平稳小波域多尺度乘积下的指数Renyi熵自动阈值选择方法

受目标和背景的大小比例、噪声或者随机细节等因素影响,灰度图像的灰度直方图可能呈现出无峰、单峰、双峰或者多峰模式。为了在统一框架内处理这4种不同直方图模式下的自动阈值选择问题,提出了一种平稳小波域多尺度乘积下的指数Renyi熵自动阈值选择方法。该方法首先利用平稳小波对原始图像进行水平、垂直和对角方向的多尺度变换,再对各个方向的高频子带进行多尺度乘积运算构造出融合图像;然后通过内外轮廓图像对融合图像进行采样重构一维直方图;最后计算重构直方图所对应的指数Renyi熵,并取最大值对应的阈值作为最终分割阈值。提出的方法与4种自动阈值分割方法、2种聚类分割方法以及2种活动轮廓分割方法进行了比较。在16幅合成图像和50幅真实世界图像上的实验结果表明:在合成图像集中,相比于分割精度第2的方法,平均马修斯相关系数提高了41.2%;在真实世界图像集中,相比于分割精度第二的方法,平均马修斯相关系数提高了20.8%。提出的方法具有更稳健的分割适应性,且在分割精度方面明显优于其他8个分割方法。

基于尺度乘积的X射线焊缝区域提取算法研究

焊缝缺陷自动检测是保证焊接质量的重要环节,而焊缝区域的提取是焊缝缺陷特征提取与焊缝缺陷识别的基础。该文提出了一种基于尺度乘积的X射线焊缝区域提取算法。该方法首先对图像按行取样获得行灰度曲线,再利用最小二乘直线拟合的方法将不同尺度下拟合直线的斜率乘积代替梯度算子,并进行非极大值抑制得到边缘点。对图像每行进行同样的操作,得到整个焊缝的边缘,从而提取出焊缝区域。实验表明,该方法能显著抑制噪声的干扰、提高边缘检测的准确率,在噪声多、边缘模糊的X射线图像中能取得比主动轮廓模型和模糊核聚类更好的效果。

基于小波多尺度乘积的信号去噪算法

根据信号与噪声在小波变换下表现出截然不同的性质,提出了一种基于小波多尺度乘积的信号去噪算法,该算法首先对信号进行多尺度二进制小波变换,通过相邻尺度小波系数乘积提取小波变换模极大值的小波系数和去除噪声小波系数;再利用模极大值小波系数进行小波逆变换得到去噪后的信号。实验仿真表明:该算法在有效去除噪声的同时,也能保留信号的重要特征。

基于尺度乘积与小波收缩相结合的去噪方法

提出一种将相邻尺度的小波系数乘积与小波阈值收缩相结合的信号去噪方法.该方法采用小波系数乘积的直方图方法提取小波系数.用该方法去噪既能很好地保持信号突变点的原有特性,又具有较强的去噪能力.数值仿真表明,与小波阈值收缩方法相比,该方法在信噪比和均方差指标上都有明显的提高,并能很好地保持信号的形状.

基于尺度乘积和相关性的图像去噪

为了去除图像的噪声,提出了一种基于尺度乘积和尺度相关性的平稳小波变换图像去噪方法.在传统小波系数估计的基础上,考虑到尺度间的相关性,利用不同尺度小波系数形成的系数向量,通过线性最小均方误差估计小波系数,获得各个高频子带的估计系数.针对单纯利用尺度间相关性去噪造成的图像边缘失真问题,在不同尺度小波系数形成的系数向量中引入了小波系数乘积,不但可以较好区分边缘信息和噪声信息,而且提高了原有算法的去噪能力.仿真结果表明,该图像去噪算法能有效去除图像噪声,较好保持图像边缘,在峰值信噪比和视觉质量上都有较大提高.

