运用各向异性小波变换进行图像特征提取
小波变换在图像所提取特征的准确性评估
小波变换在图像所提取特征的准确性评估随着数字图像处理技术的快速发展，图像特征提取成为了计算机视觉领域中的重要研究方向。
而小波变换作为一种有效的信号分析方法，被广泛应用于图像处理中。
本文将讨论小波变换在图像特征提取中的准确性评估。
首先，我们来了解一下小波变换的基本原理。
小波变换是一种时间-频率分析方法，它可以将信号分解成不同尺度和频率的子信号。
这种分解的过程是通过将信号与一组小波函数进行卷积得到的。
在图像处理中，小波变换可以将图像分解成不同频率的子图像，从而提取出图像的不同特征。
在进行图像特征提取时，我们需要选择适合的小波基函数。
常用的小波基函数有Haar、Daubechies、Symlet等。
这些小波基函数具有不同的频率和尺度特性，可以用于提取不同类型的图像特征。
例如，Haar小波基函数适合于边缘检测，而Daubechies小波基函数适合于纹理分析。
然而，仅仅选择合适的小波基函数还不足以评估图像特征提取的准确性。
在实际应用中，我们还需要考虑特征的重要性和稳定性。
特征的重要性指的是特征对于图像识别和分类的贡献程度，而特征的稳定性指的是特征在不同图像中的一致性。
为了评估特征的准确性，我们可以使用一些指标，如信息增益、相关系数和一致性指数。
信息增益是一种常用的特征选择指标，它衡量了特征对于分类任务的贡献程度。
信息增益越大，说明特征对于分类的影响越大。
相关系数是衡量特征与目标变量之间相关性的指标，相关系数越大，说明特征与目标变量的关联程度越高。
一致性指数是衡量特征在不同图像中的一致性的指标，一致性指数越高，说明特征在不同图像中的提取结果越稳定。
除了指标的选择，评估特征提取的准确性还需要考虑样本的选择和评估方法的选择。
样本的选择应该具有代表性，能够覆盖不同类型和难度的图像。
评估方法的选择应该合理，能够全面、客观地评估特征提取的准确性。
综上所述，小波变换在图像特征提取中的准确性评估是一个复杂而重要的问题。
除了选择合适的小波基函数，我们还需要考虑特征的重要性和稳定性。
小波变换特征提取
小波变换特征提取小波变换是一种用于信号分析的数学工具，它在信号处理、图像处理、模式识别等领域中有很广泛的应用。
小波变换具有区间局限性和多分辨率分析的特性，可以有效地提取信号中的特征信息，对于信号分析和识别具有重要意义。
小波变换的基本原理是将信号分解成不同频率的小波分量，从而得到信号在不同频率下的信息。
小波基函数的选择和分解层数会直接影响到得到的小波系数，进而影响到特征提取的效果。
通常，小波基函数可以选择Haar、Daubechies、Symlet等常用的小波基函数。
在小波变换的基础上，可以进行特征提取的处理，常见的方法有：1.小波包变换小波包变换可以根据需求对小波分解的结果进行更细致的调整，以更好地提取信号的特征。
小波包变换将小波系数进一步分解成多个分量，可以得到更多的信息，进而进行更精细的特征提取。
2.小波包能量特征小波包能量特征是通过计算小波包分解后的能量分布来提取特征。
利用小波包变换得到的分解系数，可以计算每一层分解后的能量占比，从而得到信号在不同频率下的能量分布。
