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Contourlet域HMT和D-S证据融合的SAR图像分割

针对Contourlet的多尺度、局部化、方向性和各向异性等优点,结合隐马尔科夫树(hidden Markov tree,HMT)模型和D-S(Dempster-Shafer)证据理论,提出一种新的SAR图像分割算法。该算法首先将隐马尔科夫树模型推广到Contourlet域,在多尺度HMT上采用D-S证据融合理论有效地融合Contourlet系数的持续性和聚集性,最后导出融合后的最大后验多尺度分割公式。本文算法对实测SAR图像进行分割试验,试验结果表明:与小波域上的HMT-MRF(Markovrandom field,MRF)融合分割及Contourlet域上HMT和MRF分割算法相比,本文算法在抑制斑点噪声的同时,可有效地提高SAR图像的分割精度。

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。

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.

基于Cauchy分布的非下采样Shearlet HMT模型及其图像去噪应用

Shearlet变换作为后小波时代的一个重要的多尺度几何分析工具具有良好的各向异性和方向捕捉性,同时它也可以对诸如图像等多维信号进行一种近最优的稀疏表示.非下采样Shearlet变换(NSST)在保持Shearlet变换特性的同时还具有平移不变特性,这在具有丰富纹理和细节信息的图像处理中发挥着重要作用.该文首先对图像NSST方向子带内系数的概率密度分布进行分析,获得系数的稀疏统计特性和Cauchy分布拟合子带内系数的有效性;其次对NSST方向子带间系数的联合概率分布进行分析,获得方向子带系数间所具有的持续和传递特性,确定了一种NSST子带间树形架构的系数对应关系,进而提出一种NSST域隐马尔可夫模树模型(C-NSSTHMT),该模型通过Cauchy分布来拟合NSST系数,更好地揭示图像NSST变换后相同尺度子带内和不同尺度子带间系数的相关性.进一步提出一种基于所提出C-NSST-HMT模型的图像去噪算法,该算法对于含噪声方差为30和40的噪声图像,其去噪后的PSNR(Peak Signal to Noise Ratio)较NSCT-HMT方法分别提高了1.995dB和1.193dB.特别对纹理和细节丰富的图像,该算法在去噪的同时,有效地保留了图像的几何信息.

基于NACT和HMT模型的纹理图像检索

针对轮廓波变换方向子带中的频谱混叠现象及传统KLD方法度量隐马尔科夫模型间距离的局限性,提出结合改进KLD度量的抗混叠轮廓波隐马尔科夫树(HMT)纹理图像检索方法。利用抗混叠轮廓波变换抑制频谱混叠的特点对纹理进行分解,建立HMT模型并将其训练后的参数集视为纹理特征,利用改进KLD方法满足三角不等式的优点度量HMT模型间的距离,提高纹理图像检索精度。理论和实验结果表明,该算法的查准率比CT-HMT+传统KLD方法提高了2.81%。

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。

基于复方向滤波器组和HMT的图像去噪

提出一种基于金字塔对偶树方向滤波器组(PDTDFB)分解系数模的HMT模型,该模型结合PDTDFB理论、复数的模和HMT的特点,利用PDTDFB对图像分解后复系数的模建立HMT模型,由EM算法训练模型获得去噪后的模,恢复复系数、重构图像。实验结果证实,与其他几种典型的去噪算法定性比较,该模型去噪效果有不同程度的提高,更好地保留了图像的边缘信息。

用于SAR图像分割的第二代Bandelet域HMT-3S模型

针对传统的基于变换域隐马尔可夫树(Hidden Markov Tree,HMT)模型的SAR图像分割方法不能得到较满意的区域一致性结果和较准确的分割边缘的问题,提出了一种基于第二代Bandelet域HMT-3S模型的SAR图像分割方法(BHMT-3Sseg).HMT-3S模型是一种融合了子带间相关性的HMT模型,在描述图像纹理特征时,更具合理性.BHMT-3Sseg方法采用HMT-3S模型对图像的第二代Bandelet系数建模,通过HMT-3S模型参数的训练、各尺度似然值的计算和基于邻域背景的多尺度融合,实现对SAR图像的分割,既能得到较为准确和连续的边缘,也增强了分割结果的区域一致性.实验表明,本文方法BHMT-3Sseg对SAR图像分割是可行有效的.

