利用特征加权进行基于小波框架变换的红外目标检测

提出了一个基于背景纹理多分辨分析的红外目标检测方法。本方法通过对原始图像作小波框架变换提取不同分辨率下背景纹理的特征,利用特征加权技术（FWT）,得到中心向量,求出每个象素点的特征向量到中心向量的距离。根据距离像统计直方图实现阈值判别。实验证明该方法取得了较好的效果。     

基于小波变换的PCB缺陷视觉检测技术研究

针对现有的PCB(PrintedCircuitBoard)缺陷视觉检测系统实时性较差,难以检测线宽过窄等问题,首先对PCB缺陷图像进行小波变换压缩,提高了系统实时性;然后应用小波边缘检测算法对缺陷图像边缘精确定位,在图像小波变换局部模极大值对应的梯度方向上计算边缘点距离,根据特定规则提取、识别并定位特定缺陷,实验结果表明上述方法简单有效。     

基于小波域统计-共生矩阵的声纳图像识别

采用完全树式结构小波包分解方法提取了声纳图像的纹理特征。通过计算小波包系数的统计特征和共生矩阵,构造了一个基于小波包变换的统计—共生矩阵特征集。由于统计—共生矩阵作为图像纹理特征表示时,在保留图像统计特征的同时,引入了空间信息,所以识别性能明显优于单纯的统计量识别方法。最后设计了一种模糊纹理分类器,由于模糊判决分类器通过引入隶属度函数对特征进行模糊化,反映了各类纹理样本间由于随机噪声等畸变因素造成的抽取特征值存在的不确定性,从而提高了纹理分类器的鲁棒性。     

基于树型小波和灰度共生矩阵的SAR图像分类

SAR图像包含有相干斑噪声 ,传统的方法不能很好地对SAR图像进行分类。为了能对SAR进行精确分类 ,将图像的灰度和纹理特征 ,空域和频域特征相结合 ,提出了一种新的SAR图像分类方法。该方法采用由树型小波中频纹理能量特征、灰度共生矩阵特征、树型小波滤波后的灰度组成的特征矢量对SAR图像进行分类。实验结果分析表明 ,该方法是一种有效的SAR图像分类方法。     

基于多分辨率统计能级的SAR图像点目标检测

针对合成孔径雷达(syntheticapertureradar,SAR)图像点目标检测的困难,基于各层小波系数分布的统计特征,提出了一种在多分辨率统计能级上区分目标与杂波背景的方法。在非正交小波变换的基础上,定义各点的层间随机过程,进行各分辨率下的信息相关后,通过能量函数构造能量图像,并在能量图像上自适应地搜索合适的目标尺度窗口实现检测。实验结果表明,该方法适用于不同的杂波背景,能有效检测潜在的点目标,并在一定程度上保持了目标的形状。     

基于多重稀疏表示的声纳图像超分辨率重建方法

提出一种基于多重稀疏表示的声纳图像超分辨率重建方法。该方法针对声纳图像的光滑、边缘和纹理3种结构形态,分别利用离散平稳小波变换、contourlet小波变换和Gabor小波变换建立过完备字典,并对多重稀疏表示的声纳图像进行超分辨率重建。实验结果表明,该方法得到的超分辨率图像能够有效保持原始高分辨率图像的几何特征和纹理特征,可以得到更高的峰值信噪比,并且对噪声具有鲁棒性。     

小波变换在有噪图像边缘检测中的应用

描述了有噪图像边缘检测的方法,它基于小波变换的多尺度分析。通过合理选择小波基,可以得到图像的多分辨表示。证实了小波多尺度变换在有效去噪的同时可以保持图像的特征。通过信号,噪声奇异性的分析,对有噪图像小波变换局部极大值的检测可提取出所需的图像边缘特征。实验结果证实了该方法的可行性     

一种新的复杂背景下红外弱小目标检测方法

针对复杂背景下单帧红外图像中的弱小目标检测问题,提出了一种新的基于小波包变换和偏斜度的检测方法.该方法利用小波包对图像进行多尺度分解,解决了高频段分辨率低的问题;并提出了一个基于偏斜度的高斯判别准则,用于对小波包分解系数进行高斯性检验,最终得到了小目标的精确检测.对实测数据进行仿真实验,结果表明该方法能有效检测红外弱小目标.     

