面波压制的Ridgelet域方法

面波压制是地震数据处理中的一个重要问题.常规的处理方法虽然能在一定程度上压制面波,但是在处理过程中只是单一的利用面波的一种特性,例如频率域滤波中利用面波与有效信号频率之间的差别,因此难以有效地压制面波.利用Ridgelet变换可将原始地震记录拓展到(a,τ,p)三维空间,从而可以同时利用地震记录的视速度、时间和尺度域特性差别,实现有效信号与面波的分离.文中通过理论合成记录及实际地震记录的算例,证实了基于Ridgelet变换的面波压制方法是有效且可行的.

Ridgelet变换及其在图象降噪中的应用

1999年,Stanford大学的E.J.Candes和D.L.Donoho教授提出了信号的一种新的多尺度表示法—Ridgelet变换,它特别适合于具有直线或超平面奇性的二维信号的描述,而且具有较高的逼近精度。随后,M.N.Do和M.Vetterli针对特定大小的离散图象给出了正交有限Ridgelet变换-FiniteRidgeletTransform(FRIT)。该文将FRIT应用于图象降噪,为了说明FRIT的优越性,将Wavelet领域中的多种降噪方法扩展应用到Ridgelet领域。试验结果表明,FRIT比起Wavelet变换更适合描述具有直线边界的图象,而且降噪效果更为明显。

全变差数字滤波器与Ridgelet变换相结合的图像去噪方法

针对Gurvelet变换采用的金字塔分解对图像细节表现的不足,我们提出利用全变差数字滤波器提取图像细节,然后对其采用基于分数阶傅立叶变换和投影-切片定理的Ridgelet变换,在变换域中由极小化极大误差准则进行阈值估计并对变换域系数进行阈值处理,以实现图像去噪.与金字塔分解相比,全变差数字滤波器能够简化图像分解并得到包含几乎所有细节的单幅图像,从而更有利于在Ridgelet域中进行降噪处理.实验结果表明,相对于Ridgelet和Curvelet变换的去噪方法,本文方法在抑制噪声的同时具有更有效的边缘保护能力,同时消除了边缘处的振荡,并且相对于Curvelet变换节省了计算.

自适应单尺度Ridgelet声呐图像去噪方法

声呐图像背景复杂,对比度差,边缘恶化,不易判读图像边缘.对声呐图像执行小波变换能够有效去除噪声,但是由于小波的局限性,其对图像边缘的保持效果不佳.正交有限Ridgelet(FRIT)变换能够有效克服小波变换在处理高维信号时的不足,是一种有效处理二维奇异性信号新方法.针对水下声呐图像特点及噪声分布情况,提出单尺度自适应去噪处理算法,既削弱了单独使用FRIT处理时出现的环绕现象,又克服了单独使用小波去噪时无法保持边缘的缺点,同时提高了图像信噪比.与其他经典方法及单独使用FRIT方法比较,此改进方法在水下声呐图像去噪输出信噪比及边缘保持等方面均获得理想效果.

一种基于冗余Ridgelet变换的图像多描述编码方法

利用冗余Ridgelet变换实现了一种多描述编码方案。在JPEG标准的基础上,利用冗余Ridgelet变换,不仅在描述之间引入了冗余,而且根据脊波变换对图像分解的有效性,同时可以获得理想的图像压缩效果。该方案对输入图像进行分块、DCT(Dis-crete Cosine Transform)变换以及量化;对得到的系数矩阵进行按频率重排;重排后的系数矩阵再做冗余Ridgelet变换,根据脊波域系数能量的特点产生描述。实验表明,当产生两个描述时,提出的多描述编码方法,即使只收到一个描述时,也可以获得很好的图像重建效果,从而有较好的抗误码性能。