可以根据某一频带的能量分布情况来分析信号的特征。
小波包熵特征是通过计算小波包分解后的信息熵来提取特征。
信息熵可以反映信号的复杂度和随机性，小波包熵特征可以提取出信号的随机性和更深层次的特征。
小波变换可以有效地提取信号的特征信息，对于信号分析和识别具有重要意义。
特征提取的方法可以根据信号的特点和需求进行选择，可以选择小波包变换、小波包能量特征、小波包熵特征和小波包峰值特征等方法。
在实际应用中，可以根据具体条件和要求进行选择和优化，以更好地提取信号的特征信息。
小波变换在图像特征提取中的应用
小波变换在图像特征提取中的应用小波变换是一种数学工具，被广泛应用于图像处理领域，特别是在图像特征提取方面。
本文将探讨小波变换在图像特征提取中的应用，并介绍其原理和方法。
在图像处理中，特征提取是一项重要的任务，它能够从原始图像中提取出具有代表性的信息，用于后续的分析和识别。
而小波变换作为一种多尺度分析方法，能够有效地捕捉图像的局部特征和全局特征，因此在图像特征提取中具有独特的优势。
小波变换的原理是将原始信号通过一系列小波基函数的线性组合来表示，其中小波基函数具有时域和频域的局部性质。
这种局部性质使得小波变换能够在不同尺度上对图像进行分析，从而提取出不同尺度下的特征信息。
同时，小波变换还能够提供图像的时频信息，即在时间和频率上同时分析图像，从而得到更加全面的特征描述。
在图像特征提取中，小波变换可以应用于多个方面。
首先，小波变换可以用于边缘检测。
边缘是图像中的重要特征之一，它能够表示物体的轮廓和形状。
通过对图像进行小波变换，可以将边缘信息从不同尺度的小波系数中提取出来，从而实现边缘检测。
其次，小波变换可以用于纹理特征提取。
纹理是图像中的重要特征之一，它能够表示物体的表面细节和结构。
通过对图像进行小波变换，可以将纹理信息从不同尺度的小波系数中提取出来，从而实现纹理特征提取。
此外，小波变换还可以用于目标识别、图像压缩等方面的特征提取。
在实际应用中，小波变换的图像特征提取方法有很多种。
其中，一种常用的方法是基于小波能量的特征提取。
该方法通过计算小波系数的能量来表示图像的特征，能够较好地捕捉图像的局部和全局特征。
另一种方法是基于小波熵的特征提取。
该方法通过计算小波系数的熵来表示图像的特征，能够较好地描述图像的复杂度和随机性。
此外，还有基于小波包变换、小波矩等方法的图像特征提取。
总之，小波变换在图像特征提取中具有广泛的应用前景。
它能够捕捉图像的局部和全局特征，提取出具有代表性的信息。
通过不同的特征提取方法，可以实现对图像的边缘、纹理、目标等特征的提取。
小波变换在深度学习中的特征提取方法探讨
小波变换在深度学习中的特征提取方法探讨深度学习作为一种强大的机器学习方法，已经在许多领域取得了令人瞩目的成果。
然而，深度学习模型的成功很大程度上依赖于对数据的特征提取能力。
在深度学习中，特征提取是一个至关重要的步骤，它决定了模型的性能和效果。
传统的特征提取方法通常是基于统计学的思想，例如使用滤波器或特征描述子来捕捉图像、语音或文本中的关键信息。
然而，这些方法往往面临着维度灾难和信息丢失的问题。
为了解决这些问题，研究人员开始探索新的特征提取方法，其中之一就是小波变换。
