基于Contourlet域HMT模型的SAR图像相干斑抑制

将Contourlet变换用于SAR图像的统计特性研究中.基于Contourlet域隐马尔可夫树模型(CHMT),从图像复原的角度出发,结合最小均方误差估计和Bayes估计给出一种SAR图像相干斑抑制的新方法.并给出基于拉普拉斯金字塔算法(LP)分解的斑点方差估计方法.实验中与小波域HMT算法进行了比较,本文方法在方向信息的保留和斑点的抑制上均有明显改进.

采用CT域HMT模型的变电设备红外和可见光图像融合

将变电设备的红外图像和可见光图像融合可大大提高热故障定位的准确度。鉴于小波变换缺乏方向信息,且不能为2维图像提供理想的稀疏表达,同时考虑到边缘特征在图像融合中的重要性,提出了一种基于轮廓波变换(contourlet transform,CT)域隐马尔可夫树(hidden Markov tree,HMT)模型的红外和可见光图像融合算法。利用所提出的算法,完成了某500kV变电站设备的红外和可见光图像融合。融合结果表明,该算法由于采用期望最大(expectation maximization,EM)算法对CT分解得到的高频系数进行HMT建模且设计了一种利用Canny算子进行边缘检测的融合规则,所以可在保留更多细节信息的同时,能得到更加光滑细腻的融合图像;融合结果的均值、标准差、平均梯度和信息熵等统计指标均有明显改善。该算法为变电设备的智能检测与识别提供了量化依据和指导。

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 。

改进多尺度融合结合小波域HMT模型的遥感图像分割

提出了一种结合权值背景融合的小波域多尺度图像分割方法。首先通过小波域隐马尔可夫树模型获得图像各个尺度上的初始分割,然后为各个尺度上每一分割像素点分别赋予权值,并建立一种融合父子尺度信息的新背景模型,最后利用权值背景融合各个尺度图像初始分割结果,得到像素级分割。仿真结果表明,该方法可得到优于已有文献的分割效果。

一种小波域HMT模型参数初始化方法

Wavelet transformation and hidden Markov model are used in wavelet-based HMT model for analyzing andprocessing images. Expected Maximization(EM) algorithm used in training model results in slow convergence. Thepersistence, exponential decay characteristics of wavelet coefficient are analyzed. A model parameter initializationmethod is proposed. This method provides reasonable initial model value, reduces training time greatly. Its applica-tion in image de-noising demonstrates is validity.

小波域HMT模型参数的快速估计及其在图像降噪中的应用

小波域隐马尔可夫树(HiddenMarkovTree,HMT)模型可以很好地刻画尺度内与尺度间小波系数的相关性,但模型参数的训练过程复杂,计算量大。针对这个缺点,提出了一种不经训练的HMT模型参数快速估计方法。该算法首先用一种自适应阈值将每个子带小波系数分成不同的类,然后分别对每类进行统计,这种统计是局部的,因而有很好的局部自适应性,最后模型参数可以利用这些局部的统计特性来描述。将估计出的参数模型运用到图像降噪中,实验结果表明这种快速估计的HMT参数模型不仅可以大大提高计算速度,降低计算复杂度,而且从峰值信噪比和主观视觉效果上都不逊于传统的经过迭代训练的HMT模型降噪算法。

基于HMT模型的block-DCT域隐写图像移除攻击

针对block-DCT(Discrete Cosine Transform)域加性噪声隐写图像,基于隐马尔科夫树HMT(Hiding Markov Tree)模型,提出一种新的隐写图像移除攻击算法。在分析研究HMT模型结构特点和离散的小波变换DWT(Discrete Wavelet Transform)域、block-DCT域系数特性的基础上,构建了准确刻画图像block-DCT变换统计特性的HMT模型,将隐写图像秘密信息的移除问题转化为约束优化求解问题。在Matlab7.0平台进行仿真实验,结果表明:基于该算法移除秘密信息后的图像,其质量(信噪比和视觉效果)明显高于传统的噪声移除方法。

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CP和多小波HMT模型的克隆选择遥感图像融合

如何得到有效的融合系数是图像融合的关键.文中从图像的统计特性出发,构造了对比度塔(CP)和GHM多小波,建立了多小波HMT模型以捕获多小波系数之间的相关性.同时,将进化计算思想——免疫克隆选择(ICS)算法引入到图像融合处理中,用来优化融合系数,较好地实现了多传感器遥感图像的融合.仿真实验证明,与传统的小波变换和多小波变换方法相比,文中方法得到的融合图像有效地保留了图像的细节和纹理信息,图像的信息熵值保持在较高水平,平均梯度值比小波变换和多小波变换方法平均分别提高了1.3和2.3,标准差值平均分别提高了8.0和8.8.