结合Ridgelet变换与Wiener滤波的苹果图像去噪算法

实现农产品图像噪声的有效滤除,是农产品图像处理的一项基础性工作。针对苹果图像中经常出现的各类随机噪声,以高斯白噪声和脉冲噪声构成的随机噪声模型为研究对象,结合Ridgelet变换与自适应Wiener滤波,提出了一种苹果图像自适应去噪算法。该算法首先对噪声图像进行二维Ridgelet分解,根据高频和低频Ridgelet分解系数中噪声分布特征,设计出2类基于可调节参数的阈值函数模型;对经典全局阈值进行改进,使其能根据分解层数的变化而自适应调整阈值大小;然后对阈值化处理后的Ridgelet系数重构。最后,提出了一种修正自适应Wiener滤波算法对重构图像出现的"环绕"现象进行处理。结果表明,滤波算法性能优于小波硬阈值(WH)、小波域软阈值(WS)、自适应中值滤波(IAMF),能够实现对苹果图像中噪声的自适应滤除。

Ridgelet变换在地震数据压缩中的应用

鉴于地震数据反映的物理界面的空间展布往往具有直线、平面等特性,小波变换进行震压缩处理不能很好地反映这一特性,根据Ridgelet变换的特点,将Ridgelet变换应用于地震数据压缩,结合嵌入式零树编码方法,提出了Ridgelet变换的地震数据压缩方法。通过对实际资料的处理,在压缩率为99.0%和90%时,比较了Ridgelet变换与小波变换处理结果。研究结果表明:Ridgelet变换应用于地震数据压缩,其对数据的压缩比比小波变换对数据的压缩比大。

一种基于近似有限Ridgelet变换的SAR图像分割方法

由Donoho等提出的有限正交Ridgelet变换成功应用于高噪声图像的边缘检测和分割,但由于有限Radon的“缠绕”现象使得在该方法图像的重构时产生边缘的“混叠”和“洞”,影响了边缘检测和图像分割的质量。论文结合Wedgelet变换提出了基于“自然直线”的近似有限Ridgelet变换从根本上克服了这些缺陷和解决了离散Radon变换的图像重构问题。最后将这一方法用于SAR图像分割,并取得了满意的结果。

基于Finite Ridgelet变换的去噪算法研究

该文对Ridgelet变换以及FRIT(FiniteRidgeletTransform)变换作了介绍,并在此基础上提出了基于FRIT变换的平移不变去噪算法。实验证明该算法能有效地去除图像的高斯噪声,同时能很好地保留图像的细节信息。

Ridgelet变换在地震数据处理中的应用

最近,Stanford大学EJCandes和DLDonoho教授提出了一种新的多尺度变换—Ridgelet变换,它特别适合于具有直线或超平面奇性的高维信号的描述,而且具有较高的逼近精度。将它应用于地震处理中,即可获得较以前其它方法无法达到的精度和效果。

Ridgelet变换在图像压缩中的应用

Ridgelet变换特别适合描述具有直线或超平面奇性的高维信号。本文将介绍有关Ridgelet变换的理论,并在此基础上提出一种新的基于正交有限Ridgelet变换(FRIT)的图像压缩方法-FRIT+DWT。试验结果表明,FRIT+DWT方法较传统Wavelet方法获得了更高的压缩比和更好的压缩效果。

改进的Ridgelet变换图像去噪方法

提出了基于平移不变的ridgelet去噪方法,与平移不变小波去噪相比较,试验结果表明平移不变的ridgelet算法在消除和抑制噪声的同时能更好地保留图像边缘特征,并且显著改善了峰值信噪比。

基于Ridgelet变换的自适应软硬折衷图像去噪算法

给出了Ridgelet变换的概念及其实现算法,将Ridgelet应用于图像去噪,并提出了基于Ridgelet变换域的软硬阈值折衷去噪法,并采用不同的阈值自适应地对不同的Ridgelet子带进行阈值化.实验结果表明该方法优于小波图像去噪方法.

