關於離散小波框架變換以及多孔演算法(a trous)的學習感悟
最近學習小波變換與非抽取的小波變換,尤其是非抽取的小波變換,在學習感覺非常困惑,最後也得出一點感悟,不知是否正確,僅供參考,相互學習!
首先,我是在文獻[1]瞭解到離散小波框架的,在文獻[2]瞭解到多孔演算法的。學習過程中,查看了很多圖書以及網上的資料,講得都很抽象,部落格[3]對我的幫助很大。
最後我發現:
(1) 離散小波框架變換[1] 就是Matlab中的swt(1D)、swt2(2D)即離散平穩小波變換,可以參見matlab中的資料。
(2 )多孔演算法(a trous)的資料在[4]中可以找到
(3)A trous 演算法與SWT不一樣,主要體現在濾波器的操作上,前者體現在濾波器乘以sqrt(2)/2
A trous 演算法的1D程式碼可以在網上找到,它的2D演算法,在下愚鈍,還未實現。
參考文獻:
[1] 敬忠良,肖剛,李振華.影象融合-理論與應用[M] 2007
[2] 郭雷 等影象融合[M] 2008
[3] http://blog.sina.com.cn/s/blog_4b700c4c01000br8.html
[4] Mallat. a wavelet tour of singal processing
相關推薦
關於離散小波框架變換以及多孔演算法(a trous)的學習感悟
最近學習小波變換與非抽取的小波變換,尤其是非抽取的小波變換,在學習感覺非常困惑,最後也得出一點感悟,不知是否正確,僅供參考,相互學習! 首先,我是在文獻[1]瞭解到離散小波框架的,在文獻[2]瞭解到多孔演算法的。學習過程中,查看了很多圖書以及網上的資料,講得都很抽象,部落格[3]對我的幫助很大。
簡要介紹Active Learning(主動學習)思想框架,以及從IF(isolation forest)衍生出來的演算法:FBIF(Feedback-Guided Anomaly Discovery)
1. 引言 本文所討論的內容為筆者對外文文獻的翻譯,並加入了筆者自己的理解和總結,文中涉及到的原始外文論文和相關學習連結我會放在reference裡,另外,推薦讀者朋友購買 Stephen Boyd的《凸優化》Convex Optimization這本書,封面一半橘黃色一半白色的,有國內學者翻譯成了中文版,
《OpenCV3程式設計入門》——5.5.8 離散傅立葉變換綜合示例程式(附程式碼)
綜合《OpenCV3程式設計入門》——5.5 離散傅立葉變換原理和 《OpenCV3程式設計入門》——5.5.2 離散傅立葉變換相關函式詳解兩篇文章對離傅立葉變換的詳細介紹,本篇將展示實現離散傅立葉變化的示例程式(本篇所涉及的所有知識均在上述兩篇博文裡有詳細解釋,請參考): //--------
小程式選項卡以及swiper套用(跨頁面)
選項卡tab和swpier之間的套用 其實我之前寫過一篇選項卡的切換demo,大家闊以參考一下 小程式多個選項卡切換 那今天寫這個demo呢,是因為專案需求,所以僅供參考。 我是拿到了home.wxml的陣列下標, 通過url傳參的方式去將這個id傳到下一個頁
用鄰接表和最小堆實現Dijkstra 最短路演算法 (Java實現)
演算法特點: 迪科斯徹演算法使用了廣度優先搜尋解決賦權有向圖或者無向圖的單源最短路徑問題,演算法最終得到一個最短路徑樹。該演算法常用於路由演算法或者作為其他圖演算法的一個子模組。 演算法的思路 Dijkstra演算法採用的是一種貪心的策略,宣告一個數
小波學習之一(單層一維離散小波變換DWT的Mallat演算法C++和MATLAB實現)
1 Mallat演算法 離散序列的Mallat演算法分解公式如下: 其中,H(n)、G(n)分別表示所選取的小波函式對應的低通和高通濾波器的抽頭係數序列。 從Mallat演算法的分解原理可知,分解後的序列就是原序列與濾波器序列的卷積再進行隔點抽取而來。 離散序列的Ma
離散小波變換(DWT)
離散小波變換(Discrete Wavelet Transformation) 一、定義(摘自百度百科): 首先我們定義一些需要用到的訊號及濾波器。x[n]:離散的輸入訊號,長度為N。g[n]:low pass filter低通濾波器,可以將輸入訊號的高頻部份濾掉而輸出低
小波包變換的原理以及在小目標檢測上的應用
