基于混沌置乱的军工图像数字水印算法

军工图像的安全保护是军工行业与企业信息系统建设的重要课题之一。文中提出了一种基于混沌置乱的离散小波变换(Discrete Wavelet Transform,DWT)军工图像水印算法。实验结果表明,该算法具有良好的保密性和鲁棒性。     

一种基于小波变换与奇异分解的图像水印算法

提出一种基于离散小波变换(Discrete Wavelet Transform,DWT)与奇异值分解(Singular Value Decomposition,SVD)相结合的数字水印算法。该算法将原始图像的小波子图进行奇异值分解,将灰度水印图像进行Arnold变换以及扰乱加密,再进行分块离散余弦变换(Discrete Cosine Transform,DCT),将变换后的系数分类嵌入到相应的奇异值中。实验仿真表明,这种方法能抗大多数图像处理攻击,具有良好的鲁棒性。     

一种自适应多尺度积阈值的图像去噪算法

该文提出了平稳小波变换(Stationary Wavelet Transform, SWT )域自适应多尺度积阈值的图像去噪算法(SWT domain Multiscale Products, SWTMP)。与传统的阈值去噪算法不同,该阈值不是直接作用于小波系数,而是作用于小波系数的空间多尺度积。分析了SWT域含噪图像多尺度积的特点,提出了SWT域自适应多尺度积阈值的计算方法。多尺度积强化了图像的重要结构信息,弱化了噪声,在有效去噪的同时更多地保留了图像的边缘和细节。实验结果表明,所提算法对自然图像去噪后的视觉效果和性能指标均好于二进小波域多尺度积阈值(Adaptive Multiscale Products Thresholding, AMPT)去噪方法。     

基于小波变换和深度网络的着陆地貌图像分类

针对无人机着陆地貌图像场景复杂、纹理特征丰富等问题,提出一种基于小波变换和深度网络的无人机着陆地貌图像分类算法.利用非下采样小波变换(Non-Subsampled Wavelet Transform,NSWT)的快速压缩能力,将小波变换后的前两层子图系数引入到卷积神经网络(CNN)中,压缩数据量.根据无人机着陆地貌图像的特点,采用轻量化卷积模块设计了15层卷积神经网络.通过支持向量机(SVM)实现复杂地貌场景的正确分类.实验结果表明:所提算法具有良好的特征表达能力,提升了着陆地貌图像的分类准确率.     

基于NSST-DWT-ICSAPCNN的多模态图像融合算法

为了增加融合图像的信息量,结合非下采样剪切波变换（Non-Subsampled Shearlet Transform, NSST）和离散小波变换（Discrete Wavelet Transform, DWT）的互补优势,提出了改进的多模态图像融合方法。采用NSST对两幅源图像进行多尺度、多方向的分解,得到相应的高频子带和低频子带;利用DWT将低频子带进一步分解为低频能量子带和低频细节子带,并利用最大值选择规则融合能量子带;采用改进连接强度的自适应脉冲耦合神经网络（Improved Connection Strength Adaptive Pulse Coupled Neural Network, ICSAPCNN）分别融合细节子带和高频子带,并对能量子带和细节子带进行DWT逆变换,得到融合的低频子带;采用NSST逆变换重构出细节信息丰富的融合图像。实验证明,提出的算法在主观视觉和客观评价方面均优于其他几种算法,且能同时适用于红外与可见光源图像、医学源图像的融合。     

基于双树复数小波变换的SAR图像噪声抑制方法

利用双树复数小波变换(Dual Tree Complex Wavelet Transform,DTCWT)的近似平移不变性和多方向选择性,提出了一种基于DTCWT变换的SAR图像噪声抑制方法。首先对无噪声污染图像的复数小波系数的统计概率分布进行建模;然后利用此先验概率模型,采用最大后验概率方法从含噪小波系数中估计出无噪声污染的小波系数;最后经重构得到滤波后的图像。实验结果表明,此方法优于其他一些相干斑抑制方法。     

