基于权重系数的木材图像增强及识别

为了进一步提高机器识别木材的准确性,提出基于权重系数的木材图像增强方法。将采集的图像利用离散小波变换分为4个不同的子带,对LL子带采用权重系数检测相似的像素点,对LH、HL和HH子带利用局部方差法进行定向筛选,对上述子带均采用傅里叶系数作差法,同时结合阈值进行混淆判断;对LL子带采用方向自适应滤波消除混淆,对LH、HL和HH子带采用自适应小波收缩消除混淆,最后经过小波逆变换得到增强后的重建图像。选取榆木木片和树皮为识别对象,对其图像进行增强处理,然后利用BP神经网络进行识别。结果表明,本研究方法较传统的图像增强方法提高了榆木木片和树皮的识别率。     

小波和傅里叶相融合的彩色木材图像增强

针对现实生活中彩色图像普遍存在不清晰和对比度差的情况,在RGB模型上提出了一种新的彩色图像增强算法,并且应用到了木材图像领域。将彩色木材图像分解为RGB3个通道,首先使用滤波器把3个通道分别分解成高低频子带;然后使用傅立叶变换和小波变换相融合的方式进行锯齿检测,同时进行阈值判断;之后对检测到的锯齿进行消除,低频子带使用方向自适应滤波器,高频子带使用小波收缩函数进行消除;再使用小波逆变换返回3个通道;最后将3个通道还原成彩色图像。结果表明,该方法和传统方法相比较,可以有效保持图像的边缘特征,达到增强效果。以樟子松微观横截面为例,峰值信噪比PSNR提高了5.05,信息熵提高了3.14。本研究同时采集了榆木微观横截面、杨木宏观横截面和云杉微观横截面,其图像均得到增强。     

基于PLS小波双立方配比插值的图像复原研究

针对人脸图像复原问题,提出了基于偏最小二乘法回归(Partial Least Squares,PLS)的超分辨率复原技术与小波双立方配比插值放大结合的算法。对低分辨率图像进行小波分解后得到的3个高频子图像插值,然后用小波逆变换进行重建。同时对低分辨图像进行双立方插值,插值后的图像与小波重建图像进行融合,提取融合图像特征作为训练样本,应用偏最小二乘法回归进行样本训练,最后得到复原高分辨率图像。试验结果表明,基于偏最小二乘法小波双立方配比插值的图像复原算法比传统插值算法(最近邻插值、双线性插值、三次样条插值)在人脸图像复原方面效果好。     

一种基于视觉特性的小波包图像编码压缩方法

针对图像能量分布特点及人眼对图像特殊区域敏感程度的不同,提出利用小波包对图像的低频子带和高频子带都进行多分辨率分解,并充分利用人眼的视觉特性和不同子带间小波包系数的相关性对系数进行编码。实验结果表明在保证优先编码视觉上最重要系数的同时,能够进一步提高图像复原质量。     

基于小波变换的图像融合算法

图像融合技术的研究目的就是综合不同类型的传感器所获取的图像信息,通过对多幅图像间冗余数据的处理提高图像的可靠性和可观察性,通过对多幅图像间互补信息的处理提高图像的效果。提出了一种基于小波的融合算法,该算法基于小波图像的能量集中在低频子带、细节体现在高频子带的特点,在低频部分对小波系数采用基于局部能量的加权融合方法处理,高频部分采用基于边缘信息的加权算法进行融合。结果表明:所采用的方法避免了图像融合过程中因平均化而出现的模糊现象,融合后的图像内容更加清晰,更容易识别。实践证明,基于小波变换的图像融合可以取得良好的结果和较快的处理速度。     

基于图像处理和SVM探索木材与树皮的新识别参数

木材工业生产中,需将树皮和木材分离,进而提高木材的使用效率。运用木材和树皮的5个特征参数和数字图像处理技术对榆木(光秃大果榆Ulmus macrocarpa var. glabra)、柳木(杞柳Salix integra)和松木(樟子松Pinus sylvestris var. mongolica)的木材与树皮图像进行分类识别,其中均方差比是本文提出的识别参数。通过对图片进行数字图像处理,得出参数的最大值和最小值, 利用多项式函数和非线性函数对木材和树皮识别,再对参数进行评估,筛选出最佳参数。结果表明,参数均方差比识别率最高分别达到97.7%和 94.7%,且多项式函数的识别效果高于非线性函数的识别效果。     

