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。

小波域隐Markov树模型的图像去噪快速算法

小波域隐Markov树模型(HiddenMarkovTreeModel,简称HMT)能充分表现小波系数的统计特征,但模型训练算法计算量大。文中以图像去噪为应用背景,提出了基于HMT粗分类的多树训练算法。该算法通过对不同类型的纹理建立不同的HMT,对小波系数进行粗分类,在此基础上,不同类别的小波系数被分别建模,并将粗分类HMT的参数作为最终模型训练的初始化参数,从而提高了模型的精度,同时减小了训练算法的计算量。对于含复杂场景或纹理的图像,提出了基于方差粗分类的训练算法,也能有效地提高模型精度。对自然图像和SAR图像的去噪实验表明,采用粗分类训练算法的HMT去噪模型的去噪效果在客观指标上优于现有的HMT去噪模型。

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。

小波域隐Markov树模型降噪算法的改进

提出了适应于更一般情况的基于小波域隐Markov树(HMT)模型信号降噪的改进算法。通常算法以数个零均值高斯函数加权之和描述信号小波系数统计分布,在有些情况下可能带来严重失真。改进算法以一般统计模型描述信号小波系数分布,以最优估计方式对其降噪,能够避免不适当统计模型可能带来的潜在失真。数据仿真表叫该算法有时可以减少降噪信号的MSE(均方误差)80%以上。

基于小波域隐Markov树模型及重要性修正的绝缘子红外图像去噪研究

在小波域隐Markov树模型的基础上,提出了一种基于小波域统计建模与小波系数重要性修正相结合的绝缘子红外图像去噪方法。该方法首先通过对数变换将乘性噪声转化为加性噪声,对对数变换后的图像进行小波变换并对小波域的高频子带系数用混合高斯模型与隐马尔可夫树模型进行建模,并采用EM算法来估计模型参数。在模型参数估计的基础上引入了基于重要性准则的小波系数修正,最后通过小波逆变换与指数变换获得去除噪声后的图像。实验结果表明,与普通的小波去噪方法相比,该方法不但有利于保持图像的边缘信息,有效解决红外图像的边缘模糊问题,而且能提高红外图像的信噪比并得到了较好的视觉效果。

小波域隐Markov交叠树模型及块效应评价

本文针对小波域隐Markov树模型(hidden Markov tree model,HMT)的块效应问题,分析了块效应的产生机理,给出了以图像去噪为基础的块效应评价准则,并提出小波域隐Markov交叠树模型(hidden Markov overlappingtree model,HMOLT)和基于该模型的图像去噪算法。该模型通过对每个节点的数据扩展,使每个节点包括相邻的3个(1维)或9个(2维)小波系数,实现同一尺度相邻节点数据的交叠,有效地减轻HMT因树状结构而产生的块效应。实验表明,本文给出的模型和去噪算法,无论是在均方误差(MSE)、块效应指标,还是在主观视觉方面,都优于HMT和基于HMT的去噪算法。

基于小波域隐Markov模型的SAR图像滤波方法

在小波域隐Markov模型(HMM)的基础上提出一种新的合成孔径雷达(SAR)图像的滤波方法。首先根据小波变换的内在特征,建立小波域的隐Markov树(HMT)模型,通过EM算法可以获得该HMT模型的参数估计。然后根据SAR图像的统计性质,将SAR图像的乘法斑点杂噪声在局部范围内近似为加性白高斯噪声,通过最小均方差(MMSE)估计可以获得信号的小波变换值。通过对真实SAR图像的应用,结果说明该方法可以在保存图像细节特征的情况下有效地抑制图像的噪声。

基于小波域隐马尔可夫树模型的多光谱遥感影像纹理分割技术研究

遥感图像纹理信息丰富,需要进行有效的纹理特征描述.小波域隐马尔可夫树(HM T)模型提供了一种有效的纹理特征提取方法.简述了HM T模型及分割思想,并在此基础上针对多光谱遥感图像,探索更好的纹理描述方法.通过适当的数学变换,得到多光谱遥感影像在不同角度下的描述:H—S—I分量和最大主成分分量.研究比较各分量特性并应用HM T模型,得到不同分量下纹理分割结果.实验表明,利用多光谱信息可有效地提高分割质量.

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.

