尺度自适应三维Shearlet变换地震随机噪声压制

应用尺度自适应三维Shearlet变换压制多炮地震数据随机噪声,通过将多炮数据变换到三维Shearlet域,充分考虑单炮记录及其间的相关性,在三维Shearlet域更稀疏地表示地震数据。由于有效信号主要分布在低尺度,随机噪声分布在各个尺度,因此在硬阈值的基础上,结合尺度自适应因子压制随机噪声。再通过三维Shearlet反变换,得到去噪地震数据。数值模拟和实际多炮地震数据去噪结果表明:尺度自适应三维Shearlet变换的去噪效果优于二维Shearlet变换、不结合尺度自适应因子的三维Shearlet变换;尺度自适应三维Shearlet变换去噪方法对服务器内存要求较高,且可能对幅值相对较小的有效信号产生损害。

基于逆Radon变换的圆迹SAR三维成像算法

随着合成孔径雷达(synthetic aperture radar,SAR)的应用需求不断提高,出现了圆迹SAR的成像模式,解决传统直线轨迹SAR只能获取二维斜距图像的问题,在地形测绘、建筑物提取、灾害评估等领域具有较高应用潜力。现有的圆迹SAR三维成像算法还存在计算量大、实现复杂等问题,通过对圆迹SAR模型的斜距几何分析,结合回波信号模型设计波数域补偿函数,将距离压缩曲线矫正为基线为零的正弦曲线;结合逆Radon变换,实现对目标的正弦曲线的二维聚焦;通过逐高度平面二维成像结果的堆叠,实现目标的三维成像。通过仿真分析了所提算法的成像质量,验证了所提算法三维成像的有效性。

基于Hilbert变换的条纹-灰度线性投影三维测量

针对传统的条纹投影测量中绝对相位求解方法存在投影图像数量较多以及算法复杂程度高的问题,提出了一种基于Hilbert变换的条纹-灰度线性投影策略及相位求解方法,该方法仅使用3幅投影图像——1幅高频条纹图和2幅灰度线性变化图,通过Hilbert变换求得包裹相位,采用灰度线性变化图像得到基础相位,联立包裹相位和基础相位可得到条纹级数,进而得到绝对相位。通过构建的主动双目系统得到的三维重构结果发现,该方法可以有效恢复被测物体的三维形状,测量精度可达0.1 mm。

结合视锥变换和RGB体素图的半监督三维目标检测

基于LiDAR、可见光等多模态传感器的高精度三维目标检测是自动驾驶领域的关键技术。为了提高目标检测的精度和方位感知能力,降低模型对于标注数据的依赖,结合视锥变换方法优化了三维点云方向特征提取策略,提出了一种基于视锥变换和半监督学习架构的三维目标检测技术。具体而言,基于通道注意力模块优化视锥体对远距离目标的感知能力,提出了RGB体素模块提升遮挡目标的识别精度。首先通过深度网络从RGB图像中提取纹理信息,将其与激光雷达的距离信息融合,以保持三维空间特征的完整性。其次,通过特征融合模块提取体素空间特征的权重。最后,采用自适应伪标签方法降低对标注样本的依赖,并基于群体投票方法进一步降低误报率。实验结果表明,该方法在KITTI数据集上取得了令人满意的成果,行人和车辆目标检测的准确率分别达到了56.30%和75.88%。该研究为未来在复杂的场景中实现高效的三维目标检测提供了思路,并为进一步优化自动驾驶的多模态数据融合技术奠定了基础。

联合VMD和Shearlet变换的去噪方法研究

地震数据中的噪声信号会很大程度上降低地震数据的信噪比,对后续的处理和解释工作造成一定的难度,因此研究一种去噪方法具有十分重要的意义。本文构建一种变分模态分解(Variational Mode Decomposition,VMD)和Shearlet变换联合去噪的方法,首先通过VMD将地震数据分解为一系列不同中心频率分布的模态分量(Intrinsic Mode Function,IMF),然后使用Shearlet变换对含噪的IMF分量进行去噪并对处理后的分量进行重构,最终达到去噪目的。该方法引入基于稀疏表示的地震数据去噪方法,兼顾VMD和Shearlet变换的优点,可以有效去除噪声。经过合成信号、模型及实际数据测试结果表明,本文方法处理合成信号结果显示,与VMD和小波变换方法相比,信噪比分别提高1.69、1.87,均方误差数值上减少近一半,在去除噪声的同时能更好地保留地震数据特征,提高地震资料的信噪比。

