基于多小波和非下采样Contourlet变换的纹理检索

为了更有效地进行纹理图像检索,提出了一种新的基于多小波变换和非下采样Contourlet变换相结合的纹理图像检索方法.首先,采用多小波对图像进行多尺度分解以便保证变换平移不变性的同时也消除变换的冗余性;然后,将所得的高频子带采用非下采样方向滤波器组进行多方向分解,计算低频子带和各层方向子带的一阶几何矩作为纹理特征;最后...     

基于非下采样Contourlet变换的自适应阈值图像去噪方法

Contourlet变换是一种真正的图像二维表示方法,具有方向性和各向异性,能稀疏地表示图像。但Contourlet变换不具备平移不变性,图像去噪时会存在伪Gibbs现象。为了克服这种不足,在Contourlet变换基础上,构建了非下采样Contourlet变换,首先将图像进行非下采样Contourlet变换,接着运用自适应阈值进行去噪处理,然后进行非下采样Contourlet逆变换,得到去噪后图像。实验结果表明,采用非下采样Contourlet变换方法能有效去除图像噪声,并能保持图像纹理细节,提高图像信噪比,视觉效果好,其去噪效果优于传统小波及Contourlet去噪效果。     

基于概率模型的非下采样Contourlet变换图像去噪

目的 提出一种基于概率的自适应阈值选择方法,并将其应用到非下采样Contourlet变换域中实现阈值去噪.方法 根据NSCT系数大小,估计每个系数所包含的有用信号成分的概率,以此概率执行闽值处理.结果 假设信号在NSCT域中服从广义Laplacian分布且原始信号被高斯白噪声污染的条件下,这种阈值方法是普适有效的.结论 提出的方法应用于图像去噪,实验证明该方法与目前流行的去噪方法不相上下甚至有所超越.     

一种基于非下采样Contourlet变换的自适应水印方法

图像的多尺度方向分解和自适应水印方法是两个有趣的话题.利用非下采样Contourlet变换的多方向性和高冗余性,通过计算方向子带的掩盖系数,设计了一种自适应的图像水印方法.实验结果表明,该方法对绝大多数的图像失真都具有一定的鲁棒性.     

非下采样Contourlet自适应的地震信号插值方法

为了提高地震数据的重构效果,提出了一种基于非下采样Contourlet变换(NSCT)自适应阈值的插值方法。该算法对缺失地震数据进行变换,并利用NSCT变换系数计算N次迭代对应的阈值。每次迭代时自适应选取阈值对各方向各尺度的NSCT系数进行处理,利用未缺失地震数据填充到反变换后的缺失地震数据中,完成缺失地震数据的重构。实验结果表明,利用NSCT变换的平移不变性和自适应阈值处理,对均匀丢失和随机丢失的地震数据进行插值重构,能得到更好的插值效果。     

融合显著区域和非下采样Contourlet变换的图像检索方法

为了提高图像的检索性能,基于显著区域直方图和非下采样Contourlet变换技术,提出了一种图像检索新方法。首先,以兴趣点为基础实现图像显著区域和背景区域的划分,并提取这两个区域的直方图作为颜色特征;其次,对图像进行非下采样Contourlet分解,获得高频子带的均值和方差作为图像的纹理信息;最后,将得到的颜色特征和纹理信息有机结合对图像进行检索。实验结果表明,该方法性能稳定,具有较高的检索效率。     

基于非下采样Contourlet变换的图像自适应阈值去噪算法

利用非下采样Contourlet变换的平移不变性和多方向选择性,考虑非下采样Contourlet变换域内相邻尺度间和同一尺度、不同方向间图像系数和噪声系数之间不同的相关性,根据子带含有信息量的多少,自适应地调节BayesShrink阈值大小,不仅使弱的边缘细节被从噪声中提选了出来,而且避免了将较大的噪声系数判定为图像细...     

基于非下采样Contourlet变换的 SVM多聚焦图像融合

提出基于非下采样Contourlet变换的支持向量机(SVM)多聚焦图像融合算法. 采用非下采样Contourlet变换分解图像得到不同频域子带系数. 针对直接取系数绝对值最大融合规则不能反映图像区域的缺点,提出SVM分类系数融合规则. 根据各子带系数物理意义将区域方差、区域能量作为SVM核函数参考量来选择清晰像素点系数,根据融合系数重构得到融合图像. 结果证明该算法能有效并准确地融合图像中的信息.     

基于非下采样Contourlet变换的显微图像清晰度评价算法

针对显微图像噪声多、光照不均匀的特点,文章提出了一种基于NSCT的显微图像清晰度评价算法。算法首先通过NSCT对图像进行分解,然后基于改进的拉普拉斯能量获取子带系数的能量,最终由低、高频子带系数能量的比值得到评价结果。实验结果表明,与拉普拉斯、方差及小波变换评价算法相比,该算法在保持高灵敏度的同时具有较好的抗噪性能,评价结果更为准确、稳定、可靠。     

基于非下采样Contourlet信息熵的纹理图像检索

提出了一种基于非下采样Contourlet信息熵的纹理图像检索新方法.首先对原始图像进行三层非下采样Contourlet分解;然后计算各个子带的能量,并对其进行排序、合并,得到纹理直方图;最后以纹理直方图为概率密度函数,并用改进的信息熵方法求得函数的熵,以此作为纹理特征进行检索.实验结果表明,该方法与当前基于多分辨率的纹理图像检索方法相比具有更高的查全率和查准率.     

