,提出了基于Gabor滤波和BP神经网络的Data Matrix条码区域提取方法(GF-BPNN).用不同尺度不同方向的Gabor滤波器对图像进行滤波提取其纹理特征,再进行特征变换,使所得特征具有尺度和旋转不变性;然后利用BP神经网络按照前述特征对像素进行分类,再经过形态学后处理提取条码区域.实验结果表明,与进行形态学分析的方法相比,GF-BPNN具有较高的准确率和鲁棒性.