小波变换与HMT模型的图像插值算法

为实现图像的超分辨率处理,提出利用HMT模型简洁地表示小波系数的概率结构。小波域HMT模型根据小波系数尺度之间的持续性和指数衰减性,将图像的小波系数建模为隐马尔可夫树模型。该模型考虑了小波系数间的统计相关性,把图像插值问题表述为一个约束优化问题,获得了能够保持原始图像丰富高频信息的高分辨率插值图像。试验结果表明,该算法在一定程度上改善了传统插值算法引起的锯齿效应和平滑效应,插值后的图像在峰值信噪比和视觉效果方面都有明显提高。

基于小波域HMT模型的隐写信息的移除攻击

分析了隐写图像的移除攻击模型,考虑图像采样间的相关性,提出了基于小波域HMT(隐马尔可夫树)模型的移除攻击方案。实验结果表明,性能优于图像处理中常用的高斯滤波和维纳滤波。

基于Contourlet域HMT模型的声纳图像去噪

声纳图像预处理是声纳图像目标识别与跟踪的前提;声纳图像对比度低,特性信息弱,为此,提出Contourlet域HMT模型(CT-HMT)的声纳图像去噪算法。Contourlet域中,不同方向间子带系数的相关性体现于DFB分解中,相邻尺度间父节点对应的4个子节点分布在2个可分离的方向子带上,父、子节点状态"持续性"采用Markov模型建模,尺度内Contourlet系数的"聚集性"采用混合高斯模型建模;最后,用贝叶斯准则估计无噪图像的Contourlet系数,实现声纳图像去噪。实验结果从视觉效果和定量分析两方面验证表明,本文算法能有效地抑制噪声,提取声纳图像的弱特征信息,较好地保全了图像的边缘和轮廓信息。

一种基于小波域HMT模型的图像去噪方法研究

小波图像去噪已经成为图像去噪的主要方法之一。利用小波变换在去除噪声时,可提取并保存对视觉起主要作用的边缘信息,但现有的去噪声方法忽略了小波系数之间的相关性。针对这一不足,在小波域隐Markov树模型(HMT) 的基础上提出了一种图像去噪新方法。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。

复小波域HMT模型图像复原

提出了基于二元树复小波变换(DT-CWT)的复小波域隐马尔可夫树(HMT)模型线性图像复原算法,并采用一种简单可行的快速算法来估计HMT模型参数。该方法较好地再现了各种边缘信息,其复原结果较传统的复原方法有不同程度的提高,其运行效率较传统的HMT模型参数估计方法有明显的提高。

基于Curvelet域隐马尔可夫树模型的SAR图像去噪

从SAR图像相干斑噪声的统计特点出发，将Curvelet变换与隐马尔可夫树（HMT）模型相结合，提出了一种基于Curvelet域隐马尔可夫树（HMT）模型的图像去噪方法．利用HMT模型捕获Curvelet系数之间的尺度从属性，较好地实现了普通图像去噪和SAR图像的相干斑噪声抑制，同时分析了文中算法的去噪机理和计算复杂度．仿真实验证明，与小波域HMT模型方法和Curvelet变换方法比较，主观视觉效果和数值指标都有明显改进．平滑指数（FI）值大小适中，水平和垂直边缘保持指数（ESI）平均提高了约0．2～0.3．

基于小波域隐马尔科夫模型的文本图像子带分割方法

本文在已有文献的基础上 ,通过分析不同子带小波系数之间的相关性 ,提出了一类基于小波域HMT(HiddenMarkovTree)模型文本图像分割方法 .其基本思想是先在子带分类的基础上 ,综合考虑不同尺度上的分类 ,进行多尺度文本图像分割 ,最后根据后验像素信息对上述方法所得分割结果进行修正 ,得到优于已有文献的分割效果 ,而且在一定程度上减少了分割算法的计算量 .

基于小波域多状态隐马尔科夫树模型多尺度文本图像分割

该文基于小波域多状态隐马尔科夫树(HMT)模型,引入一种新的文本分割方法。该分割方法是在H.Choi et al.(2001)工作的基础上,将文本按纹理分为背景、文字与图片3种类型,分别建立多状态HMT模型。另外,基于平滑图像将上述方法又作了进一步的改进,引入了多状态IHMT分割方法,最后通过实例阐明了方法的有效性。

一种两步HMT文本图像分割方法

引入一种新的文本图像分割方法 :两步隐马尔科夫树模型 (HMT)多尺度文本图像分割 .该分割方法是在文献 [1]的基础上 ,先将背景分出 ,再将文本分为文字与图像两种类型 ,分别建立HMT模型 ,完成文本图像的分割 .最后通过实例阐明了方法的有效性 .

基于小波域混合状态隐马尔科夫树模型的文本图像子带分割算法

针对文本图像提出了一种基于小波域混合状态HMT(H idden M arkov Tree)文本图像子带分割算法.该算法在充分考虑经二维小波变换后各子带之间相关性的同时,分别对背景、文字、图片三种纹理建立了不同状态的HMT模型,并且通过计算机仿真实验说明了该算法的有效性.

基于小波域隐马尔科夫树模型的图像分割

改进了传统的基于小波域隐马尔科夫树模型的图像分割方法.由于传统方法均为直接选择小波子带系数作为训练特征,不能直接得到像素级分割结果;同时传统方法在后融合方面对所有尺度均采用同一种上下文背景,而忽略不同尺度上初分割类标志图的特点.因此,本文在粗分割阶段首先处理了训练时参数设置的问题,并选取了更能表征纹理的特征,能直接得到像素级分割结果;在多尺度融合阶段,充分利用不同尺度上类标志图的特性,不仅考虑粗尺度信息对融合结果的影响也考虑了细尺度信息对结果的影响.实验表明本文算法的视觉效果好于与本文进行比较的Choi提出的HMTseg以及孙强提出的WD-HMTseg遥感图像分割算法.