方向性多分辨率图像分析研究：理论和应用

摘要

本论文研究方向性多分辨率分析和神经网络PCNN在图像分析中的应用。 有关方向性多分辨率分析的研究一直是信号处理的重点内容。有许多在多分辨率分析框架下提取信号方向性信息的方法，这些方法都试图提供高维信号的方向性表达，附加地还必须满足理想重构，低冗余度，高计算效率等性质。DTCWT、Contourlets、NSCT、PDTDFB等变换是目前流行的方向性多分辨率分析方法，但它们都有各自结构性的缺陷。 神经网络PCNN是优异的图像分析工具，是一种具有旋转不变、尺度不变、平移不变等特点的图像变换方法。PCNN可以提供对原图像在不同尺度下的逼近序列，因而具有多分辨率分析的性质。与小波和多尺度分析不同，PCNN直接检测边缘信息，这些边缘信息可用于特征提取、图像分割、目标识别、除噪和增强等应用。 本论文的主要内容和贡献如下： 1、基于解析信号复小波变换的思想，提出了基于解析信号的P-Contourlet变换，通过在原始信号的解析信号上实施Contourlet变换，实现了一种平移不变的方向性多分辨率方法，变换具有相信息。根据方向性分辨率的不同，我们将该方法分为单通道方法P-Contourlet-I和双通道方法P-Contourlet-II。P-Contourlet实现结构简单，冗余度较低。纹理分类实验结果表明，P-Contourlet是一种非常有效的图像分析工具。 2、基于对偶树复小波的思想，提出对偶树Contourlet变换DTCT。我们研究PDTDFB的结构和实现方法，认知到它在滤波器设计和系统实现上存在一些问题，所以我们提出一种易于实现的结构DTCT。两个级联的DFBs树形结构对拉普拉斯金字塔的高通子带进行方向性分解，单独的每个树形结构构造为正交系统，实树和虚树对应的滤波器之间满足一定的相约束条件，整个变换为紧框架。我们分析了DTCT的系统结构和滤波器特性，并提出了系统所需要的滤波器设计方法。DTCT实现了近似的平移不变性，方向性分辨率和PDTDFB相同，由于是双树结构，变换具有相信息。与PDTDFB相比，具有结构上的简单性和实现的有效性。 3、提出了一种基于二值傅里叶谱的纹理预分类算法，将纹理库中的图像分为结构纹理和随机纹理。实验表明，对结构纹理，利用方向性分解来分析，可实质性地提高检索率。 4、基于滤波器组的图像分析方法(小波、Contourlets及基于DFBs的方法等)对图像的旋转和尺度的变换非常敏感，我们提出了一种基于PCNN的图像检索方法，图像特征具有旋转不变、尺度不变和抗噪声的特点。实验表明该方法是有效的。

目录

文摘

英文文摘

论文说明：图表目录

声明

第一章 绪论

1.1研究工作的背景

1.2研究的主要内容

1.3研究的创新性

1.4本文的组织结构

第二章方向性多分辨率变换方法

2.1概述

2.2 DWT

2.2.1 DWT

2.2.2小波包

2.3复小波变换

2.3.1解析信号与希尔伯特变换

2.3.2对偶树复小波

2.3.3基于投影的复小波变换

2.4 Contourlet变换

2.4.1拉普拉斯金字塔

2.4.2 DFBs

2.5 NSCT变换

2.5.1非采样金字塔

2.5.2非采样的方向性滤波器组

2.6 PDTDFB变换

2.7小结

第三章 纹理分析

3.1概述

3.2纹理分析的基本内容

3.3纹理研究简要回顾

3.4纹理分类的基本方法

3.4.1特征选择和提取

3.4.2纹理库和特征数据库

3.4.3相似性度量

3.5二值傅里叶谱的纹理预分类

3.5.1基于多尺度方向性滤波器组的预分类方法

3.5.2基于二值傅里叶谱的预分类方法

3.6小结

第四章 P-Contourlet变换方法：原理及实现

4.1解析信号

4.2基于滤波的解析信号实现

4.3 P-Contourlet变换方法

4.3.1 P-Contourlet-Ⅰ变换方法

4.3.2 P-Contourlet-Ⅱ变换方法

4.3.3 P-Contoudet的平移不变性和理想重构性

4.4 P-Contourlet在纹理分类中的应用

4.5小结

第五章 PDTDFB的时域实现：DTCT

5.1 PDTDFB的问题

5.2 PDTDFB的时域实现：DTCT

5.2.1基本概念

5.2.2二维非分离小波基构造希尔伯特变换对

5.2.3分数相延迟系统的理想重构

5.2.4非分离滤波器组构造的对偶树结构

5.2.5小结

5.3对偶树Contourlet变换方法

5.3.1系统结构

5.3.2 DTCT变换方法

5.4滤波器设计问题

5.4.1二维滤波器设计

5.4.2钻石形分数相延迟滤波器的设计

5.4.3 Q-shift算法

5.4.4分数相延迟滤波器的设计示例

5.4.5小结

5.5小结

第六章 基于PCNN的图像检索系统

6.1不变特征提取

6.2 PCNN模型

6.3基于PCNN的图像检索算法

6.4实验仿真

6.4.1 PCNN参数

6.4.2检索结果

6.5小结

第七章 研究工作总结及展望

7.1工作总结

7.2工作展望

参考文献

在读期间发表的论文

致谢