1) DT DWT
双树状离散小波变换
2) Discrete Biorthogonal Wavelet Transform
离散双正交小波变换
3) dual tree complex wavelet transform
双树复小波变换
1.
Shift invariant and directionally selective dual tree complex wavelet transform was introduced for source image′s decomposition.
算法引入具有平移不变性和良好的方向分析能力的双树复小波变换对源图像进行多尺度分解;然后对分解得到的各尺度的高频子带采用基于跨尺度的邻域空间频率的融合策略,最高层的低频子带采用基于改进的邻域熵的融合策略进行融合处理;最后对融合后的各个频带进行双树复小波逆变换,重构出融合图像。
2.
In order to remove a small amount of noise in the texture image, we employ the dual tree complex wavelet transform,and then reconstruct the profile.
在轮廓构建中先对纹理图像进行类似纹理再提取,去除当中少量的噪声,其中使用了双树复小波变换。
4) dual-tree complex-wavelet transform
双树-复小波变换
1.
In order to efficiently accomplish the face recognition using dual-tree complex-wavelet transform(DT-CWT),a method composed of DT-CWT and orthogonal neighborhood preserving projections(ONPP) is proposed.
为了有效地利用双树-复小波变换(DT-CWT)进行人脸识别,提出一种将DT-CWT与正交邻域保持投射(ONPP)相结合的方法。
5) DTCWT
双树复小波变换
1.
In this paper,we propose a video watermarking algorithm based on texture object in MPEG-4 and the dual-tree complex wavelet transform(DTCWT).
该文根据MPEG-4引入的视频对象概念以及对视频对象纹理的编码原理,利用双树复小波变换实现视频图像的纹理分析,将水印嵌入与视频编码结合起来,提出了基于DTCWT和MPEG-4纹理对象的视频水印算法。
2.
Based on the traditional wavelet transform,this paper presents three remote-sensing image fusion methods,IHS and DTCWT image fusion,local deviation of DTCW.
介绍了DTCWT(双树复小波变换)的基本原理,与传统小波变换相比,DTCWT具有良好的平移不变性和方向选择性,能够提高小波分解和重构的精度,更好地保持边缘、纹理等细节。
6) Dual-Tree Complex Wavelet Transform(DT-CWT)
双树复小波变换
1.
An image fusion method based on Dual-Tree Complex Wavelet Transform(DT-CWT) is put forward in order to obtain better fusion effect.
为获得更好的融合效果,提出基于双树复小波变换的图像融合方法。
2.
The dual-tree complex wavelet transform(DT-CWT) method is introduced to achieve shift invariant multi-resolution representation of each source images.
该方法通过目标检测技术将源图像序列分割成目标和背景区域,并在目标和背景区域里分别采用不同的融合规则,同时使用双树复小波变换方法使每一幅源图像具有移不变多分辨率表示。
3.
In order to improve the recognition accuracy among the kinds of aphids,the recognition method among kinds of aphids based on Dual-Tree Complex Wavelet Transform(DT-CWT) and Support Vector Machine(Libsvm) is proposed.
