摘要:
传统的二维经验模态分解(Bi-dimensionalempiricalmodedecomposition,BE-MD)能够通过筛分处理将原始的图像数据逐级分解为不同尺度振荡特征的内蕴模态函数(Intrinsicmodefunction,IMF)分量,在图像处理和分析的诸多领域得到了应用.然而,其通过插值计算...
展开
传统的二维经验模态分解(Bi-dimensionalempiricalmodedecomposition,BE-MD)能够通过筛分处理将原始的图像数据逐级分解为不同尺度振荡特征的内蕴模态函数(Intrinsicmodefunction,IMF)分量,在图像处理和分析的诸多领域得到了应用.然而,其通过插值计算包络曲面并进行筛分处理提取IMF的方式面临着诸多的困难和挑战,如插值过程中存在过冲/欠冲现象,对于尺寸较大的图像计算速度较慢,在筛分过程中无法保证收敛性等.为了解决这些问题,研究者们提出了一些新型的BEMD方法,但是它们在图像的多尺度特征描述、图像显著边缘特征的保护、图像处理应用等方面仍然存在着缺陷.为此,本文针对几种新型的BEMD方法进行研究,并探讨如何将其有效地应用在图像增强、图像融合、图像水印等领域中,以改善现有BEMD方法的分解结果,并提高BEMD在图像处理和分析领域中的应用能力.本文主要工作如下: 1.提出了一种尺度引导优化的新型BEMD方法.该方法首先通过基于Delaunay三角化的无约束优化模型得到原始图像的初始IMF分量,然后通过构建一个尺度引导的优化模型对初始的IMF分量进行优化得到更高质量的分解.该优化模型使用初始IMF分量的长度作为尺度引导,并通过一个平滑算子来松弛每个局部极值点附近的约束,以消除初始IMF分量产生的多余的振荡.如果其在优化过程中使用边缘感知的平滑算子,则可以将BEMD和边缘感知的平滑整合在统一的框架中.实验结果显示,该方法不仅能够清晰地表示输入图像的不同空间尺度的特征,而且还能对输入图像进行边缘感知的平滑,较好地保留了现有BEMD方法在分解时所丢失的图像重要边缘特征. 2.提出了一种基于尺度引导优化BEMD和Retinex的低光照彩色图像增强方法.该方法充分利用本文提出的尺度引导优化BEMD能够清晰地表示输入图像的不同空间尺度特征以及感知边缘的特性,通过对彩色图像对应的亮度通道图像分解所得的不同尺度分量进行单尺度的Retinex增强,以恢复阴影下的细节信息;然后将不同尺度的Retinex增强结果进行结合,并使用灰度平衡和颜色恢复操作得到最终的增强图像.实验结果表明,该方法能够有效地展示低光照图像的细节特征和恢复原始图像的颜色特性.与现有著名的多尺度Retinex方法相比,该方法在增强时既不需要手动选择平滑尺度,也能减少在图像强边缘附近的人工效应,在可视化效果和客观评价指标上取得了更好的结果. 3.提出了一种基于形态学滤波BEMD和特征引导的图像融合方法.该方法首先通过基于形态学滤波的多通道BEMD将输入图像快速地分解为多个具有不同尺度特征的IMF分量和余量;然后采用重叠分区的块融合策略来融合BEMD所得的分量,以减小现有的基于BEMD的图像融合方法使用的逐像素融合策略所产生的噪声.为了获得更高质量的融合结果,该方法在IMF分量融合时采用了块能量取最大值的原则,并利用IMF分量所提取的特征信息作为引导对余量进行融合.实验结果表明,该方法在可视化效果、客观评价指标和时间性能等方面与现有的基于BEMD的图像融合方法相比有较明显的优势,而且与其它类型的图像融合方法相比也非常有竞争力. 4.提出了一种基于形态学滤波BEMD和循环嵌入的彩色图像多重水印方法.该方法首先通过基于形态学滤波的多通道BEMD对彩色宿主图像进行快速分解;然后针对分解所得的IMF分量进行极值点检测选取水印嵌入的位置;在此基础上,将对多重水印图像降维得到的一维水印信号多次循环嵌入到彩色图像的RGB三个通道中,同时通过预先设定嵌入水印图像的峰值信噪比(PSNR)的下限值来计算嵌入强度,以保证嵌入水印的不可见性.水印提取时针对每个通道的多个循环嵌入水印信息进行统计投票得到最终水印,不需要使用原始的宿主图像.实验结果表明,当嵌入水印后宿主图像具有较高的PSNR时,该方法在一些常见攻击下几乎能完整地提取水印.与近年来提出的几种彩色图像水印方法相比,该方法不但具有较好的不可见性,而且在抵御攻击方面也取得了较好的效果.
收起