基于三维小波变换的高光谱图像分类算法

针对如何充分利用空间特征来达到较高的高光谱图像分类精度的问题,提出了一种基于三维离散小波变换(3D-DWT)与随机补丁网络(RPNet)结合的高光谱图像的地物属性分类算法。在分类过程中,综合3D-DWT提取的特征和RPNet深度学习框架提取的特征,利用支持向量机(SVM)对特征向量进行分类。所提出的方法在Indian Pines和University of Pavia两个数据集上进行测试,结果表明该方法比现有方法有显著的分类性能的提高。

基于Shearlet变换的地震随机噪声压制

地震勘探中的噪声对地震信号产生严重的畸变和干扰,常规的地震去噪方法已经不能满足当前高精度地震勘探的要求。提出了基于Shearlet变换的地震数据去噪方法,Shearlet变换是一种新的多尺度变换方法,具有多方向、多分辨率及最佳稀疏逼近性质,并且计算效率高。Shearlet变换在去除随机噪声的同时能最大程度保留有效信号,有效地提高信噪比。利用Shearlet变换阈值去噪法与其他地震去噪方法分别对不同信噪比的合成地震记录和实际地震记录进行对比,结果表明Shearlet变换具有更强的去噪能力和更高的运算效率。

基于Shearlet变换的自适应图像融合算法

针对多聚焦图像与多光谱和全色图像的成像特点,结合Shearlet变换具有较好的稀疏表示图像特征的性质,提出了一种新的图像融合规则.并基于此融合规则,提出了基于Shearlet变换的自适应图像融合算法.在多聚焦图像的融合算法中,分别对聚焦不同的图像进行Shearlet变换,并基于本文提出的融合规则,对分解后的高低频系数进行融合处理.通过与多种算法的比较实验证明了本文提出的算法融合的图像具有更高的清晰度和更加丰富的细节信息.在多光谱和全色图像的融合处理中,提出了一种基于Shearlet变换与HSV变换相结合的图像融合方法.该算法首先对多光谱图像作HSV变换,将得到的V分量与全色图像进行Shearlet分解与融合,在融合过程中对分解系数选用特定的融合准则进行融合,最后将融合生成新的分量与H、S分量进行HSV逆变换产生新的RGB融合图像.该算法在空间分辨率和光谱特性两方面达到了良好的平衡,融合后的图像在减少光谱失真的同时,有效增强了空间分辨率.仿真实验证明,本文算法融合的图像与传统的多光谱和全色图像融合算法相比,具有更佳的融合性能和视觉效果.

基于Shearlet变换稀疏约束地震数据重建

地震数据重建是地震数据处理流程中关键步骤之一,重建效果的好坏直接影响到后续的多次波消除以及偏移成像效果。为了获得更好的重建效果,提出了以压缩感知为理论基础,采用jitter欠采样的Shearlet变换稀疏约束地震数据重建方法。将Shearlet变换与凸集投影(POCS)算法结合起来在动校正预处理后对地震数据进行重建,增强了地震数据在Shearlet域的稀疏性。理论分析和实际地震数据验证结果表明,该方法可以在部分地震数据缺失的情况下取得很好的重建效果,有效地解决了假频问题。

基于Shearlet变换的图像去噪算法

针对传统变换域去噪算法的不足,提出一种基于Shearlet变换的图像去噪算法。该算法首先在Shearlet变换理论基础上实现了一种分解和重构的方法,然后用Monte-Carlo方法对高频系数进行估计,最后通过阈值函数进行收缩去噪。实验结果表明,该算法在抑噪和保持边缘的同时,取得了较好的视觉效果和更高的PSNR值。

基于压缩感知技术的Shearlet变换重建地震数据

基于预测滤波方法进行地震数据重建的误差偏大,基于波动方程进行地震数据重建的计算量较大,基于某种变换的地震数据重建精度偏低。为此,利用基于压缩感知技术的Shearlet变换重建地震数据。基于信号的稀疏性,在欠采样的情况下,首先根据地震数据的缺失情况设计采样矩阵,然后使用Shearlet变换将地震数据稀疏化,再采用正交匹配追踪算法在Shearlet域中完成对稀疏系数的重建,最后通过Shearlet反变换实现地震数据重建。实验结果表明,基于压缩感知技术的Shearlet变换能够很好地重建地震数据,且重建精度高于基于压缩感知技术的Fourier变换、离散余弦变换、小波变换和Curvelet变换。