利用双通道卷积神经网络的图像超分辨率算法

目的 图像超分辨率算法在实际应用中有着较为广泛的需求和研究。然而传统基于样本的超分辨率算法均使用简单的图像梯度特征表征低分辨率图像块,这些特征难以有效地区分不同的低分辨率图像块。针对此问题,在传统基于样本超分辨率算法的基础上,提出双通道卷积神经网络学习低分辨率与高分辨率图像块相似度进行图像超分辨率的算法。方法 首先利用深度卷积神经网络学习得到有效的低分辨率与高分辨率图像块之间相似性度量,然后根据输入低分辨率图像块与高分辨率图像块字典基元的相似度重构出对应的高分辨率图像块。结果 本文算法在Set5和Set14数据集上放大3倍情况下分别取得了平均峰值信噪比(PSNR)为32.53 dB与29.17 dB的效果。结论 本文算法从低分辨率与高分辨率图像块相似度学习角度解决图像超分辨率问题,可以更好地保持结果图像中的边缘信息,减弱结果中的振铃现象。本文算法可以很好地适用于自然场景图像的超分辨率增强任务。     

基于Contourlet与子空间投影的ICA手部特征多模融合识别算法

本文提出了1种基于Contourlet与ICA相结合的手部生物特征多模态融合的识别算法。这种多模融合的算法主要利用掌纹和指横纹特征2种模态进行融合,首先把掌纹和指横纹图像分别用Contourlet小波变换,得出一个低频分量和一些列的高频子带,其低频分量可体现纹理的概貌,高频子带可以概括纹理细节,将用Contourlet小波变换提取出来的掌纹与横纹的低频分量再用ICA算法对数据进行降维处理,再用归一化和简单加权融合的方法进行融合处理,最后用分类比对法计算出识别率。通过实验测试表明,两种模态融合的效果要优于单一的掌纹或指横纹的识别效果,证明了该算法的有效性。     

基于DWT和SVD的视频水印算法研究

针对现有的大多数视频水印算法不能很好地抵抗几何攻击的问题,基于离散小波变换(DWT)和奇异值分解(SVD)的视频水印算法,利用离散小波变换的多分辨率特性及奇异值的旋转、位移、转置、镜像变换的不变性,将置乱后水印的奇异值嵌入到离散小波变换的低频子带图像的奇异值上,得到较好的不可见性并实现了盲检测。实验表明,此算法能够对大多数水印攻击具有很好的鲁棒性,尤其提高了对抗空间上同步攻击的鲁棒性。     

玉米生长期叶部病害图像识别预处理研究

针对玉米生长期叶部病害的图像,引入图像模式识别技术,实现病害图像的预处理。基于传统算法的不足,提出一种改进的小波图像增强算法,提高了图像的识别精度;深入研究了病害图像的直方图均衡化预处理、基于矢量中值滤波的图像增强操作算法,并引入超绿特征值进行图像分割,从而实现了对目标图像的去噪、增强,为下一步的特征提取与病害识别打下了良好基础。     

基于图像处理的木片与树皮的新识别参数研究

利用数字图像处理技术对樟子松、柳木和榆木的木片和树皮图像进行分类识别,首先提取木片和树皮图像的均方差比等6个识别参数,分析其最大值和最小值,然后用支持向量机和BP神经网络对这6个识别参数进行识别研究。结果表明,新识别参数——均方差比,无论用支持向量机,还是BP神经网络,其识别率都较高,因此,均方差比可作为木片与树皮识别的新识别参数。为造纸生产中,将树皮和木片分离,提高纸张质量提供依据。     

基于双通道PCNN的玉米种子机械裂纹检测方法

针对玉米种子机械裂纹检测准确率低的问题,提出一种基于双通道脉冲耦合神经网络(PCNN)模型的数字图像融合方法:1)运用离散小波变换(DWT)、非下采样轮廓波变换(NSCT)分别对预处理后的玉米种子机械裂纹图像进行分解,得到各自的高低频子带;2)对高低频子带系数分别采用不同链接强度的改进空间频率激励的双通道PCNN模型进行融合操作,得到融合后的高低频子带系数;3)通过NSCT反变换得到最终的玉米种子机械裂纹图像.试验结果表明:采用双通道PCNN模型检测玉米种子机械裂纹的准确率为97.2％;图像熵、相关熵、相关系数、均方根误差分别为0.3511、1.7314、0.9835和0.5263,整体优于LoG、DWT、NSCT和PCNN方法;双通道PCNN方法的单张图像的执行时间为14.9007 s,运行时间最长,但效果最优.     