基于四元数小波变换HMT模型的图像去噪

实小波变换域中的图像去噪会产生伪Gibbs现象,为此,提出一种基于四元数小波变换的隐马尔可夫树模型(Q-HMT),并应用于图像去噪。模型结合四元数小波变换理论与HMT模型,体现小波系数层间的相关性,捕获小波系数邻域的统计特征。实验结果表明,该模型的图像去噪效果在峰值信噪比以及视觉效果上均优于经典的去噪方法。

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。

基于多相关HMT模型的DT CWT域数字水印算法

本文以双树复数小波变换(Dual-tree complex wavelet transform,DT CWT)及隐马尔科夫树(Hidden Markov tree,HMT)理论为基础,提出了一种基于Weibull向量HMT模型的DT CWT域数字音频盲水印算法.原始数字音频首先进行DT CWT,然后利用局部信息熵刻画音频内容特征并据此确定出重要DT CWT系数段,进而将水印信息乘性嵌入到重要DT CWT高频系数幅值内.水印检测时,首先根据DT CWT系数幅值的边缘分布及系数间的多种相关性(包括子带内、尺度间、分解树间等相关性),构造出Weibull混合向量HMT统计模型,并估计出其统计模型参数;然后,利用局部最大势能(Locally most powerful,LMP)检验理论构造出局部最优检测器(Locally optimum decoder,LOD)以盲提取水印信息.仿真实验结果表明,本文算法可以较好地获得不可感知性、鲁棒性、水印容量之间的良好平衡,其总体性能优于现有同类音频水印算法.

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。

PDTDFB和双树HMT的图像去噪

针对金字塔对偶树方向滤波器组(PDTDFB)系数在尺度间、方向间的相关性和隐马尔可夫树模型(HMT)对这种相关性的有效地统计性的特点。提出了一种关于PDTDFB域系数的双树HMT模型应用于图像去噪。在仿真实验中与其他几种典型的去噪算法作对比,验证了提出的模型在图像去噪性能方面具有一定的优越性,较好地保持了图像的边缘细节信息。

加权Contourlet域隐Markov树纹理图像特征提取模型

为更好地利用相关性描述纹理图像特征,针对目前Contourlet域隐马尔可夫树模型（CHMT）只考虑父结点的一个相邻结点对子结点影响的不足,提出一种加权Contourlet域隐马尔可夫树模型对纹理图像特征提取模型。在分析子结点的状态时,考虑父结点信息的同时利用权重评价父结点兄弟结点对子结点的影响,并通过附加状态转移矩阵体现出来,更加准确地描述了Contourlet系数和HMT的内在联系;运用K-L距离计算图像间的相似度。实验结果表明,改进的模型比CHMT平均检索率高出7%~46%。

基于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)的基础上给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。

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Contourlet域HMT-3S模型的激光主动成像图像分割

基于Contourlet系数分布统计特性,结合隐马尔科夫树(HMT)-3S模型和贝叶斯准则,提出了一种基于Contourlet域HMT-3S模型的图像分割算法(CHMT-3Sseg),并将其用于激光主动成像图像的分割。CHMT-3Sseg方法首先利用HMT-3S模型充分挖掘子带间的相关性,通过HMT-3S模型参数训练和似然值计算得到了可靠的初始分割。为了获得较好的区域一致性和边缘准确性,对初始分割结果进行了基于邻域背景的多尺度融合。对合成图像和激光主动成像图像的实验结果表明:CHMT-3Sseg不但在边缘和方向信息保持上有明显改进,而且错分概率显著降低,对真实图像得到了理想的分割效果。

基于小波域HMT模型的序列图像超分辨率重建

鉴于基于小波域隐马尔可夫树的噪声抑制性和较好的边缘保持性,提出一种基于小波域隐马尔可夫树的序列图像的超分辨率重建算法。针对小波系数进行统计建模,讨论了不同尺度小波系数之间的隐马尔可夫树结构,利用了序列图像的运动信息,运用极大后验概率估计和贝叶斯原理,将小波域HMT作为图像先验知识并给出了超分辨率重建算法,最终通过EM算法和共轭梯度算法的交替迭代进行优化计算。实验结果表明方法的重建效果得到了明显的改进。

基于小波域HMT的图像杂波抑制方法

针对复杂背景下红外微弱点状运动目标的检测,提出一种基于小波域HMT模型的图像杂波抑制方法。对图像小波系数低频部分建立隐马尔可夫树模型,使用Bayesian准则估计图像背景小波系数,参照杂波抑制模型,得到杂波抑制后图像的信号加噪声模型,并通过计算Kendall秩相关系数和Friedman统计量验证了该方法残留噪声的高斯性和独立性。