基于区域小波变换的序列显微图像融合

利用图像处理技术实现序列显微图像的融合显示是解决显微成像焦深有限的有效方法.针对空域融合算法在处理离焦步长较大和透明显微图像时存在的块效应和重影现象,基于图像像素间高度的相关性和小波变换多分辨率分析的特点,提出了一种基于区域小波变换的序列显微图像融合算法:在小波变换域内进行序列显微图像融合时,不同频段选择不同的融合算子;在确定融合的小波系数时,不仅考虑到相应位置的小波系数,还考虑了与它相邻的小波系数,使得融合后图像克服了空域算法存在的块效应和重影现象.同时,研究了不同的小波滤波器对图像融合质量的影响.实验证明,该方法具有很好的融合效果.      

基于视觉模型和图像特征的遥感图像压缩

遥感图像具有纹理复杂、边缘丰富的特点,通常难以实现高压缩比.统计了图像经过小波变换后在不同方向、不同级别子频带的能量分布.然后基于人类视觉系统(HVS)模型中的对比敏感度函数(CSF)和遥感图像的能量分布特征,提出一种不同频带小波系数的变步长量化方法,并把该方法应用于嵌入式小波图像编码器.实验结果表明,与不采用心理视觉量化的压缩方法相比,在相同压缩比下,峰值信噪比略为降低,但恢复图像的主观质量有一定程度的改善.     

卫星遥感图像分块小波变换编码方案

提出一种分块小波变换（ＢｌｏｃｋｉｎｇＷａｖｅｌｅｔｓＴｒａｎｓｆｏｒｍ）方案。该数据压缩方案可节省存储时间，为星上应用提供了可能性。利用各基带之间的自相似性，对小波系数采用改进型零树编码（ＩｍｐｒｏｖｅｄＺｅｒｏｔｒｅｅＥｎｃｏｄｉｎｇ），可有效的提高压缩比。     

基于小波变换的多方位角SAR图像融合方法

针对目标散射特性空变效应以及多方位角图像信息冗余的问题,提出了一种基于小波变换和边缘检测的多方位角SAR图像融合方法。首先,将图像进行小波变换,完成低频信息和高频信息的分离,实现图像的多分辨表征及序贯图像多方位角信息的融合;然后,利用改进的Robinson算子增强图像的轮廓特征;最后,融合实验和定量评估结果证明了本文所提融合方法的有效性。     

用于遥感图像变化检测的全尺度特征聚合网络

变化检测(CD)是遥感的一项重要任务,通常面临许多伪变化和较大的尺度变化。目前的方法主要侧重于对差异特征的建模,忽略了从原始图像中提取足够的信息,影响了特征的识别能力,难以稳定地区分出变化区域。针对以上问题,提出了一种全尺度特征聚合网络(FFANet)来更充分地利用原始图像特征,促使生成的特征表示在语义上更丰富、在空间上更准确,从而提高了网络对小目标和目标边缘的检测性能。同时,拓展了深监督来结合多尺度的预测图,以促使不同对象在更合适的尺度上进行检测,从而提升了网络对对象尺度变化的鲁棒性。在CDD数据集上,相比于基线网络,所提方法仅增加了1.01×10⁶的参数量,就将F₁分数提升了0.034。     

基于小波变换的孔探图像边缘粗糙度分析

针对航空发动机内部结构裂纹损伤的孔探图像识别问题,提出一种描述孔探图像边缘曲线粗糙度特征的方法——粗糙度系数法.该方法利用二进小波变换对边缘曲线在所有可能尺度上进行小波分解,得到尺度系数和小波系数.对于这些小波分解系数,构造一种对数熵算法来计算尺度系数和小波系数的能量强度.小波系数与尺度系数的对数熵的比值被定义为粗糙度系数,用粗糙度系数来评估曲线的粗糙程度,粗糙度系数越大,曲线越粗糙.实验表明以粗糙度系数作为孔探图像边缘曲线的识别特征,能够有效地识别孔探图像中存在的裂纹损伤.      

