基于神经网络和小波变换的MRI图像去噪方法

过去10年中,小波变换在图像去噪中取得了很大的成功.人们提出了多种适用于小波去噪的阈值方法,而这些方法就是希望能够正确地反映有噪声小波系数与无噪声小波系数之间的映射关系.基于这种想法,我们提出一种在小波域中利用神经网络寻找这种映射关系的图像去噪新方法.我们把该方法应用于不同噪声分布的磁共振图像的去噪,取得了良好的效果.     

基于光学小波微分预处理的联合变换相关目标识别

提出了一种基于光学小波变换微分预处理的光电混合联合变换相关系统,该系统利用同一光路可实时实现对输入图象的小波变换微分预处理和联合变换相关识别.实验结果表明:该系统能得到很尖锐的互相关峰,可显著提高联合变换相关器的识别能力.     

基于小波变换与卷积神经网络的图像去噪算法

图像在生成或传感过程中往往会受到噪声干扰,噪声干扰会给后续图像处理工作增加难度,甚至会给某些生产活动带来巨大的经济损失。结合平稳小波变换与卷积神经网络的优势,提出了一种有效的图像去噪算法。训练阶段,采用提出的算法对图像进行尺度为1的平稳小波分解后,分别把高、低频分量输入4个设计好的残差网络进行训练;在测试阶段使用小波逆变换来获得最终的预测图像。实验结果表明:在高斯白噪声水平达到σ=50时,去噪后图像的峰值信噪比（peak signal to noise ratio, PSNR）均值和结构相似性（structural similarity index method, SSIM）均值可以达到28.37 dB和0.808 0,提出的算法可以有效去除可见光图像中的高斯白噪声、自然噪声,以及遥感图像在传感过程中产生的噪声,并且在去除图像噪声的同时能较好地保留图像的边缘与纹理细节。     

基于连续小波变换的神经网络人脸识别研究

研究了基于连续小波变换的神经网络进行人脸识别的方法.介绍了小波分析的理论基础，详细讨论了根据小波变换系数的范数选取小波母函数的方法，根据小波脊线确定网络神经元个数的方法以及神经网络的初始化和参数训练方法.通过对人脸图像灰度的连续小波分析，神经网络的自组织自学习能力，调整连接权值和小波神经元的尺度、位移参数，完成人脸识别的任务.实验结果验证了该神经网络的识别性能明显优于用特征脸方法对相同人脸库进行的识别.     

光学小波包变换及其滤波器的研究

基于对光学小波变换必要条件的分析,提出光学小波包变换的概念.选出虹膜图库的联合最优小波包基,利用最优基的线性组合生成相应的复合光学小波包滤波器.将滤波器用于光电混合虹膜识别系统中对待识别输入进行小波包特征提取预处理,模拟结果不仅证明引入该滤波器可明显提升系统的识别效果,也证明了光学小波包变换提出的意义.     

基于多小波变换的红外目标探测与识别

针对光电联合变换相关器目标识别的实际应用,对待测红外目标图片进行多小波变换,并利用模极大值法提取其边缘.通过获取更多的轮廓信息,从而提高对目标的识别能力.计算机模拟了常用于红外目标处理的多小波GHM和SA4,实验结果表明:基于GHM多小波提取的边缘能获取大量的图像轮廓信息.其识别结果明显优于SA4多小波.将目标原图的光...     

基于多小波变换的红外目标探测与识别

针对光电联合变换相关器目标识别的实际应用,对待测红外目标图片进行多小波变换,并利用模极大值法提取其边缘.通过获取更多的轮廓信息,从而提高对目标的识别能力.计算机模拟了常用于红外目标处理的多小波GHM和SA4,实验结果表明:基于GHM多小波提取的边缘能获取大量的图像轮廓信息,其识别结果明显优于SA4多小波.将目标原图的光学相关探测结果与基于GHM多小波提取的边缘图像光学相关探测结果进行比较发现,经多小波预处理后的边缘图像能有效增强相关峰强度.     

