提出了一种基于双密度双树复小波(double-density dual-tree complex wavelet transform,DDDT-CWT)基的结构化CS图像重构算法,该算法将图像在双密度双树复小波变换下的系数呈现的树结构化特征与Co Sa MP重构算法相结合,实现了对原始图...提出了一种基于双密度双树复小波(double-density dual-tree complex wavelet transform,DDDT-CWT)基的结构化CS图像重构算法,该算法将图像在双密度双树复小波变换下的系数呈现的树结构化特征与Co Sa MP重构算法相结合,实现了对原始图像的更精确重构.实验结果表明:在相同压缩比的前提下,与传统使用DWT基且未考虑变换系数结构化特征的重构算法相比,使用DDDT-CWT基和融入结构化特征的重构算法分别可获得2.9～3.2 d B与0.2～1.2 d B的增益,综合两者后的重构算法可获得3.8～4.3 d B以上的增益.展开更多
定义在单一空间分辨率上的树结构马尔可夫场(Tree-Structured Markov Random Field,TS-MRF)模型能够表达图像的分层结构信息,但难以描述图像的非平稳性.针对该问题,提出小波域的TS-MRF图像建模方法—WTS-MRF模型.按照图像分类层次树的...定义在单一空间分辨率上的树结构马尔可夫场(Tree-Structured Markov Random Field,TS-MRF)模型能够表达图像的分层结构信息,但难以描述图像的非平稳性.针对该问题,提出小波域的TS-MRF图像建模方法—WTS-MRF模型.按照图像分类层次树的结构形式,该模型将一系列的MRF嵌套定义在多分辨率的小波域中:每一个树节点对应于定义在不同分辨率上的一个MRF集合,并通过条件概率的形式将相邻分辨率上的MRF间的作用关系考虑进来;同时相同分辨率的父子节点对应的MRF通过区域约束嵌套定义.基于WTS-MRF模型,给出了一个监督图像分割的递归算法,通过给定的分类层次树表示先验信息,并通过训练数据给出叶子节点在各分辨率上的统计参数.它在尺度内和尺度间两个层次上进行递归:首先,在最低分辨率上执行尺度内递归,即采用ICM算法从树的根节点到叶子节点依次对MRF进行递归估计;然后执行尺度间递归,即在相邻的更高分辨率尺度上,通过直接投影的方式依次获取每一MRF的初始估计,并采用ICM算法递归优化;最后,原始分辨率的MRF估计完成,获取最终分割结果.两组实验从视觉效果和定量指标(整体分类正确率和Kappa系数)两个方面验证了算法的有效性.展开更多
文摘提出了一种基于双密度双树复小波(double-density dual-tree complex wavelet transform,DDDT-CWT)基的结构化CS图像重构算法,该算法将图像在双密度双树复小波变换下的系数呈现的树结构化特征与Co Sa MP重构算法相结合,实现了对原始图像的更精确重构.实验结果表明:在相同压缩比的前提下,与传统使用DWT基且未考虑变换系数结构化特征的重构算法相比,使用DDDT-CWT基和融入结构化特征的重构算法分别可获得2.9～3.2 d B与0.2～1.2 d B的增益,综合两者后的重构算法可获得3.8～4.3 d B以上的增益.
文摘定义在单一空间分辨率上的树结构马尔可夫场(Tree-Structured Markov Random Field,TS-MRF)模型能够表达图像的分层结构信息,但难以描述图像的非平稳性.针对该问题,提出小波域的TS-MRF图像建模方法—WTS-MRF模型.按照图像分类层次树的结构形式,该模型将一系列的MRF嵌套定义在多分辨率的小波域中:每一个树节点对应于定义在不同分辨率上的一个MRF集合,并通过条件概率的形式将相邻分辨率上的MRF间的作用关系考虑进来;同时相同分辨率的父子节点对应的MRF通过区域约束嵌套定义.基于WTS-MRF模型,给出了一个监督图像分割的递归算法,通过给定的分类层次树表示先验信息,并通过训练数据给出叶子节点在各分辨率上的统计参数.它在尺度内和尺度间两个层次上进行递归:首先,在最低分辨率上执行尺度内递归,即采用ICM算法从树的根节点到叶子节点依次对MRF进行递归估计;然后执行尺度间递归,即在相邻的更高分辨率尺度上,通过直接投影的方式依次获取每一MRF的初始估计,并采用ICM算法递归优化;最后,原始分辨率的MRF估计完成,获取最终分割结果.两组实验从视觉效果和定量指标(整体分类正确率和Kappa系数)两个方面验证了算法的有效性.