小波变换是一种多尺度分析方法，它能够将信号分解成不同频率范围的子信号。
与传统的傅里叶变换相比，小波变换能够更好地捕捉信号的时频特性。
因此，小波变换被广泛应用于信号处理、图像处理和语音识别等领域。
在深度学习中，小波变换可以作为一种特征提取方法，用于提取输入数据的有用信息。
通过将输入数据进行小波分解，我们可以得到一系列的小波系数，这些系数反映了数据在不同频率范围内的能量分布。
这些小波系数可以作为输入数据的新表示，用于训练深度学习模型。
与传统的特征提取方法相比，小波变换具有以下优势：首先，小波变换能够提供多尺度的信息。
由于深度学习模型对输入数据的尺度敏感，多尺度信息对于提高模型的性能非常重要。
小波变换能够将输入数据分解成不同频率范围的子信号，从而提供了多尺度的信息。
其次，小波变换能够捕捉信号的时频特性。
在深度学习中，时频特性是非常重要的，因为它反映了数据在不同时间和频率上的变化。
小波变换能够通过调整小波函数的参数，捕捉信号的时频特性，从而提供更具判别性的特征。
另外，小波变换具有较好的局部化特性。
与傅里叶变换相比，小波变换能够更好地处理非平稳信号，因为它能够在时间和频率上对信号进行局部分析。
这种局部化特性使得小波变换在图像处理和语音识别等领域具有广泛的应用。
然而，小波变换在深度学习中也存在一些挑战和限制。
首先，小波变换的计算复杂度较高，特别是在处理大规模数据时。
基于小波变换的图像特征提取和分类技术研究
基于小波变换的图像特征提取和分类技术研究现代科技的飞速发展推动了数字图像处理领域的不断壮大，而其中的关键技术之一便是图像特征提取和分类。
图像特征提取是指将图像中的信息转化为数字或向量形式，通过各种算法对图像进行描述和区分。
分类则是将提取出来的特征进行标记和分组，从而实现对图像的识别或分类。
而小波变换则是提取图像特征的重要手段之一。
小波变换是一种数字信号处理技术，通过对信号分解和重建实现信号的降噪、压缩和特征提取。
与傅里叶变换相比，小波变换对信号的分析更加精细，不同尺度的小波基函数可以更好地适应信号的局部特征。
因此，小波变换在图像处理领域中有着广泛的应用。
在进行图像特征提取和分类时，小波变换可以采用多种方法，如离散小波变换（DWT）、连续小波变换（CWT）和小波包变换（WPT）等。
其中，DWT是最为常用的一种方法。
它将图像分解成不同尺度和方向的子带，通过计算子带的能量分布和统计特征来提取图像的特征。
同时，DWT还可以通过重构子带获得更高分辨率的图像，这对于图像增强和恢复具有重要意义。
在基于小波变换的图像特征提取方法中，最为常见的是基于多尺度低通滤波器组和高通滤波器组的小波变换技术。
这种方法通过滤波器组对图像进行分解，并获得不同尺度和方向的子带系数。
在特征提取时，通常选择一些统计特征，如均值、方差、标准差、熵等，并将这些特征作为图像的特征向量。
通过对这些特征向量的处理和归一化，可以有效地区分图像并实现分类目的。
在图像分类领域中，小波变换技术也得到了广泛应用。
以图像检索为例，传统方法往往采用颜色直方图和纹理特征等方法来描述图像，这种方法在某些情况下容易受到噪声、图像质量和不同光照条件的影响。
