基于Contourlet域树状系数的自组织神经网络图像分割

合集下载

基于视觉特性的Contourlet域图像压缩编码算法

基于视觉特性的Contourlet域图像压缩编码算法

基于视觉特性的Contourlet域图像压缩编码算法杨红颖;金海波;王向阳【期刊名称】《计算机科学》【年(卷),期】2008(035)001【摘要】为了有效克服小波变换难以准确捕获图像特征、而Contourlet变换存在冗余等不足,本文提出了一种基于视觉特性的Contourlet域图像压缩编码算法.该算法首先对原始图像进行小波分解,并对中高频小波子带进一步实施自适应方向分解;然后根据人眼视觉特性(HVS),对变换系数进行加权处理;再结合小波分解与方向分解特点,构造扩展的空间方向树结构;最后采用SPIHT编码思想完成图像的压缩.实验结果表明,本文提出的Contourlet域图像编码方法是一种高效的图像压缩算法,不仅其压缩效果明显优于SPIHT、WBCT等图像压缩方案(特别是低比特率下),而且具有比较强的通用性与适应性(SPIHT与WBCT对于Barbara之类纹理图像压缩效果较差,然而本文算法的压缩效果却较理想).【总页数】5页(P250-254)【作者】杨红颖;金海波;王向阳【作者单位】辽宁师范大学计算机与信息技术学院,大连,116029;辽宁师范大学计算机与信息技术学院,大连,116029;辽宁师范大学计算机与信息技术学院,大连,116029;南京邮电大学图像处理与图像通信重点实验室,南京,210003【正文语种】中文【中图分类】TP3【相关文献】1.基于视觉特性的小波域数字图像水印算法 [J], 李昊;梁家栋2.应用人眼视觉特性的Contourlet域图像压缩编码算法 [J], 王力;王向阳3.基于视觉特性和骑士巡游的变换域视频水印算法 [J], 阳溢;柏森;刘博文;牟宇飞4.基于人眼视觉特性的图像压缩编码算法 [J], 许艳5.一种基于人眼视觉特性的Curvelet域紫外图像增强算法 [J], 张斌;吴鹏;袁杰;孙凌卿;傅启明;张永泽;陆宇因版权原因,仅展示原文概要,查看原文内容请购买。

一种基于Contourlet变换的图像内容认证算法

一种基于Contourlet变换的图像内容认证算法

一种基于Contourlet变换的图像内容认证算法秦娜;张贵仓;杨军彦【期刊名称】《微型机与应用》【年(卷),期】2012(031)008【摘要】提出了一种基于Contourlet变换的图像内容认证算法。

介绍了Contourlet变换并分析了其特点,详细描述了水印的嵌入与提取过程,采用形态学算子提高了检测率。

仿真实验表明,本算法在保证水印的不可见性的前提下,对常见的非恶意操作鲁棒而对恶意操作脆弱。

%In this paper,an algorithm used for image content authentication is proposed.In the beginning,Contourlet transform and its characteristics are introduced.Then,the process of embedding and extracting watermarking is depicted.In theend,morphological operator is adopted in the algorithm,and the capacity is improved.The experiment results demonstrate that the proposed algorithm is invisible,robust to non-malicious operation and fragile to malicious operation.【总页数】3页(P32-34)【作者】秦娜;张贵仓;杨军彦【作者单位】西北师范大学数学与信息科学学院,甘肃兰州730070;西北师范大学数学与信息科学学院,甘肃兰州730070;西北师范大学数学与信息科学学院,甘肃兰州730070【正文语种】中文【中图分类】TP391【相关文献】1.一种基于人眼视觉特征的图像内容认证算法 [J], 曹守斌;唐向宏;林军海;陈宏炳2.一种新颖的用于图像内容认证、定位和恢复的半脆弱数字水印算法研究 [J], 段贵多;赵希;李建平;廖建明3.一种面向图像内容认证的半脆弱数字水印算法 [J], 王蓓蓓;王希常;刘江4.一种基于JPEG 2000的数字图像内容认证算法 [J], 王美华;范科峰;王占武5.一种基于图像内容的半易损水印认证算法 [J], 徐德海因版权原因,仅展示原文概要,查看原文内容请购买。