shearlet变换和区域特性相结合的图像融合

为了提高多模医学图像或多聚焦图像的融合性能,结合shearlet变换能够捕捉图像细节信息的性质,提出了一种基于shearlet变换的图像融合算法。首先,用shearlet变换将已精确配准的两幅原始图像分解,得到低频子带系数和不同尺度不同方向的高频子带系数。低频子带系数使用改进的加权融合算法,用平均梯度来计算加权参量,以此来改善融合图像轮廓模糊度高的问题,高频子带系数采用区域方差和区域能量相结合的融合规则,以得到丰富的细节信息。最后,进行shearlet逆变换得到融合图像。结果表明,此算法在主观视觉效果和客观评价指标上优于其它融合算法。

基于Shearlet变换和多尺度Retinex的遥感图像增强算法

传统的小波变换、曲波变换和轮廓波变换无法对图像提供最优的稀疏表示,不能取得好的增强效果,为此,提出了一种基于剪切波(Shearlet)变换的图像增强算法。经Shearlet变换,图像被分解成低频分量和高频分量。首先,对Shearlet变换分解后的低频分量进行多尺度Retinex(MSR)调整,以减轻光照条件对图像的影响;其次,对各尺度、各方向上的高频系数采用阈值抑噪来消除噪声;最后,对重构图像进行模糊对比度增强,提高图像的整体对比度。实验结果表明该算法能够明显改善图像的视觉效果,突出图像的纹理细节且具有良好的抗噪性能。与直方图均衡(HE)、MSR、基于非下采样轮廓波变换(NSCT)的图像模糊增强(NSCT_fuzzy)算法相比,图像清晰度、信息熵、峰值信噪比(PSNR)均有一定的提高,且运行时间缩短为MSR的1/2和NSCT_fuzzy的1/10左右。

基于非下采样Shearlet变换的磁瓦表面缺陷检测

针对磁瓦表面缺陷对比度低,图像受不均匀背景和磨削纹理干扰大等问题,提出了一种基于非下采样Shearlet变换(non-subsampled Shearlet transform,NSST)的磁瓦表面缺陷检测方法。首先,对磁瓦图像进行多尺度多方向NSST分解,得到一个低频子带图像及多个频率和方向变化的高频子带图像。然后对缺陷在高低频域表现出的不同特征进行针对性的处理,在低频子带中分别计算行均值线图像和列均值线图像,将列均值线图像沿行均值线图像扩展,构造基于均值的自适应阈值对低频子带进行滤波,以去除不均匀背景;同时,利用同一分解尺度下各高频子带系数中微弱缺陷信号的方差较大,显著缺陷信号的能量较大,而噪声和背景干扰信号的方差和能量均较小的差异,构造基于Shearlet高频分解系数方差和能量的综合高频缺陷识别算子,滤除高频子带中的噪声和背景干扰。最后,对修正后的分解系数进行逆NSST重构,得到背景均匀,磨削纹理和噪声干扰被充分抑制的高对比度图像,并采用自适应阈值分割方法提取出缺陷区域。实验结果表明,该方法的假阳性率、假阴性率和检测准确率分别达到8.8%、5.0%和93.1%;本文算法在MATLAB仿真平台中平均运行时间为0.629 s;相较于现有的磁瓦表面缺陷检测算法,该方法能够有效地去除不均匀背景、磨削纹理和噪声干扰,检测结果更加准确,鲁棒性更强。

曲波变换三维地震数据去噪技术

常规去噪方法主要用于二维地震资料的处理,但噪声也存在于三维数据空间,导致常规去噪方法效果较差。为此,选用多尺度、多方向的二维曲波变换进行三维地震资料去噪。首先抽取含噪三维地震数据的时间切片进行多尺度、多方向分解,在曲波域采用局部阈值法去噪,对曲波变换后的每一个尺度选取一个合适的阈值因子,然后通过阈值处理,得到各尺度下的有效波曲波系数,最后将提取的有效波曲波系数进行逆变换重构出地震信号,达到去噪的目的。理论模型与实际资料的处理结果表明,与其他去噪方法相比,该方法最大限度地保留了地震数据的有效信号,达到了更好的去噪效果,具有较好的应用前景。