用于CMOS图像器件的超分辨率算法研究

提出一种基于CMOS图像器件的超分辨率图像合成算法,该方法将4幅沿水平、垂直及对角线方向错位获取的CMOS图像重新组合,得到一幅重建的新图像.对重建图像的像素灰度进行了理论分析和计算,求出了重建超分辨率图像的算法.结果表明,在不提高CMOS工艺水平的条件下,该算法能将重建的CMOS图像的分辨率提高到原图像的2×2倍.实现了CMOS图像器件的超分辨率图像合成算法.对该算法进行了计算机仿真,结果同理论分析计算的结果完全一致,证明了所提出的CMOS图像器件超分辨率算法是正确的.     

基于内容的医学图像小波融合算法

针对CT和 MR医学图像的融合增强问题,基于小波变换方法,引入边缘检测和二值化处理的思想,对小波变换的融合规则进行改进,即在低频子带融合规则中引入边缘检测图像以保护图像轮廓信息,在高频子带融合规则中引入二值化图像以保护图像的细节信息。数值试验结果表明,该算法能在融合图像中较好地保留边缘和细节信息,使得合成图像更加清晰完整。     

基于小波分解与分形维的木材纹理分类

为了对木材纹理进行分类,用Symlet-4小波对1 000幅木材纹理图像进行了2级分解并重构,形成8幅子图像。利用自相关函数对8幅重构图像及原图像计算了分形维数。分析表明:原木材图像的分形维数反映了木材纹理的总体规则性和复杂程度;多分辨率下,各近似和水平、垂直、对角三个细节图像的分形维数描述了纹理细节,当木材纹理细致时,图像的分形维数较小;当木材纹理粗糙时,分形维数较大。     

基于C-V模型的木材缺陷重建图像特征提取

以含有裂纹的柳木木材、含有空洞的椴树木材为样本,实验研究了基于细胞反演法的木材重建图像的特征提取。首先,利用细胞的反向投影方法将木材断层图像进行重建后,对所得图像进行开启化平滑处理;然后,利用C-V模型获取木材断层图像中缺陷部分特征;最后,将测得的木材缺陷面积值与真实值进行比较。结果表明:利用C-V模型可以将重建的缺陷图像特征准确的分割出来,实现了对此细胞反演法重建质量的评价;为木材缺陷重建图像的质量评估提供了方法,为今后木材缺陷监测仪的设计提供参考。     

基于小波分析的图像压缩与去噪研究

介绍了图像小波分析的基本理论和基于小波变换的分解与重构原理,利用小波变换对二维图像进行分解,将原始图像分解成不同方向、不同频率成分的子图像.同时对含噪图像进行小波分解,通过选取适当的阈值,对小波分解系数进行阈值量化,再对高低频系数重构,实现图像的去噪.最后运用MATLAB仿真平台进行仿真验证,仿真结果表明:利用小波分析对图像进行压缩和去噪可以得到非常好的压缩效果和去噪效果,对工程应用具有一定的借鉴意义.     

基于PSO优选特征的实木板材缺陷的压缩感知分选方法

针对实木板材表面缺陷的复杂性与随机性,提出了一种快速、准确的识别方法。首先,对实木板材表面图像进行3级双树复小波分解,提取低频子带、高频子带、原图像的均值、标准差和熵,共40维特征向量;然后,运用粒子群算法(PSO)优选出20个关键特征;最后,采用压缩感知理论将优选后的特征向量作为样本矩阵列,构建训练样本数据字典,通过最小残差完成缺陷识别。对4类柞木样本进行了仿真实验,活结、死结、虫眼、裂纹的分类正确率分别为93.3%、86.7%、100%和93.3%,结果表明:双树复小波良好的方向性能够表达实木板材表面复杂的信息;基于粒子群算法的特征选择能够提高分类效率;压缩感知分类器与传统分类器相比,具有结构简单、分类精度高的特点。      

多任务学习框架下的单帧图像超分辨率重建（英文）

为了充分利用图像的自相似性质,针对图像的超分辨率重建问题构造了一个多任务学习的问题,并基于高斯过程回归进一步扩展,提出了一个新颖的单帧图像超分辨率重建算法.该算法能够在图像的超分辨率重建结果中有效地抑制图像显著边缘处出现的噪声和伪影,并能生成视觉效果更为自然的高分辨率图像.实验表明该算法产生的高分辨率图像结果能够相当于甚至超越当前先进的算法.     

基于量化误差估计模型的视频超分辨率重建算法

提出了一种量化噪声的综合分布模型来估计量化过程带来的误差,并结合深度学习进行超分辨率重建。首先对数据库训练样本进行矫正量化误差的预处理,然后通过训练学习误差矫正后的低分辨率视频帧与高分辨率视频帧之间的特征,获得更加准确的映射关系,减少了量化过程带来的误差和质量损失。实验结果表明,本实验的算法不管在主观体验还是客观指标上都优于以前的算法。