基于区域分割和非下采样Contourlet变换的多聚焦图像融合算法

基于区域分割和非下采样Contourlet变换的多聚焦图像融合算法

融合 。实验表明该算法是 一种有效的多聚焦图像 融合 方法。
关 键 词 : 下采 样 C nor t 非 o t l 变换 ; ue 多聚 焦 图像 融 合 ; 晰 度 ; 移 不 变性 ; 清 平 区域 分 割 中 图分 类号 : P9 . 1 T 3 14 文献标志码 : A
M u t-o u m a e f so l o ih a e n lifr go e m e t to n o s b a p e n o re r n f r e i n s g n a i n a d n n u s m ld Co t u ltta so m
局部相对清晰度的不 同进行 区域分割的 多聚焦图像 融合算法。该 算法有 效结合 了非 下采样 Cn u e变换 ( S T 在 ot rt ol NC)
图像 分 解 中 的 多尺 度 、 向性 、 向 异性 和 平 移 不 变性 等 特 点 , 用 各 方 向 高 频 分 量 的 聚 类 来 对 低 频 分 量 进 行 分 割 、 方 各 利
LI Ta 。ZHANG n .u HE . a U o De g f 。 Yib o
( ol eo n i eig Fre n ier g U i rt,X ' h ax 10 8 hn ) C lg e fE gn r ,A oc E gne n nv sy i nS a ni 0 3 ,C ia e n i ei a 7
s g e a in e m ntto
0 引言
图像融合 算法是将 两幅包含不 同信息 的图像融合成一 幅 信息量最 大化 的图像 , 以满足决策者或机 器获得更 多信 息 , 做 出更 可靠决策 的需要 。图像 融合算 法大致 可 以分 为三类 : 像 素级 融合 、 特征 级融合 和决 策级 融合 J 。目前 , 大多 数融合 算法都是基于像素级的融合算法 。像 素级融合算 法主要 有在

基于Contourlet变换的纹理特征提取及纹理分类

基于Contourlet变换的纹理特征提取及纹理分类
( ol e f l t nc d noma o n ier g Naj gU iesyo T cn lg, ni 10 9 C i ) C l g Ee r i a fr t n gnei , ni nvri f eh oo y Naj g2 0 0 , h a e o co sn I i E n n t n n
(O S M) nuo e r ec db o tx T e n ua au eo oio (V ernnt kt gt o e okmar . h ns g l vle cmp s i wo o i i r d t n S D) i api heete et e etr. s p l dt a i a r cos e oc v hf u v
t xur nayss e t ea l i.
Ke r s c n o lt a s o m; s l o g ii g f au ema ; s p o t e t r c i e f au e e t c in; t x u ec a sf ai n ywo d : o t u e n f r r r t ef r a zn e t r p - n u p r v co ma h n ; e t r x r t a o e t r l s i c t i o
( 南京 工 业 大学 电子 与信 息工程 学院 ,江 苏 南京 2 0 0 ) 10 9
摘 要: 通过对 传统 小波 多方向性缺 失和 C nor t otul 变换 系数 稀疏性 的分析 , 出运 用 方向性 小波 C no r t e 提 o t l 分析 纹理 特征 , ue
以 自组特征 映射 神经 网络 (OM) s 处理 C nor t otul 变换 系数 的重组序 列 。对 S M 网络输 出层 cdb o e O o eok矩 阵进行 奇异值分解得 到 纹理 图像 特征 向量 的方法进 行纹理 分类 ,在 充分利用 图像各 尺度 方向信 息的基础 上 , 效提取 了图像 纹理 , o t r t 该 C n ul 变换 比传统 小波分 解更适 合于 图像纹理 特性 的分析 。 o e

