应用Hopfield神经网络和小波域隐Markov树模型的图像复原

为了解决传统的Hopfield神经网络图像复原算法对噪声抑制和图像细节保护不能很好兼顾的问题,提出了一种基于改进的连续Hopfield神经网络和小波域隐Markov树(HMT)模型的复原算法。将小波域HMT模型作为图像小波系数统计关系的先验知识,并以正则化项的形式引入到神经网络模型中,最终利用Hopfield神经网络的能量收敛特性完成图像复原。同时提出了一种高度并行的网络权值矩阵计算方法,通过对模板图像进行算子操作,分批求取网络权值,避免了大型矩阵的乘法运算。实验结果表明,无论是对真实图像还是人工生成图像,算法复原的视觉效果均有明显改善,提高信噪比(ISNR)较传统同类算法增加了0.3dB以上,达到了同时抑制噪声和保护图像细节的目的。

改进的基于小波域隐Markov树模型的图像复原

针对传统的基于小波域隐Markov树模型的图像复原算法运算时间长以及对噪声敏感的问题,提出了一种快速并且鲁棒的复原算法。首先使用改进的ForWaRD算法,由混合线性时不变Wiener反卷积和平稳小波阈值收缩算法对退化图像进行预处理,将其结果作为模型参数训练和隐藏状态概率求取的样本。然后分别通过EM算法和Upward-Downward算法求得模型参数和隐藏状态概率。最终通过小波域的Bayesian方法完成复原。实验结果表明,该方法可大大提高复原算法的运算速度,提高算法鲁棒性,在退化图像被噪声干扰比较严重时,较传统算法具有更好的复原效果。

基于小波域HMT模型的彩色图像超分辨率复原

提出了一种基于小波域隐马尔可夫树 (HMT)模型的 RGB彩色图像超分辨率算法。由于彩色图像 3个通道之间具有的相关性 ,对 3个通道分别进行独立的超分辨率重构会导致严重的色彩失真。为解决这个问题 ,首先通过自适应图像变换由彩色图像得到一幅能反映人类视觉感受的灰度图像 ;然后对此灰度图像进行超分辨率重构获得一幅高分辨率灰度图像 ;最后按照这一高分辨率灰度图像确定的小波系数后验状态概率对彩色图像的 3个通道分别进行超分辨率重构从而获得一幅高分辨率彩色图像。由于该算法协调了彩色图像 3个通道的超分辨率 ,因此重构出的高分辨率彩色图像避免了色彩失真。

基于自适应窗口固定及传播的多尺度纹理图像分割

本文提出一种基于自适应窗口固定及传播的多尺度纹理图像分割方法,在小波域隐马尔科夫树模型(WHMT)的初始分割基础上,根据分割粗尺度上的区域一致性好,细尺度上的边缘准确的特点,利用上下尺度像素之间以及本层邻域像素的马尔科夫性,标记出图像的一致性区域和边缘区域,将一致性区域固定,类标直接下传到下一尺度,边缘区域则利用邻域信息确定出上文权值背景传播到下一尺度,与下尺度一起共同指导图像分割,从而很好的保持了区域均匀性和边缘准确性.同时根据纹理图像区域聚集性的特性,利用基于多项式展开和置信区间交叉(LPA-ICI)方法找出各类区域聚集的物理位置中心,融入上下文权值背景中,使得指导分割策略能够更好的进行.实验表明,对于合成纹理图像来说,本文提出的多尺度融合算法在均匀区域内部及区域边界都大为改善,而且无须进行参数的训练,使算法快速的完成.

基于小波域隐马尔可夫树模型的医学图像去噪

目的:为了更好地去除DR医学图像噪声。方法:通过分析其噪声来源,在小波去噪和小波域隐马尔可夫模型的基础上,进行改进,即引入了方差不变性变换来调整原始图像的噪声模型为高斯噪声模型;图像分解为不同频率的不同子带,而隐马尔可夫树模型则用来规划小波系数的边缘分布。结果:自然图像处理实验结果表明,与普通的小波去噪方法相比,该方法不但可以保留图像的边缘信息,而且能提高去噪后图像的峰值信噪比。结论:同时用该方法处理DR图像,处理结果表明此方法在噪声去除、细节质量及骨骼锐化等方面比传统的高斯滤波及小波阈值滤波等方法效果要好。

基于隐马尔可夫树非高斯信号的建模分析与分类识别

研究了基于小波域隐马尔可夫树模型非高斯信号的建模方法 .探讨了海洋环境噪声和船舶辐射噪声在不同工况下所表现出的不同模型特征 ,并根据它们在 HMT模型参数上的特征差异提出了一种新的检测方法 ,实验证明 ,该方法的检测性能比过零检测、能量检测以及二阶统计量检测方法要好 .通过结合小波域隐马尔可夫模型和支撑向量机 ,提出了一种新的水声非高斯噪声信号的识别分类方法 ,实验证明 ,该方法具有较好的分类性能 .

基于小波域的隐马尔可夫树模型的图像去噪

小波去噪已经成为图像去噪的主要方法之一.首先介绍了隐马尔可夫树模型,进而给出了隐马尔可夫树算法,最后基于隐马尔可夫树模型,分别用3种相似的方法对Lena图像的不同加噪图像进行了去噪实验.实验表明,本文所用去噪方法,无论对于峰值信噪比还是对于视觉上的效果,都取得了令人满意的效果.

基于小波域分类隐马尔可夫树模型的图像恢复

针对自然图像的非平稳特性和图像恢复中计算困难的问题,提出了一种基于小波域分类隐马尔可夫树(CHMT)模型的图像恢复算法.从图像恢复的贝叶斯框架出发,将CHMT模型作为自然图像小波域的先验知识,构造正则化约束进行图像恢复.该模型具有空间适应性,使建模更加精确.对恢复方程的求解,采用了分类简化的共轭梯度算法.实验结果表明,该算法具有较低的计算复杂度,能提高图像恢复峰值信噪比(PSNR).

基于小波域CHMT模型的超分辨率图像重建

从图像重建的Bayesian方法出发,提出一种基于小波域分类隐马尔可夫树(CHMT)模型的超分辨率图像重建算法。将CHMT模型作为自然图像小波域的先验知识,采用混合高斯模型刻画各子带系数的概率分布,将超分辨率图像重建问题转化为一个约束最优化问题,并采用共轭梯度算法进行求解。同时,提出了自适应的规整化参数选择方法。实验结果表明,该算法具有较低的计算复杂度,在峰值信噪比和视觉效果方面都有所提高。