基于SGWT和多显著性的红外与可见光图像融合

由于谱图小波变换（Spectral Graph Wavelet Transform, SGWT）可充分利用图像在图域中的光谱特性,本文结合其对不规则小区域表达的优势,提出了一种基于多显著性的红外与可见光融合算法。首先应用SGWT将源图像分解成一个低频子带和若干个高频子带;对于低频系数,将多个互补的低层特征结合起来,提出了一种适合人眼视觉特征的多显著性融合规则,对于高频系数,充分考虑邻域像素的相关性,提出了一种区域绝对值取大规则;最后,应用了一种加权最小二乘优化（weighted least squares, WLS）方法对谱图小波重构的融合图像进行优化,在突出显著目标的同时尽可能多地保留可见光的背景细节。实验结果表明,与DWT（Discrete Wavelet Transform）、NSCT（Non-down Sampled Contourlet Transform）等7种相关算法相比,在突出红外目标的同时还能保留更多的可见光背景细节,具有较好的视觉效果;同时在方差、熵、Q_abf和互信息量4个客观评价上也均占据优势。     

HEVC静态图像压缩与JPEG2000性能比较与分析

基于离散小波变换DWT(Discrete Wavelet Transform)的JPEG 2000代表着静态图像的最高水平.HEVC(High Efficiency Video Coding)提出了一个静态图像压缩档次——Main Still Profile,其帧内编码模式采用多种新的算法实现.通过大量实验比较发现,基于HEVC静态图像压缩比JPEG 2000具有更高的压缩效率,将来有望取代JPEG 2000成为新的静态图像压缩标准.     

基于灰色关联度的提升小波域图像融合算法

针对多聚焦图像,提出了一种基于提升静态小波变换(Lifting Stationary Wavelet Transform,LSWT)和灰色关联度相结合的图像融合算法.首先将待融合的两幅图像分别进行提升静态小波变换,低频分量采用平均法融合.其次针对低频分量和各个方向的高频分量,分别计算以每个像素为中心的方块的能量和均值.然后按照一定的融合规则,分别得到高频分量融合后的值.最后进行提升小波逆变换,得到融合后的图像.实验结果显示,该方法融合效果较好,优于传统算法.     

基于正交小波变换的图像去噪算法研究

提出了一种基于正交小波变换的图像去噪方法,首先利用离散小波对图像信号按Mallat算法进行分解,然后采用软闽值与小波重构的算法进行去噪。深入研究了小波变换中的图像分解与重构的Mallat算法,详细介绍了正交小波变换中阈值的选取,并进行了实验研究。实验结果表明,该方法可以有效去除噪声,并保留了图像细节部分的有用信息。     

基于小波域Curvelet变换的湍流图像去噪算法

为了提高湍流图像的空间分辨率,提出了一种基于小波域Curvelet变换(wavelet domain Curvelet transform,WDCT)的湍流图像去噪算法。该算法根据湍流退化图像噪声的统计特性,结合贝叶斯萎缩方法优化阈值选择。首先,对含噪湍流图像进行单层二维离散小波变换,接着提取高频系数并对它作快速离散Curvelet变换,最后根据贝叶斯准则估计阈值T,改进阈值的自适应选取方法,获得最优阈值,最后给出湍流图像去噪实现过程。为验证本文算法,根据客观评价标准峰值信噪比(peak signal to noise ratio,PSNR)和均方根误差(mean square error,MSE),对模拟图像和实测湍流图像进行去噪实验。与DWT-NABayesShrink算法、UWT算法相比,视觉效果更好,PSNR值分别提高7.27%和4.92%,MSE值分别降低26.3%和23.1%。本文算法得到较清晰的目标图像,对湍流退化图像去噪有一定的应用价值。     

基于双变量收缩函数的对偶树复小波图像去噪

常用离散小波变换缺乏平移不变性和良好的方向选择性,并且在图像去噪中使用的模型没有充分考虑系数间的相关性,导致去噪效果不理想.为了克服上述离散小波变换图像去噪的不足,提出了利用对偶树复小波变换与双变量收缩函数相结合的图像去噪算法.实验结果表明,该算法比传统算法有更好的去噪效果.     