基于Contourlet变换的图像压缩感知重构

基于Contourlet变换的图像压缩感知重构

I eCo p e sv e sn Ke 0 s r c i n m a m r s i eS n i  ̄ g  ̄Re n t u t0 C c S U l C
Ba e n Co t ure a f r s d o n o ltTr nso m
ZH EN G a z E i W EIX i W n— e ,H J n , ng ,YA N a bi G EN G a m i Ji . ng , Xi o. ng
[ A A J l 一A I A

£M) l 一 ( =l /
≤C M~ ( M) ・ -b I
( 1 )

C nor t变换 的逼 近误 差衰 减速率要远优于小波变换 o tul e 的 O M ) ( ,因此 ,利用 C no r t变换能提供比小 波变换 o tul e 更稀疏 的图像表示 。
设 尺 参 )0 令:c -z一 V( ), 定 度 数 > , c)( Fz ) ,
z z ) f(一 1 其中, ( ) (+ ( “ Z , “= ∈ 0] 在此基础上, 【 1。 ,
如果直接 用梯度投影算法对 式() 5进行求解 , 大多数情况下 在 能实现对 O的重构 。但梯度投影算法要求每一次迭代后 目标 函数都必须是下降 的,这并不符合实际情 况。而如果迭代后
考虑 图像本身 的几何正则性 ,无法捕获轮廓上 的光滑性 ,这
些都影响 了图像压缩的性能 。文 献[] 2提出了一种新 的多尺度
几何分析一一 c nor t o tul 变换 , e 该方法用少量系数有效表示平
滑轮廓 ,具有更好的稀疏性 。因此 ,基于 C no r t o tul 变换 的 e
第 算

基于自组织特征映射神经网络的医学图像分割技术

基于自组织特征映射神经网络的医学图像分割技术
性和完整性。 关 键 词 自组 织特 征 映射 神经 网 络 医 学 图像 分 割 聚 类 分 析 分 类
M EDI CAL M AGE I SEGM ENTATI oN BASED oN SELF- oRG ANI NG ZI FEATURE AP M NEURAL NETW oRK
S F N) 型 , 称 为 K hnn网络 。这 种 网 络 模 型 可 以在 一 O MN 模 也 ooe
K hn n网络输入层 中的 每一 个神 经元 , 过权 与输 出层 oo e 通 的每一 个神经元相连 , 入层 的神经元 可以是一 维也 可以是二 输 维排列的。在输 入层 中竞 争是这样进 行 的 : 于输入层 中获胜 对 的神经元 y, ,在其邻域 Ⅳ 内神经 元得到 不同程 度的兴奋 , , 而在 , v 以外 的神经元都被抑制 , 这个 , 区域可 以为方形或 六角形 , v
图 1 一维 自组 织 特 征 映 射 神 经 网络
1 自组 织 特 征 映 射 神 经 网络
K hnn根据神 经系统 的特性 , 18 ooe 在 9 1年提 出了 自组织 特 征 映射 神 经 网络 ( e - rain etr M p N ua N tok SlO gn igFaue a e r ew r , f z l
方 面 有 着 广 泛 的应 用 。 利 用 S F 网 络 这 种 特 性 , 以 从 外 界 OM 可
0 引 言
各种 医学成像技术 的临床应 用 , 得 医学诊 断和治疗技 术 使 取得 了 快 速 的 进 展 。如 x 线 断 层 成 像 ( . yC m ue zd X r o ptr e a i T m gah , —T)核磁共振成 像( ge cR snneI aig o o p yX C 、 r Man t eoa c m g , i n MR ) 数字血管减影 成像 ( it u t ci ni ah , S I、 Dg a S br t nA g g p y D A) il a o o r 等, 已能够分别 以不 同的时空分 辨率提供各 种解剖信 息和 ( ) 或 功能信息 。为了更加准确地 获取所 关心 的特定组 织 , 文采用 本