基于改进多尺度乘积LoG算子的仿射不变形状匹配算法

目标在成像过程中发生的几何变形多数情况下可用仿射变换来描述。据此,提出一种利用角点进行仿射不变形状匹配的算法。首先引入多尺度乘积LoG(MPLoG)算子检测轮廓角点,并根据角点间距自适应地提取轮廓特征点,从而获取形状关键特征;为解决目标的仿射变形问题,采用Grassmann流形Gr(2,n)来表征和度量两形状之间的相似度;最后通过迭代式序列移位匹配算法来克服Grassmann流形对起始点的依赖并完成形状的匹配。对形状数据进行仿真实验的结果表明,所提算法能够有效地实现形状检索和识别,并对噪声有较强的鲁棒性。

基于多尺度多方向Gabor变换的Tsallis熵阈值分割方法

为了能在统一框架内处理无模态、单模态、双模态或者多模态直方图情形下的自动阈值选取问题,该文提出一种基于多尺度多方向Gabor变换的Tsallis熵阈值分割方法(MGTE)。该方法先通过Gabor变换得到多尺度乘积图像,然后利用内外轮廓图像从多尺度乘积图像中重构1维直方图,并在重构1维直方图上采用Tsallis熵计算模型来选取4个方向Tsallis熵取最大值时对应的阈值,最后对4个方向的阈值进行加权求和作为最终分割阈值。将提出的方法和5个分割方法在4幅合成图像和40幅真实世界图像上进行了实验。结果表明提出的方法虽然计算效率不占优势,但它的分割适应性和分割精度有明显的提高。

多向加权Tsallis熵最大化导向的自动阈值分割方法

受噪声或随机细节、目标和背景的大小比例、成像时的点扩散等不同因素的影响,许多图像的灰度直方图呈现为无模态、单模态、双模态或者多模态样式.为了在统一框架内处理这4种不同模态情形下的自动阈值选择问题,本文提出了一种多向加权Tsallis熵最大化导向的自动阈值分割方法(Multi-directional Weighted Tsallis Entropy,MWTE).基于新设计的反正切方向性卷积核的多尺度乘积效应,该方法将不同模态的灰度直方图转化为统一的单模态右偏灰度直方图.在4个不同方向上提取出这种特殊的单模态右偏灰度直方图后,通过多向加权策略构建出与原始图像灰度值紧密相关的加权Tsallis熵目标函数,并以该目标函数取最大值时对应的灰度值作为最终分割阈值.本文将提出的方法和3个阈值分割方法、1个软分割方法、1个活动轮廓分割方法以及1个自动聚类分割方法进行了比较.在4种不同模态情形下的4幅合成图像和50幅真实世界图像上的实验结果表明,本文提出的方法虽然在计算效率方面不占有优势,但它对不同模态的测试图像具有更稳健的分割适应性,且在量化分割精度所用的马修斯相关系数方面优于其他6个分割方法.

基于小波多尺度积的边缘检测算法

在分析小波变换对噪声和边缘点影响规律的基础上,结合多尺度乘积的特性,提出了一种基于小波变换的多尺乘积边缘检测新算法。通过边缘检测性能评测计算和实验验证表明,该算法能有效增强边缘、抑制噪声,且定位精度高。

小波域内基于尺度乘法的边缘检测

提出一种基于小波的二尺度乘积边缘检测方法,用两个临近尺度的二进小波变换相乘作为乘积函数,将边缘定义为确定阈值下乘积函数的局部最大值。尺度相乘增强了图像结构识别能力,并可抑制噪声。试验表明, 通过所提出的尺度乘积技术对边缘进行检测,其应用结果优于单尺度的情况,提高了局部检测精度,有效地解决了边缘错位问题,并减少了邻边的影响。

基于协方差矩阵的B-样条多尺度表示的角点检测

在B-样条尺度空间下定义了平面轮廓在其支撑区域(ROS)内的协方差矩阵的多尺度表示,矩阵的最大特征值对应的向量表示轮廓切线方向。将各个尺度下的切线方向变化率的乘积定义为多尺度积。而角点就定义为多尺度积大于给定阈值的局部极大值所对应的点。由于多尺度乘积融合了轮廓在不同尺度下的特征信息,增强了特征点的响应,抑制了噪声的影响,因而所提出的算法既能精确定位,又对噪声有良好的鲁棒性。通过实验证明了算法具有旋转不变性,并对微小的尺度变化不敏感,而且与其他的角点检测器进行了对比。