小波多分辨分量相关性图像融合方法

针对多光谱图像与高空间分辨率全色图像的融合,提出了一种基于小波多分辨分量相关性的图像融合方法.该方法在原始图像小波分解的基础上,对分解得到的高低频分量采用不同的融合规则进行融合,最后逆变换重构得到最终的融合图像.其中,对分解得到的低频分量采用局域相关系数加权融合计算,对高频分量设置一定的约束条件,使相关性较强的部分得到增强,而相关性较弱的部分继续保持.通过实验,与几种典型的图像融合方法就相关系数和光谱扭曲度等指标进行对比,验证该方法在光谱信息保持和空间分辨率提高方面的优势,并实验分析了不同相关系数门限值T的选取对最终融合效果的影响,以针对不同的应用场景做适当的选取.     

基于混合网络的异源遥感图像变化检测

为了更加准确地进行异源遥感图像的变化检测任务,提出了一种基于混合网络的异源遥感图像变化检测算法。利用伪孪生网络提取异源遥感图像块间空间维度的变化特征,利用早期融合网络提取异源遥感图像块间光谱维度的变化特征,将2支网络提取的特征进行融合,并将融合后的变化特征输入到sigmoid层进行二分类检测。同时,在伪孪生网络中加入对比损失函数,通过优化对比损失函数,使得在特征空间中,未变化图像对的空间特征差异更小,变化图像对的空间特征差异更大,以提升网络的区分能力和收敛速度。      

基于截断重排的小波图像无损压缩算法

针对图像小波系数的能量聚集特性,提出一种基于截断重排的小波图像无损压缩算法。该算法在离散小波变换的基础上,对图像低频子带的小波系数先后按照大津法和希尔伯特曲线进行分类和重排,对图像各高频子带的小波系数分别根据信息熵代价函数进行自适应的奇异值截断变换,然后对截断重排后的所有小波系数进行熵编码,以实现图像无损压缩。实验结果表明,该算法实现简单,有效地降低了图像的编码比特率,提升了图像无损压缩的压缩比。     

一种鲁棒的图像小波变换模拟编码传输方法

在复杂度和延迟受限或者可变信道条件下,由于通信系统的一体化设计,信源信道联合编码(JSCC, Joint Source-Channel Coding)技术的应用有助于改善传统的分离结构系统.针对带宽功率限制模拟信道,提出了一种结合了小波变换编码和香农映射信源信道联合编码的静止图像模拟编码传输方法;并基于更加合理的考虑了信道噪声的重建图像失真估计,提出了相应的联合优化带宽分配算法.仿真及分析表明,由于信源信道的联合优化及具有模拟编码传输的特点,该方法表现出良好的编码传输性能,且编解码复杂度和延迟小;同时在信道失配情况下表现出的柔性降级/改善特性有助于提高可变信道条件下系统的鲁棒性和信道带宽利用率.      

基于小波包分解和FCM聚类的纹理图像分割方法

提出了一种新的图像特征提取中选取最优小波分解树的方法.塔式小波分解对信号解不够全面,而小波包全分解又引入庞大的计算量,因此小波分解最优树的选取尤为重要.结合模糊c均值(FCM,Fuzzy C-Mean)聚类,提出了一种能同时进行小波自适应分解和纹理特征分类的纹理图像分割方法,该方法将无监督聚类中的聚类有效性参数引入到自适应小波分解的判决中,能根据无监督聚类分割的需要,自适应地选取小波包分解的树形结构和分解层数.相对于小波包全分解,节省了大量的运算,并能取得良好的分割效果.      

基于小波变换和神经网络的脑电信号分类方法

结合小波变换和神经网络对酒精中毒者和正常清醒者的脑电信号进行分类.通过分析脑电数据找出分类特征;采用一维离散小波变换提取含有分类特征的脑电信号频段,并以小波变换分解系数作为信号特征,实现数据序列长度压缩;对应3种刺激方式建立3个相同结构的学习向量量化(LVQ)神经网络,用于对脑电信号的预分类;根据判决规则得到最终分类结果.对真实脑电数据的分类正确率达到89%.     