Contourlet 域分形编码的图像插值算法

Contourlet 域分形编码的图像插值算法

Contourlet 域分形编码的图像插值算法应毓海【摘要】自然图像具有分形局部自相似结构,不同区域不同尺寸的图像块之间存在相似关系。

对图像作 contour-let 变换,根据图像的 contourlet 域分形编码确定子树与父树之间的变换参数,建立相邻尺度不同区域子带系数间的变换关系,由已知子带对未知的高频子带进行恢复,经 contourlet 逆变换得到高分辨率插值图像。

实验表明,该算法能够对图像的结构细节实现准确有效的恢复,具有较高的插值精度和图像质量。

%Local self-similarities exist in nature images widely.Image blocks with different sizes in dif-ferent areas are similar to each other.In this paper,such main research contents areconducted:Decom-pose the image using contourlet transform,calculate the parameters involves in the transform relation be-tween child tree and parent tree based on the fractal encoding in contourlet domain,and establish the transform relation connecting different areas in adjacent subbands.With the help of relations between adjacent subbands,a restoration algorithm of the unknown high frequency subband using known subba-nds is studied and the high-resolution image is obtained by performing the inverse contourlet transform. Experimental results show that the proposed interpolation algorithm can effectively recover the structural details of images,and as a result high interpolation accuracy and image quality are achieved.【期刊名称】《合肥学院学报(自然科学版)》【年(卷),期】2016(026)001【总页数】6页(P35-40)【关键词】图像插值;分形;局部自相似;contourlet 变换【作者】应毓海【作者单位】安徽广播影视职业技术学院信息工程系,合肥 230011【正文语种】中文【中图分类】TP301.6插值是图像处理中的基本问题,图像中未知高频细节的精确恢复是图像插值的主要内容。

基于非下采样Contourlet变换域双变量模型的图像分割

基于非下采样Contourlet变换域双变量模型的图像分割

基于非下采样Contourlet变换域双变量模型的图像分割项海林;焦李成;贾建
【期刊名称】《中国图象图形学报》
【年(卷),期】2008(013)010
【摘要】依据非下采样Contourlet分解系数与其父系数之间的相关性,给出非高斯双变量分布模型,并基于该模型提出一种新的非下采样Contourlet变换图像分割方法.用合成纹理图像和实际图像进行仿真实验,并与小波域隐马尔可夫树模型分割及Contourlet域隐马尔可夫树模型分割等方法进行了比较,实验结果表明,在大多数情况下,该算法分割结果要好于相比较的方法,在边缘特征方面保持了良好的视觉效果,并且模型的训练简单快速.
【总页数】4页(P1841-1844)
【作者】项海林;焦李成;贾建
【作者单位】西安电子科技大学智能信息处理研究所,西安,710071;西安电子科技大学智能信息处理研究所,西安,710071;西北大学数学系,西安,710069
【正文语种】中文
【中图分类】TP301.6
【相关文献】
1.基于双变量模型和非下采样Contourlet变换的SAR图像相干斑抑制 [J], 贾建;陈莉
2.基于非下采样Contourlet变换和双变量模型的图像去噪 [J], 边策;钟桦;焦李成
3.基于PDTDFB变换域各向异性双变量模型和非局部均值滤波的图像去噪方法 [J], 吴建宁;石满红;兴志
4.基于Context模型的非下采样Contourlet变换域图像去噪方法 [J], 鞠丽梅;张湃;赵永东;
5.基于非下采样双树复小波域的双变量模型去噪算法 [J], 殷明;白瑞峰;邢燕;庞纪勇;魏远远
因版权原因,仅展示原文概要,查看原文内容请购买。

  1. 1、下载文档前请自行甄别文档内容的完整性,平台不提供额外的编辑、内容补充、找答案等附加服务。
  2. 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
  3. 3、如文档侵犯您的权益,请联系客服反馈,我们会尽快为您处理(人工客服工作时间:9:00-18:30)。

第30卷 第5期系统工程与电子技术Vol.30 No.52008年5月Systems Engineering and Electronics May 2008文章编号:10012506X (2008)0520843204收稿日期:2007204213;修回日期:2007209213。

基金项目:国家自然科学基金(60472083);国防预研项目(A1420060172)资助课题作者简介:项海林(19702),男,博士研究生,主要研究方向为SAR 图像后处理,模式识别。