一、利用小波包進行紅外小目標檢測分割: 原理以及程式碼:http://blog.csdn.net/chenxieyy/article/details/49180159 http://blog.sina.com.cn/s/blog_8fc890a20101evt5.html
小波分析:三、二維離散小波變換
四、二維離散小波變換 宣告: 該文為本人對小波的理解,不保證正確性與嚴謹性。 參考: 《數字影象處理》 Gonzalez P317 1. 概述 在給定尺度函式和小波函式下,可以組合出一個二維尺度函式和三個二維小波函式: f(x, y)離散函式可
3D-DWT或者nD-DWT python下多維離散小波變換程式碼
3D-小波分解 這個示例是將一個三通道的RGB圖片看做一個時長為3的視訊序列來做3維的小波分解,通常2D-DWT的一級分解是將一張灰度圖分解為四個分量,而3D-DWT的以及分解是將一段視訊序列分解為8個分量。 import numpy as np imp
小波分析:三、一維離散小波變換
三、一維離散小波變換 宣告: 該文為本人對小波的理解,不保證正確性與嚴謹性。 參考: 《數字影象處理》 Gonzalez P306 1.概述 在給定尺度函式和小波函式,f(n)可以展開成不同
基於Matlab的離散小波變換
簡介在數字影象處理中,需要將連續的小波及其小波變換離散化。一般計算機實現中使用二進位制離散處理,將經過這種離散化的小波及其相應的小波變換成為離散小波變換(簡稱DWT)。實際上,離散小波變換是對連續小波變換的尺度、位移按照2的冪次進行離散化得到的,所以也稱之為二進位制小波變換
影象壓縮——小波變換(Wavelet Transform)從連續小波變換談到離散小波變換
為什麼會出現小波變換視窗傅立葉變換(短時傅立葉變換)雖然可以部分定位時間,但由於視窗大小是固定的,只適用於頻率波動小的平穩訊號,不適用於頻率波動大的非平穩訊號。而小波變換可以根據頻率的高低自動調節視窗大小,是一種自適應的時頻分析方法,可以進行多解析度分析。從連續小波變換說起連
二維離散傅立葉變換以及濾波應用
一、二維離散傅立葉變換 二維離散傅立葉變換的公式:F(u,v)=1MN[∑m=0M−1∑n=0N−1f(m,n)WMumWNvn]∙RMN(u,v) F(u,v) = \frac{1}{MN}[\sum_{m=0}^{M-1}\sum_{n=0}^{N-1}f
優化版本: tensorflow實現2D小波變化dwt和小波逆變換idwt
由於上上篇部落格寫了使用tensorflow實現2D小波變化dwt和小波逆變換idwt,但是實現的方法在速度上和資源佔用上實在堪憂,特別是在channel比較大的情況下。因此本人對於上次的程式碼進行了優化。 優化主要表現在兩個方面: 去掉原來用於調整尺寸的for迴圈結構,使用
tensorflow實現2D小波變化dwt和小波逆變換idwt,梯度可以反向傳播
使用tensorflow實現小波變化和小波逆變換,並且梯度可以反向傳播。因此可以方便的將小波變化嵌入到網路結構中去。 本程式碼參考pytorch實現的小波變化移植至tensorflow。pytorch實現連結:https://github.com/fbcotter/pytorch_wavel
生成樹和最小費用生成樹以及Kruskal演算法
Spanning Tree --生成樹 生成樹是一種特殊通路,在實際應用中具有廣泛意義。 比如:將道路網表示一個圖,則生成樹就表示從某地出發,到達所有其他各地且不繞圈子的直達路徑,就是不經過同一
夜深人靜寫演算法(十一)- 最小包圍球
一、前言 1、空間點集的最小包圍球 【例題1】三維空間中N(N&nbs
演算法(Java筆記)—遞推&遞迴求解斐波拉契數列
遞推演算法——理性思維模式的代表,其原理是根據已有的資料和關係,逐步推導而得到結果。 演算法的執行過程: 根據已知結果和關係,求解中間結果。 判定是否達到要求,未達到則繼續重複第一步,直到尋找到正
離散傅立葉變換在影象處理中的應用_學習
1、為什麼要進行傅立葉變換,其物理意義是什麼? 傅立葉原理表明:任何連續測量的時序或訊號,都可以表示為不同頻率的正弦波訊號的無限疊加。而根據該原理創立的傅立葉變換演算法利用直接測量到的原始訊號,以累加方式來計算該訊號中不同正弦波訊號的頻率、振幅和相位。 和傅立葉