以平衡检测原理为基础, 利用中心波长为700 nm的宽带低相干白光光源, 在自由空间中搭建了分辨率为0.93 μm的基于平稳小波变换(SWT)的时域光学相干层析(TDOCT)系统, 并将其应用于塑料薄片与透明胶纸多层薄膜结构的无损评价。针对现有算法重构效果不够理想的问题, 通过对OCT成像过程中的图像增强手段的对比, 提出利用SWT分解算法处理多层薄膜结构的光学相干层析二维图像。由薄膜检测的实验结果可知, 从SWT细节系数中可以提取更显著的多层薄膜界面干涉信号, 从而提高多层薄膜界面的增强效果。

提出了一种基于平稳小波变换的多聚焦图像融合算法。首先对待融合图像进行平稳小波分解，得到图像尺寸相同的低频分量和高频分量，然后对低频分量使用拉普拉斯能量进行清晰度判断，对于高频分量，则先计算其各个尺度，不同方向高频分量的绝对值和，进而通过能量特征判断其清晰度，最后通过比较低频分量和高频分量清晰度决策图的相同和相异性得到融合图像。计算机仿真实验表明，本文算法得到的融合图像清晰度较好，熵、平均梯度、空间频率和互信息等客观评价指标值高于平均法和传统基于小波变换的图像融合算法，互信息量比文献[3]中的方法提高了约 2.4倍，是一种有效的多聚焦图像融合算法。

以252Cf中子源驱动噪声分析测量法为依据，利用中子脉冲信号自相关函数与被测核材料(252U)质量的关系，设计了一种基于神经网络的核材料质量识别方法，探索借助时域特征进行质量识别的有效性。利用平稳小波变换抑制中子统计涨落对自相关函数带来的影响，利用分布式Elman神经网络对不同质量核材料的自相关函数样本进行训练和识别，并研究了有限样本前提下不同子网个数对最终识别结果所造成的影响。对4种核材料质量共计120组样本进行的实验，结果表明：在理想实验条件下，平稳小波变换抑制了统计涨落对信号自相关函数的影响；分布式Elman神经网络能够较好地识别自相关函数的特征，分辨不同质量的核材料，平均识别误差小于0.1。

针对基于小波变换的红外图像增强方法视觉效果不够理想的缺点，提出了一种基于平稳小波变换和Retinex的红外图像增强方法，利用Retinex增强算法增强图像的视觉效果，并改善其亮度均匀性。首先，对红外图像经平稳小波变换后的最大尺度低频子带图像进行多尺度Retinex增强；然后，利用贝叶斯萎缩阈值法对高频子带图像进行阈值去噪，并根据低频子带图像的局部对比度和模糊规则计算高频子带的增益系数，从而得到增强后的高频子带图像；最后，由低频子带图像和高频子带图像重构得到增强后的图像。针对大量图像进行了实验和增强效果的定性与定量评价，并与双向直方图均衡法、二代小波变换法、Curvelet变换法和多尺度Retinex法作了比较。结果表明，所提出的方法增强了图像细节，抑制了噪声，并明显改善了图像的整体视觉效果。

采用水平衰减全反射傅里叶红外光谱法(HATR-FTIR)测定罂粟和虞美人的FTIR, 由于两者为同科同属中药材, 所含化学成分较为相近, 为了更好地突出罂粟和虞美人在FTIR上的差异, 并据此进行正确分类识别, 利用离散平稳小波变换(DSWT)分别对罂粟和虞美人的种皮和种仁的FTIR进行若干尺度的变换, 从中选择2个最具代表性的尺度作为特征提取的尺度空间。 根据罂粟和虞美人的FTIR分布情况, 确定将DSWT域内2个尺度的FTIR分别划分为2个特征区域并以每个区域内的光谱能量作为特征参数。 从而构造一个包含8个特征参数的特征向量, 将这个特征向量输入到径向基函数神经网络(RBFNN)进行训练, 从而达到正确识别罂粟和虞美人的目的。 实验中共取罂粟和虞美人的FTIR数据128对, 其中训练样本78对, 测试样本50对。 实验结果表明利用文章的方法对罂粟和虞美人的正确识别率分别为99.8%和99.9％, 从而验证了方法的有效性。

在分析固定图案噪音频率分布的基础上，提出了一种利用平稳小波进行非均匀性校正的方法.选择合适的小波函数对红外图像序列进行分解，从而估计出非均匀性校正的增益和偏置系数，最终实现红外焦平面阵列的非均匀性校正.利用小波的多分辨性质，提高了低频部分的频率分辨率，有效的抑制了一般基于场景统计校正算法中易于出现的“人工鬼影”现象.用真实的红外图像序列进行了处理，实验证明了算法的优越性.

针对目前图像去噪算法中,消除噪声的同时又破坏边缘细节信息的问题,本文提出了结合边缘检测及邻域加窗的新算法。该算法采取平稳小波基以保持相位不变性,对低频和高频子带进行边缘检测,并将检测后的边缘信息选择后融合,即可得到原图像近似的边缘信息。依据小波方向性特点和层内相关性原理,对不同的子带在非边缘信息处采用不同的模板进行加窗处理。实验结果表明,该方法在降低了图像噪声的同时又尽可能地保留了图像的细节,较好地复原了图像。

提出了一种基于张量的平稳小波变换红外图像去噪方法。采用平稳小波对噪声红外图像进行分解, 保持低频近似图像不变, 将所有尺度上的水平、垂直和对角方向的高频细节图像组合为一个立方体, 形成三阶张量, 通过多线性代数方法估计信号小波系数, 这种处理方式没有破坏小波系数之间的固有空间关系, 同时考虑到了尺度间和尺度内小波系数的相关性, 优于传统的基于线性最小均方误差的信号小波系数估计算法, 最后由低频近似图像与估计的高频细节图像通过平稳小波逆变换得到去噪图像。实验结果表明, 该方法在性能指标和视觉质量上优于传统的平稳小波域最小均方误差去噪算法, 为小波系数的较准确估计提供了一种全新思路。

本文提出了一种基于PCNN的新型图像融合算法。首先,对待融合的两幅图像进行平稳小波分解得到两组多尺度图像;接着,取其中任意一组作为主PCNN的输入、另一组相应的图像作为从PCNN的输入,在每次迭代时,经并行PCNN点火后,得到一系列多尺度融合图像;然后,对它们进行平稳小波反变换得到每次迭代的融合结果;最后,计算每次迭代结果的信息熵,取信息熵值最大的融合图像作为最终结果。大量的实验以及与其它融合算法的比较分析,表明了本文算法的有效性和优越性。