论文部分内容阅读
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。