基于Ridgelet变换的多文种文档图像文种识别

为提高多文种文档图像的文种识别的效率,提出基于Ridgelet变换的多文种识别方法。对文档图像数据库进行Ridgelet变换,对得到的Ridgelet(脊波变换)系数矩阵提取脊波能量特征,生成特征向量。在分类决策中选择KNN、线性判别分析以及贝叶斯3种分类模型分别对所提特征进行训练和分类。在包括英文、中文、阿拉伯文、土耳其文、吉尔吉斯斯坦文、俄文和国内少数民族文种(蒙文,藏文,维吾尔文)的9个文种共9000张文档图像数据库中进行实验,最高识别率为99.23%,验证了所提算法对多文种识别有较高的识别率和良好的鲁棒性。

基于Ridgelet变换SAR图像舰船尾迹去噪

舰船尾迹的检测研究有利于合成孔径雷达(SAR)对舰船的检测与识别。针对SAR图像中舰船尾迹的检测,图像去噪是图像预处理中重要的一个步骤,论文根据Ridgelet变换在图像处理奇异性中的优势,提出采用平移不变的Ridgelet变换用于SAR图像的舰船尾迹去噪的算法,该算法能够使在子带的分解中产生不连续,图像更加光滑,边缘更加清晰,去掉更多的噪声,在处理中能得到更好的处理效果,并通过实验验证了该算法的可行性。

基于Finite Ridgelet变换的图像线性特征提取

线性特征是图像的一种重要局部特征,它常常决定图像中目标的形状。线性特征的提取在图像匹配、目标描述与识别以及运动估计、目标跟踪等领域具有十分重要的意义。常用的线性特征检测方法有Radon变换和Hough变换,但检测曲线复杂度会很高。本文提出一种多尺度几何分析的线性特征检测方法,该方法以finite ridgelet理论为基础,结合正交小波变换对线性特征进行提取。Finite ridgelet变换对于含有直线奇异的多变量函数具有良好的逼近特性,能够获得连续空间函数的稀疏表达,同时具有区域平滑性、很好的可逆性和去冗余性。实验结果表明,本方法即使在背景复杂的环境下也具有良好的检测效果。

基于经验Ridgelet-2DPCA的断口图像识别方法研究

经验Ridgelet变换具有方向选择性和自适应分解能力,2DPCA可直接利用原始图像构建协方差矩阵。结合经验Ridgelet变换和2DPCA的各自优点,提出了一种基于经验Ridgelet-2DPCA金属断口图像识别方法。同时将提出的方法与Ridgelet-2DPCA、经验Ridgelet-PCA识别方法相比较,实验结果表明,提出的方法中的二维固有模态分量比Ridgelet系数具有更丰富的特征信息,2DPCA相比于PCA,图像结构信息更加完整,因而,提出的经验Ridgelet-2DPCA的金属断口识别方法取取得了比经验Ridgelet-PCA、Ridgelet-2DPCA更好的识别效果。

基于ridgelet变换的图像直线特征检测算法研究

常用的图像直线特征检测算法如霍夫变换(Hough transform)和拉东变换(Radon transform),存在计算量大、抗噪能力弱等问题。为此,提出了基于脊波变换(ridgelet transform)的图像直线特征检测算法,其作为一种多尺度几何分析与稀疏表示的应用算法,具有良好的区域平滑性、可逆性和去冗余性。实验结果表明,在复杂噪声干扰的环境下,基于ridgelet变换的图像直线特征检测算法能够获得清晰的直线检测结果,具有较好的鲁棒性。

基于Ridgelet变换的多尺度去噪算法研究

给出了Ridgelet变换的理论,并提出了一种基于尺度因子与Ridgelet变换的图像去噪算法,将Ridgelet应用于图像去噪并与小波去噪进行比较。实验结果表明,该算法对高斯白噪声污染的图像去噪具有较好的效果,不仅可以提高处理图像的信噪比,而且图像的视觉效果有明显改善。

基于有限Ridgelet变换的图像去噪

Ridgelet 变换是一种新的图像多尺度几何分析(MGA)方法,它能有效地对图像进行多尺度,多方向的描述。M．N．Do 提出一种可逆的,正交化的,极好重建性的 Ridgelet 变换实现一有限 Ridgelet 变换(FRIT)。本文将有限 Ridgelet 变换应用到线状边界明显的图像去噪中,实验结果表明,它比小波去噪取得更好的效果。