Curvelet变换及其在图像处理中的应用研究

论文摘要

小波分析在信号处理中的应用非常广泛。小波变换有许多优点,但是应用于图像处理的小波仍存在局限性。小波不能很好地表达具有各向异性的图像特征,小波以点来描述图像的突变特征,而不是连续曲线,因此小波变换不适合表示具有线奇异性的二维图像信号。Curvelet变换是小波变换和Ridgelet变换发展过来的一种新的多尺度变换,特别适合于具有直线或超平面奇性的二维信号的描述,具有很强的方向性。它具有高度各向异性,能更优逼近曲线和提供图像更多的方向信息,对图像的边缘、细节和曲线等特征有更好的描述。Curvelet变换可以更稀疏地表达图像,使信号能量集中,对图像描述提供了一个更有利的数据表达。因此,近年来Curvelet变换成为图像处理领域的研究热点。本文在Curvelet理论的基础上,研究了Curvelet变换的具体实现过程和图像经Curvelet变换后系数的分布特性以及Curvelet变换在图像处理中的应用。具体工作如下:(1)针对软阈值和硬阈值去噪方法的不足,提出一种基于Curvelet变换的软硬阈值折衷去噪法和一种基于Curvelet变换构造阈值函数去噪方法,并采用不同的阈值自适应地对不同的Curvelet子带进行阈值化。实验结果表明该方法对图像中的边缘、直线和曲线特征有更好的恢复,去噪后图像PSNR值更高,视觉效果更好。(2)为了抑制图像中的噪声和凸显图像细节,提出了一种基于Curvelet变换的带噪图像自适应增强方法。该方法能白适应地调整Curvelet子带噪声的抑制范围和信号的增强i虽度。实验表明该算法能更好地抑制噪声,保护图像边缘和凸显图像特征。(3)在Curvelet变换的基础上,提出两种新的融合算法。将图像进行Curvelet变换,然后对粗尺度系数和细尺度系数采用不同的融合规则将Curvelet系数融合,最后重构得到融合结果。

论文目录

• 摘要
• Abstract
• 目录
• 第一章 绪论
• 1.1 研究背景及意义
• 1.2 国内外研究现状
• 1.3 论文的主要研究内容
• 1.4 本文的创新点
• 第二章 Curvelet变换
• 2.1 傅立叶变换
• 2.2 小波变换
• 2.3 Ridgelet变换基本理论
• 2.4 Curvelet变换
• 2.5 本章小结
• 第三章 基于Curvelet变换的图像去噪
• 3.1 基于小波变换的图像去噪
• 3.2 基于Curvelet变换的图像去噪
• 3.3 本章小结
• 第四章 基于Curvelet变换的图像增强
• 4.1 基于小波变换的图像增强
• 4.2 基于Curvelet变换的带噪图像自适应增强
• 4.3 本章小结
• 第五章 基于Curvelet变换的图像融合
• 5.1 图像融合层次
• 5.2 图像融合的评价
• 5.3 基于Curvelet变换的图像融合
• 5.4 本章小结
• 第六章 总结和展望
• 6.1 总结
• 6.2 展望
• 参考文献
• 在校期间发表论文情况
• 致谢