基于小波提升和形态学的图像边缘检测方法

提出了一种基于小波提升和形态学的图像边缘检测方法。对源图像进行小波分解,用数学形态学法对低频子图像进行边缘检测,用小波变换法对不同分解层上的高频子图像进行边缘检测,采用一定的融合规则将这两个边缘图像融合在一起得到一幅完好的边缘图像。这种边缘检测方法结合了小波提升法和数学形态学法的优点,对用这两种方法得到的边缘信息进行融合,有效地抑制了噪声,且边缘连续、清晰。实验结果表明,提出的这种结合方法优于单独使用数学形态学法或小波提升法。     

基于可操纵小波的多方向图像边缘检测

根据可操纵小波多分辨率分析的原理,将小波多分辨率分析与方向微分算子相结合,设计实现了基于二维多方向微分的小波滤波器组,提出了分辨率及方向均可调节的图像边缘检测方法。该方法具有计算效率高、抗带间混叠及多方向选择等特点。通过仿真试验并将其与canny算法和传统的B样条小波边缘检测算法进行比较,验证了该方法的有效性和优越性。     

小训练样本下的合成孔径雷达图像分类研究

针对纹理是合成孔径雷达(SAR)图像目标分类的一个重要因素,SAR图像的过完全小波分解产生大小不变的子图像,具有移不变特性,可在不同尺度下表征纹理。利用图像灰度均值与细节图像能量特征组成特征矢量,对SAR图像有好的表征效果。与完全由图像分解子图能量得到的特征矢量相比,目标间的纹理特征差异更明显。神经网络具有高度非线性判决性能,可将所提出的过完全小波分解纹理能量特征(OWATF)与径向基函数(RBF)神经网络相结合对SAR图像面目标进行分类。实验证明,在小训练样本条件下,RBF神经网络与OWATF特征相结合对SAR图像进行分类能够很好地体现目标的整体特性。     

联合纹理提取和边缘检测的新方法

结合稀疏表示和半二次规整化方法,提出了一种联合纹理特征提取和边缘检测的新算法。该算法是基于稀疏表示的形态学成分分解方法的直接推广。其基本思想是用两个适合的字典：一个用来描述纹理部分--对偶树复小波变换,另一个用来描述结构部分--第二代曲线波变换,得到了一种新的分解模型。接着运用半二次规整化方法推广这个分解模型,提出了一种联合纹理特征提取和边缘检测的变分模型。数值计算的结果表明,新模型对图像的结构〖CD*2〗纹理分解,以及边缘的提取都有较好的效果。     

小波域多聚焦图像融合算法

研究了小波域多聚焦图像融合方法中滤波器、分解层数、融合规则的选取问题,提出一种基于小波变换的简单融合规则。利用小波变换将图像分解成最低频逼近和不同尺度、不同方向的高频细节信息,最低频逼近反映图像的平均信息,细节包含图像的边缘。根据多聚焦图像中细节信息互补的特点,对多个待融合图像简单地取模值较大的小波系数,得到了很好的融合图像。详细讨论了不同的小波滤波器、分解深度、融合算子对融合结果的影响。对小波域图像融合算法与其它一些多分辨图像融合算法:如Laplace塔、比率塔、对比度塔、梯度塔等进行比较,得到了一些定性结论,对该领域的研究和实验有一定的指导意义。     

Steganography based on wavelet transform and modulus function

In order to provide larger capacity of the hidden secret data while maintaining a good visual quality of stego-image,in accordance with the visual property that human eyes are less sensitive to strong texture,a novel steganographic method based on wavelet and modulus function is presented.First,an image is divided into blocks of prescribed size,and every block is decomposed into one-level wavelet.Then,the capacity of the hidden secret data is decided with the number of wavelet coefficients of larger magnitude.Finall,secret information is embedded by steganography based on modulus function. From the experimental results,the proposed method hides much more information and maintains a good visual quality of stego-image.Besides,the embedded data can be extracted from the stego-image without referencing the original image.     

基于稀疏编码的自然图像特征提取及去噪

主要讨论稀疏编码在自然图像统计特性中的应用，利用稀疏编码实现图像的特征提取以及消除图像中的高斯噪声。丈中利用双梯度算法对自然图像的基向量进行迭代学习。实验表明，提取的基向量在时域和频域上都有方向性和局部性。与小波收缩法相比，稀疏编码法提取的特征要优于小波法提取的特征。对特征提取的实际应用，就是利用稀疏编码收缩法对图像消噪，并通过仿真实验证明稀疏编码收缩法去噪效果要优于任何低通滤波方法。     

多特征统计电视跟踪器

本文描述了一种多特征统计图象分割算法。该方法将多个特征(如灰度、边缘和相关)形成一种多维空间统计,利用多维特征函数所确定的决策面来分割图象。它能解决单一特征统计分割算法难以解决的问题。文中还简要地讨论了自适应分割算法。计算机模拟实验结果表明这种方法图象分割效果良好。