双树复小波域图像非线性扩散滤波

提出了结合一种双树复小波变换的非线性扩散图像滤波模型。充分利用了双树复小波变换和非线性扩散两者的优点。通过对噪声图像经双树复小波变换后的不同尺度上的子带图像进行扩散,在双树复小波域计算子带图像的梯度.采用p-范数方法选择合适的梯度阈值,在扩散过程中可以根据图像属性自适应选择扩散强度。实现了建立在图像精细分析基础上的新非线性扩散模型。实验分析表明,提出的模型能有效抑制传统非线性扩散模型出现的阶梯效应,在对图像滤波的同时能保留更多的图像边缘,纹理等细节信息。

多尺度地震信号属性分析

地震信号的瞬时属性分析对地震岩性解释和烃类检测很有帮助，通常采用希尔伯特变换的复数道分析方法。利用这种方法，可以比较方便地从地震记录中分离出波的瞬时振幅、瞬时频率、瞬时相位等参数。信号的不同频带具有不同的属性特征，而小波变换具有对信号进行多尺度分解的特性，如采用解析小波则分解后的小波系数仍为一解析信号，且其虚部是其实部的希尔伯特变换。因此根据这一特点可以研究地震信号在不同分辨率下的属性特征。

基于小波的大脑图像边界跟踪算法研究

准确提取医学图像中目标的边界在图像处理分析和医疗应用领域具有重要意义。针对大脑图像中纹理复杂,难以区分非正常区域和正常区域边界的问题,本文提出了一种基于小波多尺度分析的边界跟踪方法。该方法首先对原始大脑图像进行小波变换,得到图像的多分辨率表示,然后利用一种改进的轮廓跟踪算法对最低分辨率的图像进行跟踪,最终获得了大脑中非正常区域的边界。实验结果表明该算法可以有效地去除噪声以及脑部正常纹理的干扰,提取出目标特别是非正常区域的边界特征,执行效率高,跟踪准确。