基于归一化和非下采样Contourlet变换的数字水印方案

在研究非采样Contourlet变换和归一化理论的基础上,提出了一种新的数字图像水印算法。先将原始图像经过非下采样Contourlet变换处理,提取出图像的低频区域,然后依据人眼的视觉特性以及嵌入水印前、后系数的相关性,将水印信息嵌入对低频区域进行归一化重要区域中。无须借助于原始图像,就能进行水印提取,实现真正的盲检测。实验结果表明,本文算法对平移变换的抵抗力最强,对旋转和缩放也有很好的抵抗力,而且经过JPEG压缩之后,数字水印也不会失真。      

基于非子采样Contourlet变换的多聚焦图像融合方法

非子采样Contourlet变换(NSCT),是针对Contourlet变换的一些局限性进行了改进,可以对图像进行灵活的多尺度、多方向和平移不变性分解.提出了一种基于NSCT的多聚焦图像融合方法.首先对多聚焦图像进行NSCT变换;然后对变换得到的低频分量系数采用改进的加权平均融合规则进行融合处理,对高频分量的最高层和其它层系数分别采用绝对值最大和改进的区域方差融合规则进行融合处理;最后重构图像得到融合结果;并给出了实验结果.对结果的分析比较表明,所提出的融合规则的效果优于常用的融合方法和参考文献的融合方法.     

一种基于非降采样Contourlet变换的遥感图像融合方法

给出了一种非降采样Contourlet变换和HIS变换相结合的遥感图像融合算法.非降采样Contourlet变换是一种平移不变的小波变换方法,且具有良好的方向选择性,其对图像做多分辨率分析得到的高频子带,有效地表达了图像中的细节特征信息.结合HIS变换,非降采样Contourlet变换将细节注入到多光谱图像得到的融合图像,不但具有较高的空间分辨率,而且有效保持了多光谱图像的光谱特征.实际的SPOT全色图像和TM多光谱波段融合结果表明,所提议方法的性能优于目前广泛使用的小波域方法如离散小波变换和A Trous小波变换以及Contourlet变换等融合方法.     

非下采样Contourlet变换耦合锐度制约的遥感图像融合

当前多数遥感图像融合算法主要是依靠比值法选取全色图像或多光谱图像中的其中一个高频子带作为高频融合系数,忽略了另一个高频系数所包含的信息,易导致融合图像出现模糊以及光谱失真等不足.对此,本文提出了基于非下采样Contourlet变换与锐度制约模型的遥感图像融合算法.通过亮度-色调-饱和度(IHS)变换,获取多光谱图像的I,H,S分量,利用非下采样Contourlet变换对多光谱图像的I分量以及全色图像进行多尺度精细分解,得到相应的低频子带与高频子带;利用像素点邻域的像素值之差构造锐度制约模型,完成低频子带的融合.考虑多光谱图像中I分量与全色图像的高频子带特征,构造高频子带融合模型,完成高频子带的融合;将融合后的高频子带与低频子带通过非下采样Contourlet逆变换,输出融合图像的亮度分量珔I,将珔I与H,S分量进行IHS逆变换,形成最终的融合图像.仿真实验显示,与当前遥感图像融合方法相比,所提方法的融合图像具有更高的视觉质量,可保留更多的光谱以及边缘等图像细节信息.     

基于非采样Contourlet与全变差模型的图像去噪

分析非采样Contourlet与全变差滤波器在图像去噪中的特点,提出一种基于图像全变差模型的非线性扩散与非采样Contourlet相结合的自适应混合图像去噪算法.该算法在中、低频部分采用全变差扩散,在高频部分采用非采样Contourlet变换,并在此基础上用半软阈值法取代软阈值法.实验结果表明,该算法能够在降低复杂度的同时得到好的滤波效果.     

基于Contourlet变换和全变差的图像融合

针对基于小波和全变差的图像融合方法的缺点和不足,提出了一种基于Contourlet变换和全变差算子的含噪图像融合方法,这种方法在融合图像的同时,也对图像进行了去噪处理.首先对图像进行Contourlet变换,对得到的低频子带用分块主成分分析的方法进行处理,以估计传感器的退化算子,然后进行低频部分的融合;将高频系数归一化的全变差算子的模作为权因子进行高频部分的融合,以经Contourlet逆变换后得到的融合图像作为初始值,经过迭代演化,最终得到了去噪的融合图像.实验结果表明,该方法得到的图像视觉效果更好,信息熵更高.     

Feature Extraction of Fabric Defects Based on Complex Contourlet Transform and Principal Component Analysis

To extract features of fabric defects effectively and reduce dimension of feature space,a feature extraction method of fabric defects based on complex contourlet transform （CCT） and principal component analysis （PCA） is proposed.Firstly,training samples of fabric defect images are decomposed by CCT.Secondly,PCA is applied in the obtained low-frequency component and part of highfrequency components to get a lower dimensional feature space.Finally,components of testing samples obtained by CCT are projected onto the feature space where different types of fabric defects are distinguished by the minimum Euclidean distance method.A large number of experimental results show that,compared with PCA,the method combining wavdet low-frequency component with PCA （WLPCA）,the method combining contourlet transform with PCA （CPCA）,and the method combining wavelet low-frequency and highfrequency components with PCA （WPCA）,the proposed method can extract features of common fabric defect types effectively.The recognition rate is greatly improved while the dimension is reduced.