针对多尺度几何变换统计信号处理这一领域的优势,提出一种基于Contourlet域隐马尔可夫树模型的图像融合算法.由于Contourlet变换能克服小波变换在处理高维信号时的不足，它比小波变换具有更好的方向性、较高的逼近精度和更好的稀疏表达性能.而隐马尔可夫树模型能有效捕获尺度间、尺度内的Contourlet系数特性.因此将Contourlet域隐马尔可夫树模型应用于图像融合领域，能充分挖掘数据之间的相关性，更好的提取图像边缘特征，为融合提取更多的特征信息.实验结果表明基于Contourlet域隐马尔可夫树图像融合算法获得的融合图像视觉效果良好，是一种有效且可行的融合算法.

针对含噪图像增强问题，提出一种基于小波域三状态隐马尔可夫树模型的方法,采用三状态的高斯混合模型逼近小波系数的分布,不需要设定精确的阈值,依据期望最大算法训练得到的每个系数所属状态的后验概率,将系数区分为噪声系数、弱边缘系数和强边缘系数,然后通过抑制噪声系数,增强细节特征系数来达到对含噪图像增强的目的,并引入循环平移策略避免人工失真.通过对含噪的标准图像和人脑核磁共振图像进行仿真实验,并与几种经典的图像增强方法作视觉上的对比和定量分析.实验结果表明,本文所提出的方法具有很好的鲁棒性,在突出了图像中更多的细节信息的同时,可以有效抑制噪声.

改进了传统的基于小波域隐马尔科夫树模型的图像分割方法.由于传统方法均为直接选择小波子带系数作 为训练特征, 不能直接得到像素级分割结果;同时传统方法在后融合方面对所有尺度均采用同一种上下文背景, 而 忽略不同尺度上初分割类标志图的特点.因此, 本文在粗分割阶段首先处理了训练时参数设置的问题, 并选取了更 能表征纹理的特征, 能直接得到像素级分割结果;在多尺度融合阶段, 充分利用不同尺度上类标志图的特性, 不仅 考虑粗尺度信息对融合结果的影响也考虑了细尺度信息对结果的影响.实验表明本文算法的视觉效果好于与本文 进行比较的Choi提出的HMTseg以及孙强提出的WD-HMTseg遥感图像分割算法.

基于Contourlet系数分布统计特性,结合隐马尔可夫树(HMT)模型和贝叶斯准则提出一种新的图像分割算法.为了更有效保持Contourlet域不同尺度间的信息,提出一种新的加权邻域背景模型,给出了基于高斯混合模型的象素级分割算法和基于新的背景模型的多尺度融合算法.分别选择合成纹理图像、航拍图像和SAR图像进行实验,并与小波域HMTseg方法进行比较以说明算法的有效性.对合成纹理图像给出错分概率作为评价参数.实验结果表明本文方法不但在边缘信息和方向信息保持上有明显改进,而且错分概率明显降低,对真实图像得到了理想的分割效果.