而基于小波变换的图像分类方法则可以克服这些问题，并达到更加准确的识别效果。
综上所述，基于小波变换的图像特征提取和分类技术是一种十分重要的数字图像处理技术。
它可以通过不同的小波变换方法来提取图像的各种特征，并有效地实现图像的分类、识别和检索等功能。
小波变换及其在图像边缘特征提取中的应用
Ｆ （ ） ＝ｆ ｆ （ ｖ ） ｅ ｘ ｐ （ 一 ｉ ２ ７ ｒ ｖ ｘ ） ｄ ｖ
， ｏ 、
傅立叶变换只适用于处理频谱成分不变的平稳信号 ，而在处理非 平稳信号时会带来很大误差 ， 甚至与实际情况大相径庭 ； 其次 ， 傅里叶 变换只能获得光信号在全部区间内的平均分布情况，而对于局部或暂 态信号 ， 傅里叶变换就不适用了。因此， 我们需要寻找一种新的分析方
１小波 变换的定 义
一
图１ 加 窗傅里 叶变换 与连续 小波变换的 时频 窗 口的示 意图
．
．
．
一
一
一
若待分析信号 ｆ （ ｘ ） ∈ （ Ｒ ） 为能量有限的一维函数
， （ ＝ ∑∑ ，
ｊ ＜Ｊ ∈ ｚ
（ ３ ）
ｄ ｊ ｋ ＝
，
（ ， ， ‰） ＝ ２
） ￣ （ ２ Ｊ ｘ － ｋ ） ｄ ｘ
科技创 新与 应用 ｌ ２ ０ １ ３ 年 第１ ６ 期
科 技 创 新
小波变换及其在图像边缘特征提取中的应用
陈 爱 辉
（ 陕西省西安市西安欧亚学院 通识教 育学院， 陕西 西安 ７ １ ０ ０ ６ ５ ）
摘 要： 讨论 了傅 里叶 变换 的缺 点及 小波 变换 的 定义 ， 分析 了小 波 变换和 加 窗傅 里叶 变 换 的特 点 。介 绍 用传 统 的 ４ ｆ 光 学 处理 系 统实现小波变换 ， 它在光学图像的边缘特征提取 中能够很好地得到应用。 关 键词 ： 小波 变换 ； 加 窗傅 里 叶 变换 ； 光 学 系统 ； 边缘 特 征提 取 图２ 和图 ３ 分别是 加窗傅 里 叶变换 和小波 变换 的基 元 函数波 形 ， 傅立叶变换是传统的光信息处理中非常重要的一个工具，它在科 在加 窗傅里 叶变换 中 ， 窗的宽度不 变 ， 窗 口内包含 的空间周期 数 随着 频 学和技术领域中得到了广泛的应用 。信号 ｆ ｉ ｘ ） 的傅里叶变换定义为 率 的增 加而增 加 ； 而在小 波变换 中 ， 窗 口的宽 度随着频 率 的减 小而 自动 Ｆ ‘ ｔ Ｊ ， 一 。 ｏ 。 ， （ ｘ ） ｅ ｘ ｐ 一 ２ 丌 （ ｌ １ ｌ ） Ｉ 加宽 ， 但是窗口内包含的空间周期数相同。这正是小波变换和加窗傅里 叶变换 的根本 区别 。 其 逆变换
小波变换在图像特征提取中的应用案例
小波变换在图像特征提取中的应用案例小波变换是一种信号处理和图像处理中常用的数学工具，它在图像特征提取中有着广泛的应用。
本文将通过几个实际案例来介绍小波变换在图像特征提取中的应用。
案例一：纹理特征提取纹理是图像中重要的视觉特征之一，通过提取图像的纹理特征可以用于图像分类、目标识别等应用。
小波变换可以有效地提取图像的纹理特征。
以纹理分类为例，首先将图像进行小波分解，得到不同尺度和方向的小波系数。
然后，通过对小波系数进行统计分析，如计算均值、方差等，可以得到一组纹理特征向量。
最后，利用这些特征向量可以进行纹理分类。
案例二：边缘检测边缘是图像中物体之间的分界线，对于图像分析和目标检测具有重要意义。
