基于Haar小波和Log-Gabor变换的虹膜识别方法

为了提高虹膜识别的准确率,通过对虹膜图像进行处理,实现了对虹膜图像的准确定位,得到了增强的归一化图像;使用Haar小波变换进行了特征提取,通过采用K-means方法对小波特征数据进行聚类,实现了粗分类得到了小样本集虹膜图像;结合虹膜的纹理特点,通过使用Log-Gabor滤波器提取虹膜局部纹理特征,量化编码后形成了虹膜特征模板;然后在得到的小样本集内通过汉明距离计算虹膜特征模板的相似度,完成对虹膜图像的识别。实验结果表明,提出的虹膜识别方法有效地避免了虹膜匹配过程中因为虹膜数据库中种类多、数量多带来的计算量大、计算时间长的问题,提高了识别准确率。     

基于Haar小波变换的快速指纹识别算法

指纹中不同的空间频率和纹理方向代表了指纹图像的内在特征。为了提取这些特征,提出了基于Haar小波变换的快速指纹识别算法。该算法在提取指纹特征有效区域的基础上,直接对指纹灰度图像进行Haar小波变换以获取指纹特征向量。与传统的基于指纹细节特征的识别算法相比大大减少了计算量。另外,还将指纹识别算法移植到嵌入式安全领域。在基于Arm7处理器(主频100MHz)架构的嵌入式平台上,对FVC2000标准指纹数据库进行了实验,得到了很好的FAR,FRR关系图,并且整个识别过程耗时在1 s左右。实验结果表明,本文算法在快速指纹识别方面是成功的。     

基于Haar小波的自适应数据压缩方法

在无线传感器网络中,传感器节点的通信带宽有限,节点输出数据量需要与之匹配。针对该问题,设计高频系数选择算法确定待传输的Haar小波系数选择、量化和编码,通过自适应调整数据压缩率控制输出数据量。理论分析与仿真结果表明,该方法可充分利用节点通信带宽,当温度和湿度数据压缩率为0.9时,数据重构均方差小于0.1。     

图像的Haar小波变换系数范围的研究

本文研究了图像Haar小波变换的系数范围，包含本级中的系数的关系和不同级之间的关系。     

基于Haar小波的同源图像消冗技术研究

针对分辨率不同、品质不同的同源①图像,提出一种基于Haar小波的图像消冗技术.该技术在Haar小波分解提取图像特征的基础上,利用图像特征向量的1-范数建立B+树索引,在B+树中通过范围查询计算不同图像的曼哈顿距离D1.同时为保证消冗的精确性,当D1≤T时,提取图像特征向量的部分数据构建集合,通过阈值t和不同集合中相同元素的个数v来判断是否进行消冗.实验表明,当t=5,T≤7000,消冗率②达到85%,消冗精度③为100%.     

基于Haar小波和保局投影的人脸识别

运用保局投影(LPP)算法进行人脸识别时,噪声会破坏真实流形。为此,提出一种解决噪声的新方法——HaarLPP方法。该方法利用Haar小波变换降低噪声的影响,运用LPP算法进行降维,依据最近邻准则完成人脸识别。基于AT&;T与Sheffiled人脸数据库的实验结果表明,该方法在噪声的敏感性方面优于传统LPP算法。     

基于局部线性嵌入和Haar小波的人脸识别方法

为了抑制局部线性嵌入算法对噪音的敏感性,结合Haar小波变换,提出了一种人脸识别的新方法。利用Haar小波变换将原始图像数据分解为高频分量和低频分量,忽略水平高频与垂直高频分量,并将低频分量按行堆叠的方式引入其原始图像数据中。通过LLE对该图像数据进行降维,求得训练和测试样本各自对应的矩阵。依据最近邻准则完成人脸识别。基于ORL与Sheffield人脸数据库的实验结果表明了该方法对改善传统LLE算法识别率的有效性。     

基于Haar小波的多尺度NLOS误差抑制算法

针对无线定位中非视距（Non-Line of Sight,NLOS）误差对定位精度的影响,在分析NLOS误差特性的基础之上提出了多尺度误差抑制算法。该算法将信号的多尺度估计方法和卡尔曼滤波相结合,利用小波变换特有的低通滤波特性能和小波阀值去噪能够很好地消除到达时间/到达时间差分（Time of Arrival/Time Diff of Arrival,TOA/TDOA）测量值中的NLOS误差,给出了Haar小波的实现方法。仿真实验结果表明,该算法在不同的NLOS误差模型和不同的信道环境下均能很好地抑制NLOS误差,较大幅度地提高了定位精度。     

基于形态Haar小波的SAR图像斑点噪声抑制方法

针对现有相干斑抑制算法不能在去除斑点噪声和保持图像边缘、细节信息之间做到很好的折中,提出了一种新的基于形态Haar小波变换的合成孔径雷达(SAR)图像斑点噪声抑制方法。该方法首先对SAR图像进行二维形态Haar小波分解,图像的边缘、细节和纹理信息在低频子带中得到了更好的保留,噪声主要分布在高频子带;然后,根据各高频子带噪声的特点,分别对高频子带进行均值和中值滤波达到去除斑点噪声的目的;最后,再对低频子带和处理后的高频子带进行形态Haar小波精确重构得到去斑图像。实验证明:该算法不仅大大改善了原始SAR图像的画面质量,同时很好地保持了原始SAR图像的纹理特性和细节信息;该算法去斑性能指标总体优于传统的Lee滤波、Frost滤波、Kuan滤波和小波软阈值法。     