小波变换轮廓术的测量范围研究

利用小波“脊”处的小波系数来提取变形条纹中的相位信息可以在很大程度上抑制条纹图中有用的基频分量与零频和其它谐波频率分量的混叠,弥补了傅里叶变换轮廓术的不足。从离散信号频域分析角度,推导了变形条纹小波变换的频谱描述形式,讨论了其测量范围,包括结构条件和抽样条件。结果表明,只有在无周期内瞬时频谱混叠,即任意位置处物体瞬时高度变化满足h/xx=b<1/3条件时,和不存在抽样引起的周期间瞬时频谱混叠的抽样条件下(即一个周期内的抽样点数m≥4时),小波变换轮廓术才能正确恢复被测物体的三维面型。计算机模拟和实验验证了该结论。     

利用深度神经网络和小波包变换进行缺陷类型分析

超声检测中对缺陷进行类型分析通常取决于操作人员对于特定专业知识的了解及检测经验,从而导致其分析结果的不稳定性和个体差异性。本文提出了一种使用小波包变换提取缺陷特征信息,并应用深度神经网络对得到的信息进行分类识别的方法。利用超声相控阵系统对于不锈钢试块上的通孔、斜通孔和平底孔进行超声检测,并对得到的超声回波波形按照新方法进行分析。实验结果表明,使用小波包变换后的数据进行分类识别能够在提高识别准确率的同时降低神经网络的学习时间,而使用深度神经网络相比通用的BP神经网络以可接受延长学习时间的代价提高了识别的准确率。采用新方法后,缺陷分类正确率提高了21.66%,而网络学习时间只延长了91.9s。在超声检测中使用小波包变换和深度神经网络来对于缺陷进行类型分析,能够排除人为干扰,增加识别准确率,对于实际应用有着极大的意义。     

光学可分离小波变换的研究

为改进光学小波变换,提出了光学可分离小波变换的概念。通过对光学小波变换的必要条件进行分析,采用层叠算法和二维可分离小波变换构造方法计算出了尺度和小波函数的二维离散近似序列。将新的母小波引入到光学小波变换中,获得了光学可分离小波变换。通过与现有光学小波变换及二维可分离离散小波变换进行比较说明了其优点。     

利用小波变换和神经网络对罕见病DMD的MRI进行分类识别

杜兴氏肌营养不良(DMD)是一种严重的儿童腿部神经肌肉罕见病。传统的诊断和检测方案一般为有创手段,会带给患儿极大的痛苦。基于受试者的磁共振图像(MRI),采用计算机辅助检测手段探索了有效的无创检测方法。实验分别选用sym4和db4两种小波基函数,对患儿组和健康对照组的MRI进行三种尺度的小波分解,从所得的分解图像中提取12个纹理特征参数,并利用人工神经网络(ANN)算法对图像参数进行分类识别。结果显示:在受试者的两类MRI加权图像(T1和T2)中,T1图像能更好地区分患儿与健康儿童;利用db4函数对图像进行小波分解,其效果略优于sym4函数,且在三种小波分解尺度中,以二层分解最优;利用ANN算法对图像进行分类识别,其灵敏度、特异度和准确率分别高达98.5%、97.3%和97.9%。该处理方法有望为临床提供客观有效的辅助诊断手段,可作为DMD疾病无创检测的尝试探索。     

Global and local contrast enhancement algorithm for image using wavelet neural network and stationary wavelet transform

A new contrast enhancement algorithm for image is proposed employing wavelet neural network (WNN)and stationary wavelet transform (SWT). Incomplete Beta transform (IBT) is used to enhance the global contrast for image. In order to avoid the expensive time for traditional contrast enhancement algorithms,which search optimal gray transform parameters in the whole gray transform parameter space, a new criterion is proposed with gray level histogram. Contrast type for original image is determined employing the new criterion. Gray transform parameter space is given respectively according to different contrast types,which shrinks the parameter space greatly. Nonlinear transform parameters are searched by simulated annealing algorithm (SA) so as to obtain optimal gray transform parameters. Thus the searching direction and selection of initial values of simulated annealing is guided by the new parameter space. In order to calculate IBT in the whole image, a kind of WNN is proposed to approximate the IBT. Having enhanced the global contrast to input image, discrete SWT is done to the image which has been processed by previous global enhancement method, local contrast enhancement is implemented by a kind of nonlinear operator in the high frequency sub-band images of each decomposition level respectively. Experimental results show that the new algorithm is able to adaptively enhance the global contrast for the original image while it also extrudes the detail of the targets in the original image well. The computation complexity for the new algorithm is O(MN) log(MN), where M and N are width and height of the original image, respectively.     