多尺度积的协方差矩阵行列式的角点检测方法

研究平面轮廓局部支撑域上的协方差矩阵,通过对图像协方差矩阵的特征值和特征向量的分析,以V角点模型为例,证明了协方差矩阵行列式在角点位置有唯一的极值响应。同时,为了有效地融合各个尺度信息,采用多尺度乘积方法来增强角点响应的幅度,抑制非角点或噪声的幅度。基于此,提出以多尺度乘积的协方差矩阵行列式作为角点响应函数的角点检测算法。实验结果表明:通过比较经典的角点检测算法,算法具有很好的定位、抗噪及旋转和尺度不变性。

基于B-样条轮廓方向变化率多尺度表示的角点检测

基于B-样条尺度空间定义了轮廓方向变化率的多尺度表示,并利用多尺度轮廓方向变化率及其乘积提出了的新的角点检测算法。该算法直接把多尺度轮廓方向变化率乘积的局部极值点定义为角点,这是由于多尺度乘积不但融入了多个尺度下轮廓方向变化率的特征信息,而且能极大地增强角点的变化率,抑制受边界和量化噪声影响的边界点的轮廓方向变化率。这样,算法仅通过一个全局阈值就能获得很好的检测效果,而且真正地实现了候选角点多尺度检测。最后,定性分析了角点检测的定位性能,并通过对比实验验证了所提出的算法具有很好的检测性能。

结合边缘信息的多尺度MRF图像分割

针对采用多尺度马尔可夫随机场分割图像后还存在误分类的特点 ,提出了结合边缘信息进一步减少误分类 ,并设计了一种基于平稳小波变换、两个相邻尺度相乘的边缘提取算法。分析和实验结果表明 ,该边缘提取算法达到了既能提取出较完整、真实的边缘 ,又较好地抑制噪声 ,计算量少的要求。在分割算法中结合提取出的边缘信息 ,使图像在均匀区域中的误分类大大减少 ,得到了更好的分割结果 ,而增加的计算量只是由边缘提取带来的 ,该边缘提取算法和结合边缘的图像分割算法更适合于强的噪声图像。

多向加权作用下的直觉模糊相似性最大化导向的阈值分割方法

针对现有阈值分割方法中存在的分割精确性和分割适应性欠佳等问题,提出一种多向加权作用下的直觉模糊相似性最大化导向的阈值分割方法。该方法首先运用各向异性高斯一阶导卷积核对输入图像进行多方向卷积运算和多尺度乘积变换,得到四个方向下的具有单峰直方图模态的四幅参考图像;然后通过二值轮廓图像对四幅参考图像进行采样构建对应的直觉模糊集;最后运用多向加权策略,将不同方向的四个直觉模糊集融合以构建相似性目标函数,并以该目标函数取最大值时对应的灰度值作为分割阈值。提出的方法与5种新近的分割方法进行了全面比较,在8幅合成图像和88幅真实世界图像上的实验结果表明:提出的方法具有更高的分割精确性和更灵活的分割适应性,在合成图像和真实世界图像上的平均马修斯相关系数方面分别达到了0.998和0.964,相较于分割精度第2的方法分别提高了39.90%和26.22%。

图像多尺度边缘的模糊推理检测方法

提出一种基于模糊推理的多尺度边缘检测方法。该方法充分考虑边缘的局部特性,利用多尺度上小波系数乘积模值与方向信息测度作为图像边缘特征的描述器,并将其作为模糊推理系统的两个输入变量,采用Mamdani型的模糊推理系统实现边缘点检测。实验结果表明,与传统算法比较,新方法检测的边缘细节丰富,令人满意。

基于MPP方法的SAR目标检测

由于受到海面粗糙度的干扰和成像分辨率等的制约,背景噪音成为影响海洋SAR图像质量的主要因素;准确提取淹没在背景噪音中的海面目标,是遥感图像处理中的一个重要研究课题。采用多尺度逐点乘积方法(MPP)对SAR图像中的舰船目标进行了精确检测。详细介绍了àtrous算法及MPP方法在SAR图像目标检测中的应用,并提供了分析实例验证该方法的可靠性与实用性。