基于小波变换的多尺度图像匹配算法

文中针对基于梯度算子的图像匹配方法通常存在的问题———收敛速度较慢、迭代易落入局部最优点，提出了一种基于小波变换的多尺度图像匹配算法。这一算法利用小波的良好的多尺度特征，先对低分辨率的子图像做匹配，将得到的结果作为初始值用于高分辨率图像的匹配运算，匹配运算都在位移矢量场上进行。实验表明该方法可节省计算时间，且减小迭代落入局部最优点的概率，算法鲁棒性得以提高。

基于小波变换的多尺度图像边缘处理

对小波变换后的图像边缘信号关于多尺度边缘检测、提取和重建方面进行了讨论，以利于进一步对图像进行有效的编码、识别和增强等处理；同时也讨论了将小波变换与多尺度边缘检测方法有机结合起来的一些实用技巧。

基于小波变换的多尺度图像边缘检测算法

针对边缘检测算子的抑噪能力和定位精度之间矛盾,提出了一种基于B样条小波变换的边缘检测方法。首先对图像进行小波多尺度分解,在每种尺度下分别提取图像边缘;而后利用边缘信息的多尺度特性,融合多尺度边缘得到了单像素宽边缘。通过计算机仿真对该方法进行验证,实验结果表明该方法不仅能准确检测出图像边缘,而且能有效地抑制噪声,效果优于传统的边缘检测算法。

基于小波变换的多尺度图像边缘检测

边缘作为图像的最主要特征,成为图像信息获取的重要内容.而小波变换具有检测局域突变的能力,而且可以结合多尺度信息进行检测,因此成为图像信息边缘检测的优良工具.文章首先构造了高斯多尺度边界检测算子,然后根据信号边界与噪声边界的小波变换模值跨尺度传递的不同特性,讨论了不同尺度的检测算子检测的边缘所具有的特点,在此基础上提出由边缘传递、继承和生长构成的多尺度边缘关联融合算法.实验结果说明这种特征提取方法不仅有效地降低了噪声,而且融合的边界比较完整,定位准确.

一种基于小波变换的多尺度图像融合方法

近年来图像的数据融合技术在图像处理领域中得到了广泛的重视和应用。如何对同一目标的多源遥感图像数据进行有效的融合,最大限度地利用多源遥感数据中的有用信息,提高系统的正确识别、判断和决策能力,是遥感数据融合研究的重要内容之一。在小波变换金字塔结构的基础上,提出了一种基于小波变换的多尺度图像融合方法,对热红外与可见光图像进行了融合处理。实验结果表明,该融合方法十分有效,获得的融合图像更符合人们的视觉特性,更有利于机器视觉。

基于小波变换的多尺度图像融合增强算法

为解决原始单源图像缺乏多尺度细节信息和图像融合后出现的噪声问题,提出了一种基于小波变换的多尺度图像融合增强算法,根据不同频率子带分量采用不同融合规则的思想,对高频子带提出了三种融合方法,同时构建了一种新颖的多尺度残差金字塔空间并将其参与融合过程,以减少融合噪声。多种小波分解和对比实验结果表明,提出的小波多尺度融合增强算法能够在一定程度上减小融合图像噪声同时增强图像的多尺度细节信息。

一种基于小波变换的多尺度图像配准算法

在研究传统Harris角点检测算法的基础上,结合小波变换的多分辨率特性,提出一种基于小波变换边缘检测与Harris角点检测的多尺度图像配准算法。该算法保持了Harris角点检测算法在图像旋转、缩放或灰度变化时角点提取效果依然良好的优点,改进了其对噪声敏感且不具有尺度不变性的缺点,在不同尺度上有较高稳定性与匹配精准度,抗噪性较强。

基于改进无参尺度空间经验小波变换的变压器高频电流局放噪声抑制研究

变压器是电力系统中的关键设备,局部放电(PD)是致使变压器绝缘劣化的主要原因,也是绝缘劣化的重要表现形式。针对高频PD信号中复杂的噪声信息,提出一种基于互信息和峭度优化的改进无参经验小波变换的降噪方法。该方法以经验小波变换(EWT)分解为基础,构造高斯核函数平滑频谱生成尺度空间,利用k-means聚类对边界点进行筛选得到频带分界点,然后提取无参尺度空间EWT分解的模式分量的互信息值和峭度值进行合并优化,排除冗余的频谱划分点并对频谱重新分割,利用新的频谱边界进行划分得到有价值的分量,在有价值的分量中去除噪声分量并将剩余分量进行通用阈值降噪然后重构信号达到PD信号降噪效果。文中方法不需要人工参与且解决了模态混叠问题,仿真和实验室、现场测试表明,与现有小波变换降噪和基于经验模态分解降噪的方法进行对比,文中的方法能够更加有效抑制PD信号中的噪声信息。