基于Rank变换的农田场景三维重建方法

农田场景的三维重建对于研究远程监测作物的生长形态、预测作物产量、识别田间杂草等都具有重要作用。为解决农田场景图像三维重建困难、立体匹配精度较差等问题,该文提出了一种基于Rank变换的农田场景三维建模方法。该方法运用加权平均法灰度化图像,以保留农田场景的完整特征;以灰度图像的Rank变换结果作为匹配基元,采用基于归一化绝对差和测度函数的区域匹配算法获取场景的稠密视差图;根据平行双目视觉成像原理计算场景的空间坐标,并生成三维点云图;依据所得场景的三维坐标,对场景中感兴趣区域实现三维重建。采用标准视差计算测试图像验证立体匹配算法精确性,平均误匹配率较传统的绝对差和函数算法降低约5.63%。运用不同环境下的棉田场景图像测试三维重建方法,试验结果表明,在6.8 m的景深范围内,作物及杂草的高度、宽度等几何参数计算值与实际测量值接近,各项指标的平均相对误差为3.81%,验证了三维重建方法的可靠性及准确性。

迭代离散Shearlet变换异类源遥感图像融合

Shearlet变换是一种多尺度几何分析算法,适用于遥感这类纹理丰富、边缘复杂的图像处理。提出了一种基于迭代离散Shearlet变换的图像融合算法,将源图像进行分解,得到图像的多尺度、多方向树型结构表示;对粗糙分量和带通细节分量分别采用不同的融合规,得到融合图像的树型结构表示;最后进行Shearlet反变换得到融合图像。仿真结果表明,提出的算法比基于Contourlet变换的图像融合算法有更好的效果,更有利于保留纹理和边缘信息。

基于Shearlet变换和TV模型的医学图像融合

为了综合多模态医学图像的互补信息,为临床诊断和辅助治疗提供更为充分有效的依据,提出了一种基于Shearlet变换和全变差(Total variation,TV)模型的含噪医学图像融合方法。首先对源图像(CT/MRI图像或CT/PET图像)进行Shearlet变换,产生一个低频子带和若干高频子带。然后对低频子带采用基于区域方差的融合策略,以完整地保留源图像的解剖信息或功能信息;对于高频子带,则利用TV模型进行去噪预处理,避免噪声对融合结果的干扰,再采用改进拉普拉斯能量和(Sum-modified-Laplacian,SML)的融合策略,最大程度地融合边缘、细节信息。大量实验结果表明,与近年来提出的3种融合方法相比,本文提出的方法对无噪声和有噪声的医学图像都能取得更好的融合效果,融合图像完整地保留了源图像的信息,目标的边缘、细节清晰,计算效率也有所提高。

基于非下采样Shearlet变换的磁瓦表面裂纹检测

针对磁瓦表面裂纹缺陷图像背景不均匀、对比度低和存在纹理干扰等特点,提出了一种基于非下采样Shearlet变换(Nonsubsampled Shearlet transform,NSST)的裂纹检测方法。首先对原始图像进行多尺度、多方向NSST分解,得到一个低频子带和多个高频子带,然后利用各向异性扩散和改进的γ增强方法对高频子带进行滤波和增强;同时利用二维高斯函数对低频子带进行卷积操作来构造高斯多尺度空间,估计出图像的主要背景,并通过背景差法得到均匀的低频目标图像。最后通过重构NSST系数得到去噪和增强后的均匀目标图像,利用自适应阈值分割和区域连通法提取裂纹缺陷。实验结果表明,所提方法检测准确率达92.5%,优于基于形态学滤波方法、基于Curvelet变换方法和基于Shearlet变换方法等现有磁瓦表面裂纹检测方法。

Shearlet变换和稀疏表示相结合的甲状腺图像融合

针对甲状腺肿瘤超声图像对比度低和SPECT图像边界模糊的特点,结合多尺度几何分析和单尺度稀疏表示的思想,提出了一种Shearlet变换与稀疏表示相结合的图像融合算法。首先,用该变换对已经精确配准的源图像进行分解,得到图像的高低频子带系数。对稀疏性较差的低频子带系数进行字典训练并求解其稀疏表示系数,并采用能量值取大的规则进行融合。高频子带系数采用区域拉普拉斯能量和的规则。最后,用Shearlet逆变换得到融合图像。实验结果表明,此算法在主观视觉效果和客观评价指标上优于多尺度融合方法和单尺度下基于稀疏表示的图像融合方法。