基于有限Radon变换的图像纹理方向的检测

纹理方向检测是图像处理中经常遇到的问题,其检测效果直接影响到模式识别。基于有Radon变换的方法和特点,给出了一种新的具有直线特征纹理方向的检测方法。实验证明该方法是行之有效。

基于有限Radon变换的MEMS结构方向提取

提出一种基于有限Radon变换(FRAT)的MEMS结构特征方向提取方法.首先,将MEMS表面数据转换为二维数据矩阵,并将矩阵延展成素数大小的方阵;然后,对延展后的数据沿着特定的方向进行投影变换和点积分运算,得到结果矩阵;最后,将结果矩阵用灰度图显示,根据图像中的0灰度值的像素点所在的行列得到原始表面中的主要方向.通过对MEMS器件沟槽结构的模拟分析以及对MEMS器件沟槽和柱状阵列结构的实验分析,验证了该方法的有效性.实验结果表明该方法方向提取误差小于1%.

基于有限脊波变换的图像融合方法

针对小波变换在进行图像处理时不能有效表示直线/曲线的奇异性问题,研究了能够很好表示二维或更高维奇异性的有限脊波变换的基本原理,讨论了将有限脊波变换应用于图像融合的可行性,提出了基于有限脊波变换方法进行图像融合的基本架构,并对变换系数的设置与融合过程的处理进行了详细说明。仿真实验的主客观性能比较表明,基于有限脊波变换的图像融合方法比基于金字塔变换和基于小波变换方法的融合效果要好得多。

基于有限脊波变换的多聚焦图像融合新算法

提出了一种基于有限脊波变换的多聚焦图像融合算法,针对有限脊波变换的特点和多聚焦图像的基本特点,低频系数采用取平均的融合策略,高频系数采用局部能量取大并进行一致性校验的融合策略。仿真实验的主客观性能分析表明,提出的融合方法具有较好的融合效果。

基于脊波变换的量化水印算法

利用比小波变换域更适合表示图像边缘轮廓特征的脊波变换域设计一种新的图像水印算法.将图像分块脊波变换,在脊波系数最大能量方向选择细节系数,设计合理的量化水印方法.采用奇偶量化方法嵌入水印,利用归属量化区间法提取水印.在较强的攻击下,该方法能够很好地恢复原始水印,采用该方法嵌入水印不易导致水印化图像失真.攻击实验结果表明,与小波域水印算法相比,该算法不仅可以较好地抵抗各种常见攻击如压缩、加噪、滤波和剪切等,还能较好地抵抗几何旋转攻击.

基于有限脊波变换的图像融合研究

将有限脊波变换(FRIT)应用于图像融合能更好地提取图像边缘特征,为融合提取更多的特征信息。基于FRIT的图像融合算法是将图像进行FRIT,在不同的频率域利用融合规则融合有限脊波系数,最后通过重构得到融合图像。通过对多聚焦图像的实验,对比了基于FRIT的图像融合算法和基于小波变换的融合算法,并对实验结果进行了主观和客观的评价,试验结果表明,基于FRIT的图像融合算法取得了比基于小波变换算法更好的融合结果,是一种有效可行的图像融合算法。

基于纹理方向的运动图像插值算法

为解决插值过程中图像纹理方向的马赛克效应和结构信息丢失问题,设计纹理结构驱动的运动图像插值算法。通过有限Radon变换提取图像的纹理方向信息,对随机纹理的区域采用传统插值方法;对规则纹理的区域,根据纹理方向与待插值点的位置分别设计不同的插值滤波器。实验结果表明,与常规方法相比,采用该插值方法可以得到更高的图像质量。

手背静脉特征提取算法

提出一种基于有限Radon变换(FRAT)的手背静脉识别新方法.在考虑手背静脉图像"线状"特点的基础上,先将手背静脉图像"分块",再对分块后的图像进行FRAT变换,并提出一种向量非均衡分布可得最大值的方法,提取手背静脉图像纹理特征,最后通过特征匹配进行分类识别.结果表明:与传统的Hough变换和离散Radon变换相比,新方法提高了目标直线特征的检测速度;在有800个样本的数据库上进行实验,获得了96.5%的识别率,表明了算法的有效性.

脊波分析在手背静脉识别中的应用

提出一种基于改进的有限脊波变换的手背静脉识别算法.利用脊波理论适合于表示直线奇异性的特点,对手背静脉特征进行分析.使用改进的有限脊波变换对手背静脉图像进行分解,得到不同分解尺度下手背静脉的多分辨脊波特征,再通过定义多分辨脊波特征距离进行模式匹配.实验结果表明,与传统静脉特征提取方法相比,该方法较完整地保留了静脉的原始信息,提高了运行速度并降低了算法复杂度.

基于局部联合边缘和方向模式的多光谱掌纹融合识别

针对掌纹图像边缘梯度特征和方向特征较突出的特点,提出一种新的局部联合边缘和方向模式,用于提取多光谱掌纹特征。首先,采用Kirsch算子计算掌纹图像在8个不同方向的边缘响应值,并提出局部最大边缘模式描述边缘特征。采用Gabor滤波器或改进的有限Radon变换提取掌纹图像的方向特征。然后对边缘特征和方向特征进行联合分析,构建二维特征矩阵。在MSpalmprint掌纹库上的实验结果表明,与现有的掌纹识别方法相比,基于局部联合边缘和方向模式的方法具有更高的识别率、更低的等错误率和更快的识别速度。最后,利用求得的等错误率对各光谱下的匹配分数进行加权融合。其中,对Green、Red和NIR三种光谱的掌纹进行融合识别后的等错误率最低为0.0001%。