基于形态Haar小波变换的多聚焦图像融合

针对多聚焦图像融合问题,提出一种基于形态Haar小波分解和重构的新方法。通过形态Haar小波分解源图像,在低频分量中保留图像边缘和细节,并采用加权平均法进行融合。高频分量先经Gauss滤波去除噪声和边缘效应,再按取大值的原则进行融合。结合形态Haar小波重构融合后的高低频系数获得融合图像。实验结果表明,该方法能最大限度地保留图像边缘和细节信息,与总体平均法和小波变换法相比,融合图像的熵较大,总体交叉熵较小。     

自适应提升小波变换与信号去噪

文章引入了基于提升法的自适应离散小波变换,根据LMS自适应法使伯恩斯坦预测算子自适应匹配特定的数据序列,而且应用该方法于信号的软域值去噪,数值仿真实验表明自适应提升小波变换同经典的小波变换相比,去噪后信号的信噪比效率相近,提升方法的优点在于其设计上的灵活性和计算简单。     

基于小波变换的图像融合研究

主要讨论了基于小波变换的多传感器图像融合算法。它的中心思想是把图像分解到不同的频率段上，然后在各自的频率段上分别采用不同的融合算子进行融合处理，从而得到完整的图像信息。     

基于提升结构的自适应小波变换研究

对提升结构的更新算子U（Update）和预测算子P（Predict）都进行了自适应设计。在更新算子U的设计中,主要对现有算法进行了改进,使变换得到的近似信号更能表现原始信号的特点;在预测算子P的设计中,提出了一种新的变步长LMS算法,与现有方法相比,此算法具有更快的收敛速度。采用此方法能在不传递任何附加信息的情况下实现视频信号的完全重构,更好地满足视频压缩中渐进传输及多分辨率分析的要求。     

用JAVA语言实现基于Haar小波变换的数字图像压缩

小波变换理论是近几年发展起来的一个新的数学分支。由于它克服了传统傅里叶变换的缺陷，具有良好的时、频局部化性能，从而使得小波理论在图像处理领域得到了广泛的应用。大部分关于数字图像处理方面的教材和论文都是以VC和MatLab软件作为图像处理的工具，本文试图从工程和实验角度出发，较为直观地探讨用JAVA语言实现基于Haar小波变换的数字图像压缩。     

图像编码方向自适应提升小波变换

提出一种基于分块的图像编码方向自适应提升小波变换( DA-LWT),在每级变换中采用固定的方向块大小,仅保留一、二级变换所产生的方向信息,更高级别的方向由其前两级预测获得,从而减少边信息的开销。根据图像块的最小预测残差能量自适应选择滤波器的滤波方向,有效消除图像相邻像素间的冗余,降低高频系数能量。采用基于分数像素插值方案,提高方向分辨率。实验表明,DA-LWT的变换系数具有更好的“零树”特性,可取得比传统提升小波变换更好的编码效率和视觉效果。     

基于双树复小波变换的图像融合方法

为获得更好的融合效果,提出基于双树复小波变换的图像融合方法。双树复小波变换具有平移不变性、方向选择性等特点,适合进行图像融合,优于传统离散小波变换方法。给出多策略的融合规则,源图像小波变换后低频采用区域清晰度,高频采用区域标准差。灰度多聚焦图像和彩色多聚焦图像的融合实验测试以及评价指标的统计结果,表明了双树复小波变换方法的优势和所用融合规则的有效性。     

基于小波变换和Kalman滤波的语音增强方法

针对受加性噪声干扰的语音信号,采用基于小波变换的Kalman滤波方法,提出一种有效的语音增强方法.分析在实际处理中所遇到的二进小波变换、滤波参数估计、Kalman滤波发散等问题.语音增强的效果采用信噪比来进行评估.仿真实验表明在加性噪声为高斯白噪声和色噪的情况下,该方法均具有较好的有效性.     

基于提升框架的非张量积小波图像融合方法

利用Geert Uytterhoeven提出的一种非张量积小波(Red-Black小波)来进行图像融合。首先基于提升框架的思想构造Red-Black小波,然后将其应用于两组图像融合实验:不同聚焦点图像融合与可见光—红外图像融合;并分别采用基于统计特性和信息量的评价指标,将本文方法与db4张量积小波的图像融合方法进行了比较。实验结果表明,本文的方法优于db4张量积小波的图像融合方法。     

基于曲波变换和小波变换的图像去噪算法

针对应用曲波变换进行图像处理过程中所产生的伪影现象,提出一种基于快速离散曲波变换和小波变换的联合去噪算法。对噪声图片分别采用非抽样小波变换和快速离散曲波变换进行去噪,并对经过快速离散曲波变换去噪后的图像进行四叉树分解,根据分解结果对图像进行重构得到最终融合图像。实验结果表明,联合去噪算法对图像的边缘和均匀区域都有较好的去噪效果,能够有效抑制伪影,具有较高的峰值信噪比。