为实现对视觉测量图像更加有效地稀疏表示,尽可能地捕捉图像本身的几何特性,该文首先提出一种基于灰度梯度方向预测边缘走向的方法,精确定位图像边缘,并在此基础上运用方向提升格式小波包(LWP)变换与普通提升小波包变换相结合的方式,对...为实现对视觉测量图像更加有效地稀疏表示,尽可能地捕捉图像本身的几何特性,该文首先提出一种基于灰度梯度方向预测边缘走向的方法,精确定位图像边缘,并在此基础上运用方向提升格式小波包(LWP)变换与普通提升小波包变换相结合的方式,对整幅测量图像进行分解。其次,采用的各个子带能量信息与方向信息和的代价函数,有效地保持边缘信息的完整性。最后完善并解决了小波包变换在SPIHT(Set Partitioning In Hierarchical Trees)编码中产生的父子节点间的冲突问题。通过对视觉测量中的远、近景图像、局部放大图像以及靶标图像的测试证实,基于边缘导向的提升格式小波包多级树集合分裂(LWP-SPIHT)的视觉测量图像压缩算法,更好地保留了压缩后视觉测量图像的边缘信息,改善了图像的重构质量和精度。展开更多
文摘为实现对视觉测量图像更加有效地稀疏表示,尽可能地捕捉图像本身的几何特性,该文首先提出一种基于灰度梯度方向预测边缘走向的方法,精确定位图像边缘,并在此基础上运用方向提升格式小波包(LWP)变换与普通提升小波包变换相结合的方式,对整幅测量图像进行分解。其次,采用的各个子带能量信息与方向信息和的代价函数,有效地保持边缘信息的完整性。最后完善并解决了小波包变换在SPIHT(Set Partitioning In Hierarchical Trees)编码中产生的父子节点间的冲突问题。通过对视觉测量中的远、近景图像、局部放大图像以及靶标图像的测试证实,基于边缘导向的提升格式小波包多级树集合分裂(LWP-SPIHT)的视觉测量图像压缩算法,更好地保留了压缩后视觉测量图像的边缘信息,改善了图像的重构质量和精度。