基于BP神经网络的焊点自动光学检测

提出了一种新的表面组装焊点的自动光学检测分类方法。采用单层环形光源获取焊点图像,并根据归一化分割曲线方程将焊点图像分成四部分,分别提取其特征。使用BP神经网络将焊点按照锡量多少分成三类:少锡,容许和多锡。实验结果证明该方法分类正确率达到了99.2%,具有较高的实用价值。     

基于小波和神经网络的风机故障诊断系统设计

本文在LabVIEW平台下,设计了一种基于小波和神经网络的风机故障在线诊断系统。以风机产生的噪声为诊断依据,用噪声信号的功率谱重心、A声级、小波分解后相关频段的能量构成故障诊断的特征向量,以BP网络作为故障的智能分类器,建立起智能诊断系统。实验结果表明,采用小波和神经网络相融合的诊断与识别技术,是提取风机故障特征,进行状态识别的一种有效方法。所设计系统有较强的学习能力和容错能力。诊断结果比较可靠、准确。     

Two image denoising approaches based on wavelet neural network and particle swarm optimization

Two image denoising approaches based on wavelet neural network (WNN) optimized by particle swarm optimization (PSO) are proposed. The noisy image is filtered by the modified median filtering (MMF).Feature values are extracted based on the MMF and then normalized in order to avoid data scattering. In approach 1, WNN is used to tell those uncorrupted but filtered by MMF and then the pixels are restored to their original values while other pixels will retain. In approach 2, WNN distinguishes the corrupted pixels and then these pixels are replaced by MMF results while other pixels retain. WNN can be seen as a classifier to distinguish the corrupted or uncorrupted pixels from others in both approaches. PSO is adopted to optimize and train the WNN for its low requirements and easy employment. Experiments have shown that in terms of peak signal-to-noise ratio (PSNR) and subjective image quality, both proposed approaches are superior to traditional median filtering.     

基于小波神经网络的光纤陀螺误差补偿方法

为了提高光纤陀螺的测量精度,提出了一种基于小波神经网络的误差补偿方法。首先使用小波分析中的Mallat分解算法提取出陀螺信号中的主趋势项,对其误差余项进行重构。然后将重构信号作为小波神经网络的目标输出,将原始陀螺信号作为训练样本。为了提高小波神经网络的训练速度同时防止其陷入局部极小值,采用增加动量因子和自适应调整学习速率的方法来改进训练方法。训练后建立的神经网络模型对光纤陀螺误差具有良好的估计能力。结果表明,经过小波神经网络方法补偿后,光纤陀螺的输出精度达到了0. 019 4°/s,光纤陀螺的测量性能得到了提高。     

一种基于小波变换的跨带矢量量化

由小波变换产生的子带之间存在着较强的相关性,然而目前的在基于小波变换的图像编码矢量量化中,码矢往往仅由带内系数组成,没有充分利用带间相关性。本文提出一种新的跨带矢量量化算法,码矢由在同级子带中的相应系数组成。在三次小波变换下,第一级子带的码矢维数为４８Ｄ,第二级为１２Ｄ,第三级为３Ｄ。这样形成的码矢既匹配了各级子带的重要性,又利用到了带内和带间相关性,在相同的比特率下,其重构图像的信噪比ＰＳＮＲ比码矢仅由带内系数组成的传统带内ＶＱ高出１～２ｄＢ。     

Exo-atmospheric target discrimination using probabilistic neural network

Exo-atmospheric targets are especially difficult to distinguish using currently available techniques, because all target parts follow the same spatial trajectory. The feasibility of distinguishing multiple type components of exo-atmospheric targets is demonstrated by applying the probabilistic neural network. Differences in thermal behavior and time-varying signals of space-objects are analyzed during the selection of features used as inputs of the neural network. A novel multi-colorimetric technology is introduced to measure precisely the temporal evolutional characteristics of temperature and emissivity-area products. To test the effectiveness of the recognition algorithm, the results obtained from a set of synthetic multispectral data set are presented and discussed. These results indicate that the discrimination algorithm can obtain a remarkable success rate.     

基于小波高频的立体图像质量评价

根据小波变换的高频分量包含边缘及纹理等人眼比较关注的细节信息,提出了一种基于小波变换的高频重构的立体图像质量评价方法,包括左右视点质量评价和立体感评价两部分。通过模拟人类视觉系统处理原始和失真的左右视点图像,利用结构相似度算法得到左右视点质量评价值;用加权处理后的小波高频分量经过重构得到人眼关注的细节信息图,分别计算原始和失真的左右视点细节信息图的绝对差值图,利用结构相似度算法对两幅绝对差值图评价得到立体感质量评价值。将两种质量评价值进行加权融合得到最终的立体图像质量评价值。整体实验结果的Pearson线性相关系数在0.94以上,Spearman秩相关系数值在0.93以上,均方根误差值接近5.5,能较好地符合人眼视觉特性。