基于改进小波阈值函数和全尺度Retinex的红外图像融合增强算法

针对现有红外图像增强算法存在信噪比低、细节模糊、清晰度差等问题,本文提出基于改进小波阈值函数和全尺度Retinex的红外图像融合增强算法。首先,为克服尺度参数固定和光线散射导致红外图像退化的问题,利用大气透射率得到Retinex尺度参数的全尺度映射图,从而有效提高图像的清晰度,并将输入图像和使用全尺度Retinex处理后的输入图像作为算法的第一个输入和第二个输入。其次,为解决传统小波阈值函数在图像降噪过程中存在伪影、细节丢失等问题,设计改进小波阈值函数,通过引入尺度因子,在计算每层高频子图小波系数后,能根据该层数自适应调整尺度因子,并引入调节因子,结合指数函数,使该函数不仅能抑制高频子图噪声,还能极大程度保留细节信息。然后,使用小波图像融合的方式融合输入的高频子图和低频子图,进一步提高输出图像的纹理细节。主客观仿真结果表明,所提算法比其它对比算法具有更好的降噪和细节突出能力,并能提高红外图像的人眼视觉效果。最后,本文算法应用于红外成像模块采集的红外图像增强,效果良好,表明本文方法具有实用性。

双树复小波变换下的数字图像鲁棒性水印方法

为提高数字图像的峰值信噪比,提出基于双树复小波变换的数字图像鲁棒性水印方法。利用双树复小波变换对原始输入图像进行分解,结合小波函数与图像重构条件,降低输出信息的冗余度,并通过计算各子图的高频变量,确定水印嵌入位置,以此为依据,根据嵌入强度因子与水印嵌入密钥实现水印的嵌入,通过图像水印序列的解扩与反置乱操作,对图像水印进行提取,继而完成水印的嵌入与提取过程。实验结果表明,所提方法的峰值信噪比较高,具有良好的鲁棒性。

多时间尺度小波变换和LSTM自编码器电弧故障检测方法

在光伏发电系统中,电弧故障检测是维持系统安全运行的关键问题。以往的电弧故障检测方法大多基于单时间尺度的故障特征,然而单一时间尺度特征往往会受到环境变化的干扰,导致检测精度降低,针对这一问题,提出一种多时间尺度小波和长短时记忆(LSTM)自编码器电弧故障检测方法,该方法首先在机理分析的基础上找到电弧3个特性,即电弧初始阶段电流发生突变、燃弧阶段电流均值降低、燃弧阶段高频分量变大。再基于上述电弧特性进行小波变换提取对应多尺度特征,然后使用LSTM自编码器进行端到端的自动检测。与以往方法不同,该方法提取了电弧特性的多种时间尺度特征,增加了故障信号的检测依据,降低了受外界干扰时检测结果出现误报漏报的可能性。理论分析和实验结果表明,所提出的方法降低了故障电弧检测的误报率,提高了其准确率。

基于复剪切波变换与VGG19模型的医学图像融合方法

针对传统医学图像融合方法存在的细节信息不够清晰、边缘信息易丢失和图像失真等缺点,以及深度学习网络缺乏足够的训练数据集等问题,提出了一种基于复剪切波变换和预训练网络模型VGG19的多模态医学图像融合方法。首先,利用复剪切波变换提取医学图像边缘和纹理信息,并得到多尺度、多方向的子带系数。然后,使用加权局部能量和修正的拉普拉斯算子对低频子带系数进行融合;引入预训练的VGG19提取多层特征图,结合加权评估规则来获取高频子带的融合结果。最后,对融合的高频和低频子带,施加复剪切波逆变换重构融合图像。实验表明,该方法得到的融合图像,不仅可以清晰地显示图像的细节信息和边缘信息,而且能够有效抑制伪影和失真现象的产生,在主观视觉比较和6种客观评价指标下能够达到更佳融合效果。

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。

基于改进小波变换与卷积神经网络的干式空心电抗器红外图像去噪方法

针对传统小波变换法去除干式空心电抗器红外图像中夹带的噪声效果不理想的问题,提出了基于改进小波变换与卷积神经网络的干式空心电抗器红外图像去噪方法。首先利用卷积神经网络中的残差学习对图像中混合特征信息进行提取;然后通过改进小波变换对图像进行小波分解,并将分解后的分量输入至网络中进行训练;进而通过残差学习增强图像纹理细节信息,解决了传统图像去噪方法的不足;最后进行仿真比较。结果表明,所提方法可以降低网络计算难度,加快训练速度,同时具有良好的去噪性能,优于传统图像去噪方法。