小波变换可以有效地提取图像的边缘信息。
通过对图像进行小波变换，可以得到不同尺度和方向的边缘响应。
然后，通过对边缘响应进行阈值处理和边缘增强，可以得到清晰的边缘图像。
这些边缘图像可以用于图像分割、目标检测等应用。
案例三：图像压缩图像压缩是图像处理中的重要任务，可以减少存储空间和传输带宽的消耗。
小波变换可以用于图像的有损压缩和无损压缩。
在有损压缩中，通过对图像进行小波分解和量化，可以得到低频和高频小波系数。
然后，通过对高频系数进行舍弃或者量化，可以实现对图像的压缩。
在无损压缩中，通过对小波系数进行编码和解码，可以实现对图像的无损压缩。
案例四：图像增强图像增强是改善图像质量和提高图像视觉效果的重要任务。
小波变换可以用于图像的多尺度增强。
通过对图像进行小波分解，可以得到不同尺度和方向的小波系数。
然后，通过对小波系数进行增强操作，如对比度增强、锐化等，可以改善图像的质量和增强图像的细节。
综上所述，小波变换在图像特征提取中有着广泛的应用。
通过对图像进行小波变换，可以提取图像的纹理特征、边缘信息等重要特征，实现图像分类、目标检测等应用。
同时，小波变换还可以用于图像的压缩和增强，提高图像的质量和视觉效果。
因此，小波变换在图像处理中具有重要的地位和应用前景。
使用小波变换进行图像特征提取的方法与实践
使用小波变换进行图像特征提取的方法与实践图像特征提取是计算机视觉领域的重要研究方向之一，它可以从图像中提取出具有代表性的特征，用于图像分类、目标识别等任务。
而小波变换作为一种有效的信号分析工具，也被广泛应用于图像处理中的特征提取任务。
本文将介绍使用小波变换进行图像特征提取的方法与实践。
首先，我们需要了解小波变换的基本原理。
小波变换是一种基于信号的频率分析方法，它能够将信号分解成不同频率的成分。
与傅里叶变换相比，小波变换具有更好的时频局部性，能够更准确地描述信号的时域和频域特征。
在图像处理中，我们可以将图像看作是二维信号，通过对图像进行小波变换，可以得到图像在不同频率和尺度上的特征信息。
在实际应用中，我们通常使用离散小波变换（DWT）进行图像特征提取。
离散小波变换将图像分解为低频和高频部分，其中低频部分包含了图像的大致轮廓和整体结构，而高频部分则包含了图像的细节信息。
通过对高频部分进行进一步分解，我们可以获取到更细节的特征信息。
因此，离散小波变换可以帮助我们从宏观和微观两个层面上对图像进行特征提取。
在实践中，我们通常采用小波包变换（DWP）进行图像特征提取。
小波包变换是对离散小波变换的扩展，它能够更细致地分解图像，提取出更多的特征信息。
小波包变换通过对图像进行多层分解，得到一系列的小波包系数。
这些小波包系数代表了图像在不同频率和尺度上的特征，可以用于图像分类、目标识别等任务。
在进行小波包变换之后，我们需要对小波包系数进行特征选择。
由于小波包变换得到的小波包系数数量庞大，其中很多系数对图像的特征描述作用较小。
因此，我们需要通过特征选择算法来选取出最具代表性的特征。
常用的特征选择算法包括主成分分析（PCA）、线性判别分析（LDA）等。
这些算法能够通过降维的方式，选取出最具代表性的特征，提高图像分类和目标识别的准确率。