基于平稳多小波变换的红外图像噪声抑制方法

提出了一种平稳多小波变换方法,该方法结合多小波和平稳小波变换在信号去噪方面的优点,给出了二维图像平稳多小波变换的mallat分解重构算法,并对红外图像的平稳多小波变换系数进行阚值处理实现图像去噪,仿真结果表明,相对于平稳标量小波变换和多小波的噪声抑制方法,此方法对噪声有更好的抑制作用,并尽可能多的保持目标的特征和细节．     

Image denoising with anisotropic bivariate shrinkage

This paper presents a novel image denoising algorithm based on the modeling of wavelet coefficients with an anisotropic bivariate Laplacian distribution function. The anisotropic bivariate Laplacian model not only captures the child-parent dependency between wavelet coefficients, but also fits the anisotropic property of the variances of wavelet coefficients in different scales of natural images. With this statistical model, we derive a closed-form anisotropic bivariate shrinkage function in the framework of Bayesian denoising and a new image denoising approach with local marginal variance estimation based on this newly derived shrinkage function is proposed in the discrete wavelet transform (DWT) domain. The proposed anisotropic bivariate shrinkage approach is also extended to the dual-tree complex wavelet transform (DT-CWT) domain to further improve the performance of image denoising. To take full advantage of DT-CWT, a more accurate noise variance estimator is proposed and the way the anisotropic bivariate shrinkage function applied to the magnitudes of DT-CWT coefficients is presented. Experiments were carried out in both the DWT and the DT-CWT domain to validate the effectiveness of the proposed method. Using a representative set of standard test images corrupted by additive white Gaussian noise, the simulation results show that the proposed method provides promising results and is competitive with the best wavelet-based denoising results reported in the literature both in terms of peak signal-to-noise ratio (PSNR) and in visual quality.     

基于小波变换的结构光光条图像去噪方法

结构光光条图像通常受到大量噪声的干扰,会对光条图像分析的造成影响。本文通过对结构光光条图像的噪声特点的分析,结合中值滤波和小波去噪特性,提出基于自适应中值滤波和改进小波重构的去噪方法。用本文提出的方法对结构光光条图像进行去噪处理,并与传统小波软阈值去噪法等其他去噪方法结果进行对比。使用客观的评价标准对两种方法去噪效果进行评价,结果表明,本文提出的去噪方法对结构光光条图像有更好的去噪效果。     

Microarray image enhancement by denoising using decimated and undecimated multiwavelet transforms

In this paper, we present a new approach to deal with the noise inherent in the microarray image processing procedure. We use the denoising capabilities of decimated and undecimated multiwavelet transforms, DMWT and UMWT respectively, for the removal of noise from microarray data. Multiwavelet transforms, with appropriate initialization, provide sparser representation of signals than wavelet transforms so that their difference from noise can be clearly identified. Also, the redundancy of the UMWT transform is particularly useful in image denoising in order to capture the salient features such as noise or transients. We compare this method with the discrete and stationary wavelet transforms, denoted by DWT and SWT, respectively, and the Wiener filter for denoising microarray images. Results show enhanced image quality using the proposed approach, especially in the undecimated case in which the results are comparable and often outperform that of the stationary wavelet transform. Both multiwavelet transforms outperform the DWT and the Wiener filter.     

一种基于小波变换的自适应图像降噪法

提出了一种基于二进小波变换的图像降噪方法,通过对小波变换系数进行阈值处理实现降噪。该方法结合图像的自身邻域信息,具有一定的自适应性。实验结果证明能够产生较好的效果。     

基于自蛇模型和小波分析的图像去噪

提出基于自蛇模型和小波分析的集成图像去噪算法,以及峰值信噪比、保护边缘指数的去噪性能综合评价指标。首先利用自蛇模型对含噪图像滤波,然后将处理后的图像进行小波分解,保持低频分量系数,对其高频分量再次利用自蛇模型去噪,最后对处理后的小波系数进行重构,得到去噪后的图像。实验结果表明,本文算法在去噪能力和和保护边缘能力两方面均好于自蛇模型算法和2次迭代自蛇模型算法。     

Image Super Resolution Based on Interpolation of Wavelet Domain High Frequency Subbands and the Spatial Domain Input Image

In this paper, we propose a new super‐resolution technique based on interpolation of the high‐frequency subband images obtained by discrete wavelet transform (DWT) and the input image. The proposed technique uses DWT to decompose an image into different subband images. Then the high‐frequency subband images and the input low‐resolution image have been interpolated, followed by combining all these images to generate a new super‐resolved image by using inverse DWT. The proposed technique has been tested on Lena, Elaine, Pepper, and Baboon. The quantitative peak signal‐to‐noise ratio (PSNR) and visual results show the superiority of the proposed technique over the conventional and state‐of‐art image resolution enhancement techniques. For Lena's image, the PSNR is 7.93 dB higher than the bicubic interpolation.