基于曲波变换的弱光照包装图像对比度设计增强方法

弱光照包装图像分辨率低的情况下,包装识别和检测的辨识度不高,需要进行对比度增强处理,提出基于曲波变换的弱光照包装图像对比度设计增强方法。构建图像空间特征信息检测模型,通过全色锐化方法多尺度分解图像,采用曲波变换方法重组全色锐化特征,结合字典集稀疏表示方法实现低维子空间表示,根据子空间细节表达结构构建弱光照包装图像对比度增强模型。结果表明,采用该方法进行弱光照包装图像对比度增强处理,提高了图像的辨识度水平和细节特征表达能力,辨识误差较低,平均为0.045,峰值信噪比较高,平均为42.134 dB,图像增强耗时平均为239.75 ms。

基于图像矫正与小波变换融合的岩心图像拼接算法

为了提高岩心图像拼接的效率,针对在岩心采集出现的图像中的像素错位现象以及图像拼接处理出现的亮度差异、鬼影等问题,提出基于图像矫正与小波变换融合的岩心图像融合算法。首先改进AKAZE算法提高提取效率,对采集图像进行图像矫正得到矫正图像;再对矫正后的待拼接图像进行特征点提取与匹配,得到2幅图像之间配准关系;最后通过基于HSI域的小波融合与改进最佳缝合线融合得到拼接图像。实验结果表明,本文提出的矫正与拼接算法满足实际需求,图像无明显上下拼接缝与错位,且在DoEM和PSNR指标上与传统最佳缝合线和改进的渐入渐出算法相比均有所提升,融合区域避免了鬼影且亮度过渡均匀,无明显左右缝合线产生,拼接的图像符合人眼视觉。

小波变换的图像增强

本文对于水下图拍摄照片不清晰和雾天图受天气影响的问题,提出了一种基于直方图均衡和小波变换相结合的图像增强方法。首先将图像归一化转为灰度图像,再利用二维离散小波变换的方法把图片分为四个子图,接着对低频部分的子图进行直方图均衡的图像增强,并且对其他部分子图进行置零处理,最后将处理过后的四个子图进行二维离散小波逆变换,重构出增强图像。文章进一步对小波变换中的滤波器进行多维度处理,并且对小波变换分解和重构的层次进行进一步分析,结果发现随着滤波器维数和小波变换层数的增加,图像增强的效果更好。

基于剪切波变换和脉冲耦合神经网络的图像融合方法研究

图像融合的目的是将多个来源的图像合并,从而产生1个包含所有原始图像信息的新图像。传统的图像融合方法可能损失一些重要信息或导致图像失真,因此研究新的图像融合方法具有重要意义。作为新兴技术,剪切波变换和脉冲耦合神经网络在图像融合中的应用潜力尚未被充分发掘。文章致力于研究这2种技术在图像融合中的效果,并提出结合两者的新方法。

结合小波变换和注意力机制的U-NET图像去雾算法

图像是众多任务的基础使用数据,对于本身的质量有较高的要求。但是图像的质量受到很多因素的影响,例如空气中的雾。因此图像去雾的研究就十分有必要。兴起的深度学习在各种计算机视觉任务中发挥了重要作用,在单幅图像去雾中也是如此。论文在卷积神经网络的基础上,提出设计了一种结合小波变换和注意力机制的U-NET图像去雾模型,小波变换替代原始U-NET中的上下采样,保留更多的细节信息,同时将像素注意力机制与通道注意力机制结合成注意力模块,与U-NET模块并行,作为特征补充存在。在视觉效果和定量分析中,证明该模型有较好的去雾效果。

结合稠密小波变换的双分支低照度图像增强

针对低照度图像存在低亮度、高噪声、色彩失真等问题,提出了一种结合稠密小波变换的双分支低照度图像增强方法。采用稠密小波网络进行多尺度特征信息融合,在减少信息丢失的同时使网络具有一定的去噪能力。在多尺度特征融合中嵌入全局注意力模块和特征提取模块,充分提取全局和局部特征。通过双分支结构对图像进行色彩增强和细节重建,使得低照度图像具有较好的增强效果。引入了新的联合损失函数从多方面指导网络训练,以增强网络性能。将所提方法与主流方法相比较,实验结果充分表明,所提方法有效提高了低照度图像的亮度,抑制了图像噪声,并取得了更丰富的细节和色彩信息,得到的增强图像更清晰自然,在峰值信噪比和结构相似度等图像质量客观评价指标方面也具有显著的优势。