除了特征选择外，我们还可以通过特征提取算法来进一步提取图像的高级特征。
常用的特征提取算法包括局部二值模式（LBP）、方向梯度直方图（HOG）等。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
华北水型奎苎兰．！型
ｉｆ（ａｎ９１ｅｓ（∽■嗣卑（ｃａｎｇ（ｔｈ）以ｒｓａｎｇ
ｎｋｘ＝ｓｃａｌｅｓ
０ｓｃＪ举、ｗ””
（ｔｈ卜砖墨一蜘∽川ｓａｎ舯卜ｋ¨狮ｇ（ｔｈ）书ｋｙ）；
ｄ舛
．
ｎｋｘ＝ｓｃａｌｅｓ（ｓｃ）卓ｋｘ５
ｎｂ；ｓｃａｌｅｓ（ｓｅ）乩ｙ；
ｅｎｄ
㈣异等篙懈篡三≯啵＂・：耋瓮慧嚣赫囊嚣嚣茹ｒＨ
图３原始模型
２一。
点燃如图４所示．
分析模型的流崔则１蜀１∥”。
角譬藏一
角度的选择主摹堡毫慧篆豢筐因子趋势和局部细节的分析＇则赞蛆Ｈ”“
第２８卷第４期蒋礼等：运用各向异性小波变换进行图像特征提取４３
度因子来控制．对于２个互相垂直的方向，如果尺度相同，那么选择互为倒数的衰减度因子，处理的效果是相同的．
３图像特征提取
３．１图像的细节特征提取
对一幅图像进行评测的首要目的‘，就是对其细节Ｈ１进行提取．在模型图中，虽然细节（小黑块）众多，但其排列的趋势主要是横纵２个方向．３．１．１横向细节特征提取
图５是一个横向细节特征提取图．选择日＝１Ｔ／２，ｓ蹭…＝０．１，ｓ喀…＝２：５、；等效于ｄ＝０，ｓ哲…＝２．５，ｓ喀…＝Ｏ．１．长轴是短轴的２５倍，能够按照所选择的方向突出任何细节．由图５可看出：横轴的横向细节突出得最好，纵轴其次，而斜向由于没有水平平行的细节，所以最差．
３．１．２纵向细节特征提取
由于横轴、纵轴和斜向都有明显的垂直细节，经过突出纵向细节的各向异性小波变换，其垂直细节比较清楚，如图６所示（图５～８像素均为５１２×５１２）．
３．１．３细节的精确特征提取
对于细节的全面分析，不能突出任一方向，故选用各向同性的小尺度的小波变换．此时ｓ皙一＝ｓ培。
，，
图６纵向细节图
图８横向趋势图所以无论ｐ取何值都不起作用．如图７所示，各个方向上的细节点都清晰地显示出来．
３．２图像的整体趋势分析
为了突出横向趋势，必须加大尺度，如图８所示，横轴的水平趋势一览无余，而纵轴和斜轴，均被过滤掉了，此时Ⅱ＝２，ｐ＝Ｏ，ｓ国…＝１０，ｓ培…＝１．同理，图像的纵向趋势特征如图９所示，ｎ＝２，扫＝÷，
厶ｓ瞎一＝１０，ｓ涪…＝１；图像的斜向趋势特征如图１０
ｏ
所示，口＝２，９＝÷霄，５哲…＝１０，ｓ园…＝１；为了提取
叶
折向轮廓，采用滤掉斜向信号的方法．取９＝÷，调
叶
整尺度和衰减度，得到结果如图１１所示．其中：ｎ＝２，ｓ留…＝１０，ｓ留…＝１．
图５横向细节圈
图７整体细节图
图９纵向趋势图
华北水利水电学院学报
２００７年８月
４结语
图ｌＯ斜向趋势图
虽然运用各向异性小波变换对于图像趋势和细节的处理，取得了比较满意的结果，但是还有许多的不足：①如果能把小波程序移植到Ｃ语言平台上，将大大提高运算效率；②各向异性小波变换主要是基于墨西哥帽小波基的，如果能够进一步运用其他小波基，将会有新的收获；③由于条件限制，对于各向异性小波变换的方向选择比较局限，一次仅选取一个方向，将来有所改进，应该依据△８的大小，同时遍历各个角度，且各个方向取不同的￡值．