E 2mail :xhl_7048@基于Contourlet 域树状系数的自组织神经网络图像分割项海林1,贾 建2,焦李成1(1.西安电子科技大学电子工程学院,陕西西安710071;2.西北大学数学系,陕西西安710069) 摘 要:为避免小波域隐马树模型分割算法中模型假设的不足,提出用SOM 网络作为非参数概率密度函数估计器。

用图像轮廓波变换域中的树状数据作为网络输入,以利用图像的几何特征来提高分割效果。

由训练好的网络组可以得到待分割图像各个尺度下的条件概率密度函数值,应用最大似然分类准则得到相应尺度下的粗分割。

通过多尺度粗分割结果的融合,得到像素级的分割结果。

用合成纹理图像、航拍图像和SAR 图像进行实验,并与小波域隐马树模型分割方法和基于SOM 网络的多尺度贝叶斯分割方法进行比较。

对合成纹理图像给出错分概率作为评价参数,实验结果表明所提算法分割效果更优。

关键词:轮廓波;自组织特征映射;图像分割;多尺度中图分类号:TN 911.73 文献标志码:AImage segmentation of self 2organizing neural net w orks based ontree 2type coeff icients in Contourlet domainXIAN G Hai 2lin 1,J IA Jian 2,J IAO Li 2cheng 1(1.I nst.of Elect ronics Engineering ,X i dian Univ.,X i ’an 710071,China;2.Dept.of M athematics ,N orthwest Univ.,X i ’an 710069,China ) Abstract :To avoid improper model assumption in hidden Markov tree model segmentation method in wavelet do 2main ,self 2organizing feature map (SOM )neural networks are used as a nonparametric probability density function es 2timator.T ree type data in Contourlet domain of images are used as inputs of SOMs so as to utilize geometric features of images.Condition probability density function values at given scale for awaiting images to be segmentalized can be obtained by trained networks.The maximum likelihood classification criterion is used for raw segmentation of images.The segmentalized results at pixel level can be obtained by fusing the raw segmentation results.In experiments ,syn 2thetic mosaic images ,aerial images and SAR images are selected to evaluate the performance of the proposed method ,and the segmentalized results are compared with the hidden Markov tree model method in wavelet domain and the mul 2tiscale Bayesian segmentation method based on SOMs.For synthetic mosaic texture images ,the miss 2classed probabili 2ty is given as the evaluation parameter.The experiment results show the proposed method has better performance.K eyw ords :Contourlet ;self 2organizing feat ure map ;image segmentation ;multiresolution0 引 言 近年来,随着多分辨分析技术的发展,各种基于多尺度模型的分割方法相继出现,如小波域隐马尔可夫树(W H 2M T )模型图像分割算法[1]和轮廓波域隐马尔可夫树模型(CHWM )图像分割算法[6]。

这些基于模型的方法取得了较好的分割效果,但也存在一些不足:(1)模型设计中有些假设并不完全符合实际情况,如小波子带独立性假设[1];(2)用于模型参数估计的EM 算法是一种局部寻优算法;(3)小波变换没有考虑图像的几何奇异性。

为了改进分割效果,文献[2]中提出了一种非参数方法来进行图像的粗分割,即利用自组织特征映射网络(SOM )来得到观察数据的条件概率密度函数,取得了好于W HM T 模型算法的分割效果。

这种方法充分利用了SOM 网络优良的自组织聚类性能,并且把同一方向不同尺度上的小波系数组织成树状数据作为网络的输入,而不是假设子带是独立的。

但是,小 ・844 ・系统工程与电子技术第30卷 波变换只能最优地捕获图像的点奇异性,而Contourlet 变换能更好地表示图像的线性奇异性。

因此,提出了在Cont 2ourlet 域内,利用SOM 网络进行分割。

文献[2]的方法在进行像素级的粗分割时,用单个像素的灰度值作为网络的输入,然后用试验方法来确定获胜神经元的最近邻。

通过仿真发现,这样的方法对复杂纹理的分割,效果并不好。

因此,本文在像素级的粗分割中,引入了系数的空间邻域,即用像素的3×3邻域作为网络的输入。

不仅更好地改进了分割效果,而且不需要通过实验来确定获胜神经元的最近邻。

1 理论分析1.1 Contourlet 变换及其树状系数Contourlet 变换是通过塔型变换(Laplacian pyramid )结合方向滤波器组(directional filter bank )来实现的。