为提高蚜虫种间识别的准确率,提出了一种基于双树复小波变换(DT-CWT)和支持向量机(Libsvm)的蚜虫图像种间识别方法。
补充资料：N点有限长序列的离散傅里叶变换
时域N点序列χ(n)的离散傅里叶变换(DFT)以X(k)表示，定义为
(1)
式中K＝0,1,...,N-1。式(1)称为DFT的正变换。从式(1)可以导出
(2)
式中n＝0,1,...,N-1。式(2)称为DFT的逆变换。式(1)和式(2)合起来称为离散傅里叶变换对。
由于在科学技术工作中人们所得到的离散时间信号大多是有限长的N点序列，所以对N点序列进行时域和频域之间的变换是常用的变换，另外 DFT有它的快速算法，使变换可以在很短的时间内完成,所以DFT是数字信号处理中最为重要的工具之一。
DFT的原理 是以给定的时域N点序列χ(n)作为主值周期进行周期延拓（即使之周期化）得到以 N点为周期的离散周期序列χ((n))N,再求χ((n))N的离散傅里叶级数(DFS)表示(见离散时间周期序列的离散傅里叶级数表示),得频域的N点离散周期序列X((k))N,最后从X((k))N中取出其主值周期，即得X(k)。同理，与此相似，如果已知X(k)求χ(n),则是从X(k)得X((k))N，再从X((k))N得χ((n))N，取出主值周期即得χ(n)。这个概念很重要，DFT的性质大都与此有关。至于从χ(n)求X(k)，或已知X(k)求χ(n)则是用(1)式或(2)式直接进行的，并不需要通过χ((n))N和X((k))N。
DFT的主要性质 共有5点，如下表中所列。表中a、b为常数, χ((m))N为以N点为周期的周期序列，χ((n+m))N为χ((n))N序列整体左移m点后的结果其他符号如X((k+l))N，X((l))N，Y((k-l))N及y((n-m))N等可类推其含义，不一一列出。
DFT的快速算法 又称为快速傅里叶变换(FFT)。当序列的长度N为2的整数次幂（即N＝2,&λ为整数）时,算法的指导思想是将一个N 点序列的DFT分成两个N/2点序列的DFT,再分成四个N/4点序列的DFT,如此下去,直到变成N/2个两点序列的DFT。这种快速算法的计算工作量与DFT的直接计算的计算工作量之比约为log2N/(2N),以N=1024为例FFT的计算工作量仅约为DFT直接计算的1/200。
(1)
式中K＝0,1,...,N-1。式(1)称为DFT的正变换。从式(1)可以导出
(2)
式中n＝0,1,...,N-1。式(2)称为DFT的逆变换。式(1)和式(2)合起来称为离散傅里叶变换对。
由于在科学技术工作中人们所得到的离散时间信号大多是有限长的N点序列，所以对N点序列进行时域和频域之间的变换是常用的变换，另外 DFT有它的快速算法，使变换可以在很短的时间内完成,所以DFT是数字信号处理中最为重要的工具之一。
DFT的原理 是以给定的时域N点序列χ(n)作为主值周期进行周期延拓（即使之周期化）得到以 N点为周期的离散周期序列χ((n))N,再求χ((n))N的离散傅里叶级数(DFS)表示(见离散时间周期序列的离散傅里叶级数表示),得频域的N点离散周期序列X((k))N,最后从X((k))N中取出其主值周期，即得X(k)。同理，与此相似，如果已知X(k)求χ(n),则是从X(k)得X((k))N，再从X((k))N得χ((n))N，取出主值周期即得χ(n)。这个概念很重要，DFT的性质大都与此有关。至于从χ(n)求X(k)，或已知X(k)求χ(n)则是用(1)式或(2)式直接进行的，并不需要通过χ((n))N和X((k))N。
DFT的主要性质 共有5点，如下表中所列。表中a、b为常数, χ((m))N为以N点为周期的周期序列，χ((n+m))N为χ((n))N序列整体左移m点后的结果其他符号如X((k+l))N，X((l))N，Y((k-l))N及y((n-m))N等可类推其含义，不一一列出。
DFT的快速算法 又称为快速傅里叶变换(FFT)。当序列的长度N为2的整数次幂（即N＝2,&λ为整数）时,算法的指导思想是将一个N 点序列的DFT分成两个N/2点序列的DFT,再分成四个N/4点序列的DFT,如此下去,直到变成N/2个两点序列的DFT。这种快速算法的计算工作量与DFT的直接计算的计算工作量之比约为log2N/(2N),以N=1024为例FFT的计算工作量仅约为DFT直接计算的1/200。
说明：补充资料仅用于学习参考，请勿用于其它任何用途。
参考词条