针对含有文本、图像、表格和公式等复杂扫描电子文档的倾斜校正问题,提出了一种基于Shearlet(剪切波)变换与多尺度分析的复杂文档图像倾斜检测方法,利用剪切波变换的局部性和方向性,可以得到各个方向的能量值,能量最高的两个分量分别对应于横画与竖画的方向,根据这两个方向可以较准确地检测出扫描文档图像中文字行的方向并进一步确定扫描文档图像的倾斜角度。实验结果表明,该方法可以避免扫描文档中图像、表格等的干扰,具有较好的抗噪声能力,对于具有复杂内容的文档图像有较高的检测准确率。

为了有效地去除高分辨卫星图像中薄云的影响,提出了一种基于Mallat小波变换的薄云去除方法。对图像进行Mallat小波分解得到高频细 节部分和低频近似部分,根据云噪声在分解系数中处于低频部分而地物信息占据相对高频部分的特点,在小波变换多尺度分析的基础上, 算法在最大尺度低频图像上按照云厚度掩膜值对云区进行线性处理；对于高频子带图像根据尺度的不同运用非线性增强算子进行 不同程度的增强,从而提高图像的清晰度,减小残留云的影响,之后将重构后的图像进行中值滤波以减少高频云的影响。 针对高分一号卫星图像进行了实验。实验证明,该方法在去除薄云的同时很好地保留了图像细节及边缘信息,去薄云效果优于传统小波变换法。

根据高分辨力合成孔径雷达 (SAR)图像中建筑物的特性, 提出了一种基于多尺度信息融合的建筑物提取方法。以非下采样轮廓波变换 (NSCT)为多尺度分析框架, 通过融合基于 NSCT低频子带的多尺度区域分析结果提取潜在建筑物区域; 同时, 融合基于 NSCT高频信息的边缘检测结果与均值比算子结果提取边缘结构信息; 在此基础上, 结合区域与边缘结构信息对虚警进行滤除, 对漏检建筑物进行补充, 完成建筑物提取。实验结果显示: 该方法优于基于多特征融合的建筑物检测算法, 在实验所用图像上的平均查全率达到 94%, 表明文中方法的有效性。

High sensitivity of a distributed optical-fiber vibration sensing (DOVS) system based on the phase-sensitivity optical time domain reflectometry (Φ-OTDR) technology also brings in high nuisance alarm rates (NARs) in real applications. In this paper, feature extraction methods of wavelet decomposition (WD) and wavelet packet decomposition (WPD) are comparatively studied for three typical field testing signals, and an artificial neural network (ANN) is built for the event identification. The comparison results prove that the WPD performs a little better than the WD for the DOVS signal analysis and identification in oil pipeline safety monitoring. The identification rate can be improved up to 94.4%, and the nuisance alarm rate can be effectively controlled as low as 5.6% for the identification network with the wavelet packet energy distribution features.

纹理特征作为图像的一个重要特征，在国画分类识别中的地位十分重要，但现有的纹理提取算法大多基于灰度信息而忽略了颜色信息。针对国画分类识别中纹理提取算法存在的问题, 本文提出了一种多尺度、多色域的纹理特征提取算法，该算法结合了轮廓波变换和灰度共生矩阵的优点。为了对国画进行特征提取，该算法首先将国画图像转变到HSI色彩空间。然后，提取色调、饱和度、强度这三个色彩分量进行分区域操作，即提取每一个色彩分量的纹理特征。最后，将提取的3个特征向量融合并进行主成分分析降维。实验证明，与灰度共生矩阵相比，本文算法在国画分类识别方面查准率提高了7.5%，查全率提高了8.7%。实验表明多尺度灰度共生矩阵算法优于传统的灰度共生矩阵算法。

为了能在强噪声条件下实现对弱目标的亚像素定位, 提出了一种基于改进小波变换和Zernike矩的亚像素边缘检测算法, 该方法首先结合小波变换和小波模极大值原理, 将边缘点由粗到细地搜索出来, 实现边缘的准确、有效定位, 然后再用改进后的Zernike矩算子对图像进行亚像素边缘提取。对工程应用中带有噪声图像的处理结果表明, 该方法抗噪能力比较强, 且定位精度比较高, 在提取效果上明显优于经典边缘检测算法, 是一种稳定可靠的图像边缘检测算法。

如何在确保边缘精确定位的同时, 最大程度地抑制噪声以及图像灰度不均匀所产生的伪边缘点, 是当前边缘检测所面临的难题。针对此问题, 提出了多尺度张量的边缘检测算法, 这种算法可以在不同尺度下获取更丰富的局部结构信息。选取适当的阈值, 滤除噪声点和伪边缘, 从而得到细节丰富的边缘。实验证明该方法得到的边缘细节丰富, 且抗噪声性能较好。

考虑近似图像信息和细节图像信息,提出了GNSA多尺度模型.该模型利用具有1个隐含层和50个隐单元的神经网络建立不同尺度图像间的映射关系;使用反向传播算法训练神经网络,确定这种映射关系;根据该映射关系由低分辨力图像估计高分辨力图像.采用亮度相似性和对比度相似性量化估计图像与目标图像间的相似程度.实验表明,以该模型分析得到的两种相似性分别为89.907%和96.196%;以该模型为基础的人脸识别系统对光照具有很好的鲁棒性.

针对自然纹理背景,提出一种基于多尺度小波特征融合的人造目标检测方法.在小波变换域,纹理背景和目标区域的多级小波系数具有不同的能量分布,能量特征可作为简单、有效的空间特征来检测目标.由于小波函数具有良好的局域性特点,不同尺度下用它检测出的边缘特征点移位不会超过1个像素.融合边缘特征和能量特征进行人造目标检测,可有效地保证目标边界的定位精度,达到较好的鲁棒性和准确性.实验结果证明,该方法对纹理背景下人造目标面积探测的误差率小于5%,目标探测概率大于94.1%.

特定目标的检测与识别是自动目标识别的关键技术之一.作为典型地面目标,机场跑道的识别,一直是自动目标识别领域人们感兴趣的研究课题.针对机场的跑道成像是线状结构和高灰度值的特征,提出了一种基于多尺度线状目标强化的机场跑道识别算法.实验结果表明,在复杂背景下,此方法在将机场跑道目标强化出来的同时,能够很好地抑制其他非线状特征目标,起到真正的强化作用.因此,在复杂背景下,此方法较基于边缘的机场跑道识别算法具有更好的识别性能.