遥感图像数据压缩新技术研究

研究了遥感图像数据压缩新技术。利用半正交小波基和对偶系设计了具有严格线性相位和精确重建特性的ＦＩＲ滤波器组，将其应用于遥感图像的数据压缩，取得了良好的成果。     

多传感器遥感图像数据融合研究

重点研究了卫星遥感图像融合技术.通过在Matlab平台上实现基于颜色空间变换和基于小波变换的图像融合算法,分析了颜色空间变换的融合特点,并结合高分辨率图像、多光谱图像以及SAR图像的融合结果对相关理论进行了验证;研究了基于小波变换的融合方法在不同分解和重构级数下所获得的融合图像的特征,比较了各级融合图像的特点和相互间的差别;通过对高分辨率图像和多光谱图像的融合实例,给出了达到融合目的所应进行的最低分解重构级数与两原始图像空间分辨率指标比值间的定量关系;分析了不同小波因子对融合结果的影响,并结合颜色空间变换方法的融合结果得出了最终结论.     

基于小波变换和神经网络的机械故障检测方法

针对机械故障中遇到的问题,提出了基于小波变换和神经网络故障检测方法,小波变换理论能够根据被分析信号的特征,自适应地选择相应频带,使之与信号频谱相匹配,从而提高了时-频分辨力。利用小波变换对信号原始信息进行分解,得到信号的不同特征向量。将不同的特征向量送入不同子神经网络进行诊断,并通过神经网络做出最后的诊断。该系统具有知识自动获取、识别速度快、鲁棒性及容错能力强等特点,实例证明该系统是有效的。     

基于小波域的分形图像压缩

在分析产生块效应原因基础上,定义了一种度量块效应的客观方法.为了消除传统分形图像压缩中产生的块效应,提出先将原图像变换到小波域,再进行分形压缩.这种方法既继承了传统分形图像压缩的编码原理,又利用了小波变换的优良特性,从而取得了更好的压缩效果.此外,根据小波系数的能量分布特征,提出了一种加快相似匹配的方法.     

含无效云区域遥感图像在轨压缩方法

遥感图像中含有大面积的无效云区域,剔除云区域后的遥感图像形状呈现非规则特性。针对这类非规则遥感图像的压缩问题,在原始CCSDS IDC算法基础上提出了形状自适应CCSDS IDC压缩方法。方法以原始图像及其云掩膜为输入,对图像中的有效区域进行形状自适应小波变换,利用掩膜图像的Lazy小波变换结果指导小波系数编码,重新设计转义字及扫描字编码码表,最终构建形状自适应的比特平面扫描及编码方法。试验结果表明,压缩比一定的情况下,该方法可提高遥感图像解压缩后质量;图像质量一定的情况下,可以进一步降低数传带宽,增加在轨成像时间,进而提升遥感卫星在轨应用效能。     

超谱遥感图像降维方法研究现状与分析

随着成像光谱仪的发展 ,超谱遥感图像的研究已进入到一个新的阶段———对获取的超谱数据进行有效处理和利用的阶段。目前的处理方法主要集中在对超谱图像的数值分析处理上 ,比如大气校正、降低数据维数、信息提取、分类与压缩等方面。而超谱图像降维方法的研究是做好后继处理的一个关键步骤 ,降维方式的正确选取与使用 ,对于发展和完善那些针对超谱海量数据和丰富信息特点的算法和软件有极大的好处。文章从波段选择、划分数据源、特征提取和融合等 4个角度对目前超谱图像的各种降维方法进行了综合归纳和分析。力图为超谱图像处理寻找突破点 ,加强此领域的研究力度     

基于连续小波变换的飞行器结构模态参数辨识

给出了一种基于连续小波变换的多输入多输出MIMO(Multiple-Input Multiple-Output)飞行器结构模态参数的辨识方法.对结构离散运动方程进行连续小波变换建立了小波域内的系统AR(Auto Regression)模型,AR模型的系数矩阵决定着系统的动力学特性,可以通过最小二乘法求得.模态参数可以通过求解由AR系数矩阵构成的特征矩阵的特征值来获得.与已有基于小波变换的模态参数辨识方法相比,该方法应用了连续小波的时移共变性和小波变换的滤波能力来确保辨识的效率.在辨识过程中,采用优化算法提高了辨识的精度和稳定性.算例仿真结果表明该方法具有较高的计算精度和稳定性,能用于飞行器结构模态参数的辨识.