针对含有文本、图像、表格和公式等复杂扫描电子文档的倾斜校正问题,提出了一种基于Shearlet(剪切波)变换与多尺度分析的复杂文档图像倾斜检测方法,利用剪切波变换的局部性和方向性,可以得到各个方向的能量值,能量最高的两个分量分别对应于横画与竖画的方向,根据这两个方向可以较准确地检测出扫描文档图像中文字行的方向并进一步确定扫描文档图像的倾斜角度。实验结果表明,该方法可以避免扫描文档中图像、表格等的干扰,具有较好的抗噪声能力,对于具有复杂内容的文档图像有较高的检测准确率。

人工智人-家居设计-基于Shearlet和智能优化算法的图像融合方法研究.pdf

提出了一种Shearlet变换域嵌入强度因子能随图像内容自适应的水印算法。算法首先利用Shearlet变换对图像内容稀疏表示选择性，找出符合人眼视觉特性要求的水印嵌入位置,然后依据图像内容自适应地计算出水印嵌入强度因子，较好地解决了鲁棒性与可见性之间的矛盾。实验结果表明，该算法能够抵抗各种攻击，具有强鲁棒性。

低剂量CT（LDCT）扫描是减少人群中X射线辐射的一种潜在方法。 有必要提高低剂量CT图像的质量。 在本文中，我们提出了一种有效的算法，用于利用剪切波变换去除LDCT图像中的量子噪声。 因为可以通过泊松过程来模拟量子噪声，所以我们首先使用安斯科姆方差稳定变换（VST）对量子噪声进行变换，从而产生具有单位方差的近似高斯噪声。 其次，通过在小波域中的自适应硬阈值处理获得无噪声的小波系数。 第三，我们使用逆剪切波变换来重建去噪图像。 最后，将anscombe逆变换应用于降噪后的图像，从而可以产生改进的图像。 主要贡献是将anscombe VST与Slicelet变换相结合。 通过这种方式，可以有效地将边缘系数和噪声系数与高频子带分离。 使用所提出的方法对一些LDCT图像进行了许多实验。 定量和视觉结果均表明，该方法可以有效地减少量子噪声，同时增强细微的细节。 在临床应用中具有一定的价值。

离散控制Matlab代码Shearlet增强快照压缩成像（SeSCI） 这是，，，和Guihai Chen撰写的IEEE图像处理事务（TIP）中常规论文Shearlet增强快照压缩成像的资料库。 快照压缩成像 开发了快照压缩成像（SCI）系统，以使用低尺寸的现成传感器捕获高尺寸（$ \ geqslant3 $）信号。 多个帧被压缩为单个测量帧，从而节省了内存，带宽和其他资源。 采样过程中的简洁性使其难以重建原始帧。 在此存储库中，我们实现了一种称为“剪切波增强快照压缩成像”（SeSCI）的重建算法，该算法可确保在短时间内进行准确的重建。 SeSCI的性能源自先于频率域和小波域的联合稀疏性。 我们在两个名为编码Kong径压缩时间成像（CACTI）和编码Kong径镜头频谱成像（CASSI）的SCI系统上进行了重建实验。 我们将提出的SeSCI与其他算法进行比较，并进行SeSCI的消融实验。 我们还揭示了SeSCI在幻像成像（GI）系统上的泛化能力。 相关代码在“ experiments文件夹下列出。 这是重建图像的示例。 图1：重建示例。 剪毛 剪切波是多尺度图像变换域，其提供图像信号的方

去噪声代码matlab ShearCuda 该软件包包含ShearCuda，它是2D和3D Shearlet变换的CUDA端口。 如果您使用我们的代码，请引用以下文章： X. Gibert，VM Patel，D。Labate和R. Chellappa。 “ GPU上的离散Shearlet变换及其在异常检测和去噪中的应用。” EURASIP信号处理进展杂志2014（1），1-14。 可在 先决条件 该库基于NVIDIA CUDA和MATLAB。 要使用此库，必须具有支持CUDA的设备。 该开发已在Linux（特别是RHEL 6）中完成，但是代码在Windows和Mac OS X上应该无需更改即可编译。 环境设定 在启动MATLAB之前，需要先设置CUDA环境。 另外，您需要定义CUDA_PATH到安装CUDA的基本路径。 例如，在Linux中启动MATLAB的脚本可能是：依靠CUDA_PATH来确定 export PATH=/opt/common/cuda/cuda-5.0.35/bin:$PATH export LD_LIBRARY_PATH=/opt/common/cuda/cuda

结合NSST和快速非局部均值滤波的图像去噪

剪切波变换的工具包（Matlab版）

剪切波变换的源代码，快速、可变波函数，简单的应用。

为了从遥感图像中提取出更为准确完整的目标边缘，提出一种基于无下采样Shearlet 模极大值和改进数学形态学的目标边缘提取方法。首先采用无下采样 Shearlet 变换(NSST)将图像分解成边缘细节丰富的高频分量和边缘细节较少的低频分量；然后结合不同分解程度下边缘像素点处的系数关系，对高频分量的各个子带进行模极大值检测，再经过双层掩膜筛选后得到高频边缘提取结果；对低频分量采用改进的数学形态学方法，得到低频边缘提取结果；最后将上述两部分融合，使用区域连通方法去除孤立点，得到最终的目标边缘图像。大量实验结果表明，与 Canny 以及其他 4 种同类边缘提取方法相比，本文方法所得边缘定位准确、完整清晰、细节丰富，且抗噪能力强，为后续遥感图像目标特征提取与识别奠定更好基础。