基于Bubble小波的多尺度边缘提取

侧抑制是生物视觉信息处理中广泛存在的一种机制，Ｂｕｂｂｌｅ函数很好刻画了侧抑制现象。本文利用Ｂｕｂｂｌｅ函数构成小波，高斯函数作为平滑函数，用Ｍａｌｌａｔ快速算法进行小波分解，分解的局部极大值就是多尺度边缘，理论和实验都表明，这种算法对于不同的尺度，有不同的抑制噪声的能力和提取边缘细节的能力，当Ｂｕｂｂｌｅ函数的尺度较大时，抑制噪声的能力增强，提取边缘细节的能力变差；当Ｂｕｂｂｌｅ函数的尺度较小时，抑制噪声的能力变弱。

基于Bubble函数的子波构造

本文首次系统地探讨基于 Ｂｕｂｂｌｅ函数的子波构造原理和方法。通过选取不同形状参数和时移因子，可以得到许多具有不同侧抑制性能的子波函数．文中给出了相应的Ｍａｌｌａｔ塔式分解快速算法所用的滤波器组系数计算公式与设计条件。

基于改进Bubble函数的红外图像边缘提取方法

针对bubble函数不具有调节带宽的缺点,提出了一种改进的bubble函数,该改进函数能够通过调节参数来获取不同时域、频域响应和滤波效果。将改进后的bubble函数与平稳小波相结合构造出多分辨率网络,该网络利用平稳小波变换去除噪声、利用改进bubble函数增强图像边缘,从而可以准确、有效、快速的提取出图像的边缘。实验结果表明,该方法优于传统bubble函数与平稳小波相结合提取边缘的效果。

改进Bubble函数的多分辨率边缘提取方法

在数学上,通常用Bubble函数来描述神经系统的侧抑制现象。Bubble函数在频域里相当于一带通滤波器,它可以反映不同的时域、频域特性,但它不具有调节带宽的功能。因此对Bubble函数进行改进,改进后的Bubble函数能够通过调节参数来获取不同时域、频域响应和滤波效果。最后,用改进的Bubble函数将小波和侧抑制有机地结合,构造出多分辨率侧抑制网络,该网络利用小波变换去除噪声、侧抑制网络突出边缘,从而可以准确、有效、快速地提取出图像边缘。

具有侧抑制机制的视觉系统模型及在图像边缘提取中的应用

本文提出了一种具有广泛局域动态抑制联结的初级视觉系统模型（RCNN）．此模型把视网膜水平的神经系统看成是具有广泛局域联结的阵列网络我们系统地分析了其动力学性质。

平稳小波的侧抑制网络边缘提取方法

侧抑制网络具有“突出边框,增强反差”的功能,但其增强反差的同时也增强了噪声,其抗噪性较差。正交小波阈值去噪法对图像噪声有一定抑制作用,然而对于图像中噪声幅度较大的情况下,正交小波变换会使图像边缘失真,甚至模糊。基于平稳小波变换的图像去噪法,可以有效降低噪声的同时较好地保持图像的质量,与基于正交小波变换的阈值降噪方法相比,有明显的优越性。因此利用新Bubb le函数将平稳小波和侧抑制网络结合起来,用平稳小波变换去除噪声、侧抑制网络突出边框,从而准确、有效地提取出图像的边缘。