均匀离散曲波变换研讨.ppt

图像处理对于我们生活的意义 压缩比为158:1 图像处理对于我们生活的意义 去噪（复原/滤波） 噪声污染的图像 无噪声图像 图像处理对于我们生活的意义 特征提取（如基于内容的图像检索） 用户 搜索 浏览 图像库 106张图像 Terabytes * * 均匀离散曲波变换UDCT 2011年3月31日 来源 Uniform Discrete Curvelet Transform Truong T. Nguyen and Hervé Chauris IEEE TRANSACTIONS ON SIGNAL PROCESSING, VOL. 58, NO. 7, JULY 2010：3618-3634 综合利用FDCT和Contourlet的思想，给出实现离散曲波变换的一种实用方法。 1.引言 图像等高维信号中大部分信息包含在低维结构（如曲线奇异）中。小波无法稀疏的表示这类特征；（不再是最优的） 一代曲波变换和二代曲波变换冗余高； Contourlet变换冗余低，但只是曲波变换的近似；由两个滤波器组实现：LP+DFB UDCT：基于FFT和滤波器组的离散曲波变换实现，冗余低，且忠于曲波变换。 通过设计为一个多分辨滤波器组来实现 小波的成功 小波可以稀疏的表示分段光滑的信号 多分辨 树形结构 快速变换与算法…… 统一的理论：不同领域的交叉 Fourier和wavelets 非线性逼近：N = 1024数据点数; M =保留 128个系数 二维情况下的Wavelets 一维情况下：能很好的检测突变或奇异点； 二维情况下： 可分离的wavelets 能很好的检测点奇异（仅点奇异） 但在二维情况下，（主要）存在直线奇异和曲线奇异... 图像（二维）： 具有光滑边界的物体； 视频（三维）：移动物体在时空空间的轨迹 大部分信息包含在低维结构中。 多维信号的几何结构 自然图像的稀疏表示 人类视觉系统: – 极其有效： 107 bits ? 20-40 bits (per second)； – 感知域刻画为：局部化、多尺度和朝向。 自然图像的稀疏元 (Olshausen and Field 1996) 对图像表示工具的期望: Multiresolution ... successive refinement Localization ... both space and frequency Critical sampling ... correct joint sampling Directionality ... more directions Anisotropy ... more shapes 各向同性 vs 各向异性 对于图像： 小波：看到边缘点，但看不到光滑轮廓 新工具：需要构造新的不分离变换 2.FDCT及Contourlet变换简介 Curevelets [Cand`es and Donoho (1999, 2004)] R2中具有C2曲线奇异函数的最佳 表示 主要思想：对于C2曲线的平方尺度关系width ∝ length2。 FDCT：二代曲波变换的一种实现方法。 Contourlets [Do and Vetterli, 2003] Multiscale， local and directional contour segments Digital friendly！ Multiscale LP + Directional FB FDCT_WARP的数据流结构图 二代曲线波变换：基于FFT的。 返回 Contourlet变换 Multiscale LP + Directional FB FDCT的缺点 1）在FDCT中，曲波函数定义为同心的平方函数和剪切角度函数的乘积。然而，FDCT的构造没有考虑离散变换的特殊情况。例如，窗函数不是自动的2?周期的。窗参数是固定的且支撑区域大。结果，FDCT冗余比高。 2）由于有理数因子的下采样，FDCT函数的基位于非整数网格上。此外，对于不同的分辨率和方向这些网格是不同的。在实际应用中，当要利用带间或尺度间曲波系数关系时，这会产生问题。 3）实现FDCT的其他不便：曲波基函数的范数不同；不同子带的曲波系数长度不同；冗余比不固定，而是在一个范围内变化，这会引起内存分配问题。 Contourlet变换 Contourlet变换是由有限脉冲响应的离散滤波器的级联构造的。 Contourlet基是空域有限支撑的。它们不满足曲波变换的严格要求，例如是同一函数的旋转，或频域具有有限支撑。 3.UDCT思路 构造一组窗函数（频域，低通窗和楔形窗） 1）所有窗关于?1，?2都是2?周期的。ul(?) 2）第一个窗u0(?)具有方形形状