基于隐Markov树的设备状态综合诊断模型

为了充分利用小波系数之间的统计相依性以更有效地诊断设备状态,提出了一种基于隐Markov树(HMT)的综合诊断模型。首先通过主成分分析将来自多个传感器的信号转换为主成分,求出各主成分对应的频谱,然后通过比较对已训练的各HMT模型的适应度,运用Bayes决策融合法则得到设备状态综合诊断决策。为了克服HMT模型存在的计算溢出困难,采用尺度变换对EM算法进行了改进。通过两个实例验证了该综合诊断模型具有较高的诊断准确率。

基于小波域HMT模型的图像超分辨率重构

小波域HMT模型采用混合高斯分布 ,并通过多尺度小波系数隐状态之间的Markov依赖性刻画自然图像小波系数随尺度减小呈指数衰减的特性 由于小波域HMT准确刻画了自然图像小波变换的统计特性 ,因此文中算法以此作为自然图像的先验模型 ,并把图像超分辨率问题表述为一个约束优化问题 ,采用Cycle Spinning方法抑制重构出的高分辨率图像中可能存在的震铃和锯齿等失真 最后 。

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。

基于语义树Markov随机场模型的地面机器人多尺度道路感知

道路实时感知是自主式地面移动机器人实现自主导航的关键技术,但由于室外道路环境的复杂性与不确定性,其算法开发难度较大。提出了一种基于小波域语义树Markov模型的多尺度仿生道路感知算法。在时空域上采用三维随机场对机器人采集到的道路图像序列进行建模,提出了一种采用树结构约束、面向道路识别的语义树Markov随机场(RT-MRF)模型;采用遗传算法优化的有监督RT-MRF模型进行道路图像序列分割;机器人通过跟踪分割边界实现道路区域识别及自主导航。采用自主研制的四足仿生机器人作为研究和实验平台。实验结果表明:该方法能够在具有阴影、裂纹、坑洞、不平整及光照度变化的较差道路检测条件下鲁棒分割出道路边界,算法实时性高,可满足室外移动机器人自主导航需求。

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MG-HMT模型的正交有限脊波域图像分割

针对图像分割中的过分割问题,提出了一种基于图像混合高斯-隐Markov树(Mixture Gaussian-hiddenmarkov tree,MG-HMT)模型的正交有限脊波分析的图像分割算法。正交有限脊波变换处理信息时具有检测信号线奇异的能力,在图像分割中为准确定位信息的边缘、轮廓提供了有力的支持。其次,对图像的小波系数建立了混合高斯-隐Markov树(MG-HMT)模型来描述其在不同尺度子带间的相关性,并利用小波系数自身的传递性和同层小波系数相关性进行补偿处理。仿真结果表明,采用本文算法实现的图像分割,有效地检测出图像信息的线奇异,从而减小了由于干扰在梯度图中造成虚假的局部极值而产生的过分割现象,准确地定位了图像的区域信息。

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。

隐马尔可夫树模型在纹理分析中的应用

该文在研究小波域隐马尔可夫模型(HMM)的基础上,提出了一种全新隐马尔可夫树(HMT)模型.在以往的研究中,HMT通常将2维DWT的三个子带HL、LH、HH视作相互独立,形成三棵独立的子树分别建模.为了更好地描述三个子带间小波系数的相关性,该文将这三个子带中相应节点进行捆绑,作为一棵树进行建模.另外,对于每个尺度中的小波系数分布,HMT常用高斯混合分布来拟合.该文研究了基于泊松分布的统计建模方法(PHMT).纹理图像经Haar小波变换和乘数分解后,再采用PHMT建模.经过实验验证,基于泊松分布的统计建模方法是有效的.

基于复数小波的图像恢复算法研究

研究了基于复数小波的各种图像恢复算法 ,提出把HMT模型应用到ForWaRD的图像恢复中 .利用ForWaRD算法 ,首先把模糊加噪的降质图像在傅立叶域中进行维纳滤波器正则反卷 ,然后在小波域中进行去噪处理 ,可以得到较好的恢复效果 .对典型卷积加噪线性降质图像进行了仿真实验 ,并把基于复数小波的各种图像恢复算法的仿真结果同基于正交小波的图像恢复算法仿真结果作了比较 ,发现前者无论从客观指标还是视觉效果上都有明显的优势 。