先是由拉普拉斯塔形分解“捕捉”点奇异,然后由方向滤波器将分布在同方向上的奇异点合成为一个Contourlet 系数,变换的最终结果就是用类似于线段的基函数结构来描述原图像,这也是被称之为Contourlet 变换的原因[4]。

它是一种真正的二维图像表示方法,具有多尺度、时频局域性和多方向的特性。

类似于相邻尺度小波系数之间的父子关系[1],相邻尺度的Contourlet 系数之间也可以形成父子关系。

基于父子关系形成的树状系数结构可以用于编码和分割[526],并且都取得了较好的效果。

与小波系数的父子关系不同的是,小波分解时,任何一个父系数的4个子系数所在子带都位于同一个方向。

而在Contourlet 分解时,如果子系数的方向数为父系数方向系数的两倍,则4个子系数将分别位于两个相邻的方向子带,这两个方向子带由父系数所在的方向子带所决定。

图1表示了4个方向的父代和8个方向的子带之间的父子关系。

图1 轮廓波系数的父子关系1.2 SOM 网络概率估计的基本原理和方法SOM 网络只有一层,叫做竞争层。

当一个矢量被输入到网络后,通过训练,获胜神经元及相邻神经元的权值都变得与输入矢量相近。

因此SOM 网络既能学习输入矢量的拓扑结构,又能学习输入矢量的分布。

假设有n 个样本x 1,…,x n 是独立同分布的,如果想从这n 个样本或原型中估计概率密度函数p (x ),可以设定一个以某个样本x 为中心的区域,让这个区域逐渐变大,直到包含k n 个样本(k n 是一个人为指定的与n 有关的函数)。

对n 个样本的概率密度函数p (x )的估计值p n (x ),可以按式(1)来取值。

p n (x )=k n /nV n(1)式中,V n 是包含k n 个样本的区域的容积。

V n 越小,其中的k n 越多,估计值p n (x )的精度越高。

用训练好的SOM 网络来估计输入矢量x 属于某类别c 的似然概率的具体方法:f (x |c )=K/N V N=K/Nπr c ,k (x )2(2)式中,c ∈{1,2,…,N c }是一个类标,N 是竞争层的神经元数目,V N 是一个半径为r c ,k (x )的圆,r c,k (x )是指在与x 相对应的获胜神经元邻域内,所有神经元权值与x 的最大距离。

如果指定K 值,那么r c,k (x )就可以计算。

K 值固定后,当训练数据有冗余时,增加K 值可以改进似然估计的可靠性,降低噪声的影响[2]。

2 基于SOM 的多尺度图像分割算法2.1 基于SOM 的单尺度粗分割文献[2]中,利用SOM 网络和小波域树状系数进行有监督的纹理分割。

网络输入定义为:g i ={T L H i,T HL i ,T H Hi ,I i }。

T L Hi是根节点L H 子带i 节点的树状系数,I i 是被节点i 所分析的图像子块中的像素灰度值。

在基于多尺度轮廓波域的SOM 纹理分割中,假设在某个尺度的方向数是m ,则输入g i ={T 1i ,T 2i ,…,T mi ,I i }。

T mi 是在第m 个方向子带i 节点的树状系数。

在每个尺度,输入矢量g i 的分类类别是根据最大似然准则来判别的,即^c i =arg maxc i ∈{1,2,…,N c }f (g i |c i )≈arg maxc i ∈{1,2,…,N c }K/Nπr j c,k(g i )2(3)式(3)所得到的是图像在不同尺度上的初始分割,也称作粗分割[1]。

相关文档
最新文档