参考
文献
［１］李建平．小波分析与信号处理——理论、应用及软件实
图１１折向轮廓图
现［Ｍ］．重庆：重庆出版社，１９９７．［２］
ＧＡＩＬＬＯＬＰ，ＤＡＲＲ０ｚＥｓＪ，ｃｏｕＲＪＡＵＬＴ—ＲＡＤＥＰ，ａｎｄ
ｏｔｈｅｒｓ．
ＳｔｍｃｔｕｒａＩａｎａｌｙｓｉｓｏｆｈｙｐｏｃｅｎｔｒａｌｄｉｓｔｒｉｂｕｔｉｏｎｏｆ
ａｎ
ｅａｒｔｈｑｕａｋｅｓｅｑｕｅｎｃｅ
ｕｓｉｎｇａｎｉｓｏｈ．ｏｐｉｃｗａＶｅｌｅｔｓ：Ｍｅｔｈｏｄ
ａｎｄ
ａｐｐｌｉｃａｔｉｏｎ［Ｊ］．
Ｔｏｕｍａｌ
０ｆｇｅｏｐｈｙｓｉｃａｌ
Ｒｒｓｅａｒｃｈ，
２００２，１０７（Ｂ１０）：２２１８．
［３］ＭＡＲＴＩＮ
Ｊ
ｗＡＩＮｗＲＩＧＨＴ，ＥＥＲ０ＰｓＩＭＯＮｃＥＬｕ，ＡＬ—
ＡＮ
Ｓ
ＷＩＬＬＡＫＹ．
Ｒａｎｄｏｍｃａｓｃａｄｅｓ
ｏｎ
ｗａｖｅｌｅｔ
ｔｒｅｅｓａｎｄ
ｔｈｅｉｒ
ｕｓｅ
ｉｎａｎａｌｙ２；ｎｇ
ａｎｄｍｏｄｅｌｉｎｇ
ｎａｔｕｒａｌ
ｉｍａｇｅｓ［ｊ］．
Ａｐｐｌｉｅｄａｎｄ
Ｃｏｍｐｕｔａｔｉｏｎａｌ
Ｈａｒｍｏｎｉｃ
Ａｎａｌｙ８ｉｓ，
２００１
（１１）：８９一１２３．
［４］ＡＲＮＥＯＤ０Ａ，ＤＥＣ０ｓＴＥＲＮ，ＲＯｕｘＳＧ．Ａｗａｖｅｌｅｔ—
ｂａｓｅｄｍｅｔｈｏｄｆｏｒｍｕｌｔｉ｛ｌａｃｔａｌｉｍａｇｅａｎａｌｙｓｉｓ，Ｉ．Ｍｅｔｈｏｄ０１－
ｏｇｙ
ａｎｄｔｅｓｔ
ａｐｐｌｉｃａｔｉｏｎｓ
ｏｎ
ｉｓｏｔｍｐｉｃ
ａｎｄａｎｉｓｏｔｒｏｐｉｃ
ｒａｎ・
ｄｏｍｒｏｕｇｈｓｕＩｆａｃｅｓ［Ｊ］．Ｔｈｅ
Ｅｕｒｏｐｅａｎ
Ｐｈｙｓｉｃａｌ
Ｊｏｕｍａｌ
２０００，Ｂ（１５）：５６７—６００．
ＦｅａｔｕｒｅＥｘｔｒａｃｔｉＯｎｏｆＩｍａｇｅＵｓｉｎｇｔｈｅＡｎｉｓｏｔｒＯｐｉｃ
ＷａＶｅｌｅｔＴｒａｎｓｆｂｒｍ
ＪＩＡＮＧＬｉ，ＰＥＮＧＧａｏ也ｕｉ，ＹＵＡＮＨｅ—ｅａｌ
（ＮｏｒｔｈＣｈｉｎａＩｎｓｔｉｔｕｔｅｏｆＷａｔｅｒＣｏｎｓｅｒｖａｎｃｙａｎｄＨｙｄｒｏｅｌｅｃｔｒｉｃＰｏｗｅｒ，ｚｈｅｎｇｚｈｏｕ４５００ｌ１，Ｃｈｉｎａ）
Ａｂｓｔｒａｃｔ：Ｄｕｒｉｎｇｔｈｅｉｍａｇｅｉｎｆｂｒｍａｔｉｏｎｅｘｔｒａｃｔｉｏｎ，ｉｎｏｒｄｅｒ
ｔｏ
ｒｅａｌｉｚｅｔｈｅｗａｖｅｌｅｔｄｅｃｏｍｐｏｓｅｄｉｎ
ａｎｙ
ｄｉｒｅｃｔｉｏｎａｎｄ
ａｎｙｓｉｚｅ，ａｎｉｓｏｔｒｏｐｉｃ
ｗａｖｅｌｅｔ
ｔｒａｎｓｆ０瑚ｉｓ
ａ
ｎｅｗ
ｔｈｅｏｒｙａｄｄｉｎｇｒｏｔａｔｉｏｎｆａｃｔｏｒａｎｄｓｈａｐｅｒａｔｉｏｆａｃｔｏｒｂａｓｅｄ
ｏｎ
ｃＤｎｈｎｕｏｕｓｗａｖｅｌｅｔ
ｔｒａｎｓｆ０彻．Ｉｔ
ｃａｎ
ｂｅｒｅａｌｉｚｅｄ
ｃｏｎｖｅｎｉｅｎｔｌｙｔｈｒｏｕｇｈＭａｔｌａｂｐｒｏｇｒａｍ．Ａｎｉｓｏｔｒｏｐｉｃｗａｖｅｌｅｔｔｒａｎｓｆｏｍ
ｃａｎｅｘｔｒａｃｔｔｈｅｔｒｅｎｄｆｅａｔｕｒｅａｎｄｄｅｔａｉｌｆｅａｔｕｒｅｉｎ
ａｎｙ
ｄｉｒｅｃｔｉｏｎ．Ｉｔ
ｉｓ
ａ
ｅｆｋｃｔｉＶｅａｌｇｏｒｉｔｈｍ
ｔｏｅｘｔｒａｃｔ
ｔｈｅｆｅ８ｔ＿Ｌ圭ｒｅ《ｉｍａｇｅ．
Ｋｅｙｗｏｒｄｓ：ａｎｉｓｏｔｒｏｐｉｃ；ｗａｖｅｌｅｔ
ｔｒａｎｓｆ０珊；ｉｍａｇｅ。