结合小波变换的图像处理新突破！idea高创新，学会这操作轻松发CCF-B！

结合小波变换的图像处理新突破！idea高创新，学会这操作轻松发CCF-B！

对于从事图像处理研究的学者来说，小波变换是一个非常重要的工具。它不仅能够同时在时域和频域提供信号信息，还具有出色的多尺度分析、高效压缩及去噪能力。本文将介绍小波变换的基本原理及其在图像处理领域的最新应用，包括医学图像配准、脉冲流处理和医学图像分割等方向。

小波变换在图像处理中的优势

小波变换是图像处理领域的一种常用数学工具，其主要优势在于能够同时在时域和频域提供信号信息，反映信号局部变化特征。这使得小波变换在多尺度分析、高效压缩及去噪能力上具有显著优势，对提升图像质量和处理效率非常有帮助。

WiNet：基于小波变换的增量学习网络

WiNet是一种基于小波变换的增量学习网络，主要用于医学图像配准。该方法通过在不同尺度下估计小波系数来进行变形场的粗到细估计，并在卷积编码器前嵌入了一个可微分的小波变换（DWT）层，使得网络能够在不同频率带的低分辨率表示上进行操作。这种方法在保证准确性的同时，大幅度降低了内存消耗和计算复杂度。

WGSE：基于离散小波变换的脉冲流表示方法

WGSE方法首先利用离散小波变换对脉冲流进行多级分解以提取时间-频率特征，然后通过卷积神经网络对这些特征进行学习和增强，最后通过逆小波变换重构出新的脉冲流表示。这种方法在图像重建和语义分割等视觉任务中取得了性能提升，并构建了一个新的合成数据集“Spike-Cityscapes”以促进未来研究。

WRANet：集成小波变换的残差注意力U-Net网络

WRANet是一种专门用于医学图像分割任务的新型网络结构。该方法通过将离散小波变换集成到U-Net架构中替代传统的下采样模块，并引入残差注意力机制，以提高医学图像分割的鲁棒性和性能。这种方法设计了离散小波变换层（DWT）进行下采样，并在编码器和解码器之间使用跳跃连接层，结合残差注意力模型（RAM），以缓解梯度消失和特征信息丢失带来的性能下降。

基于小波变换和线性注意力的可变形医学图像配准

该方法通过小波下采样模块和线性小波自注意力（LWSA）模块来减少下采样过程中的信息丢失，并提高模型对全局特征的捕捉能力。具体来说，该方法引入小波变换替代传统下采样方法，减少了因下采样操作导致的信息丢失，并将图像在小波域的低频表示输入Transformer进行特征建模，高频表示则输入解码器以补偿信息损失。此外，该方法将线性注意力与小波变换相结合，提出了一种新的注意力模块“线性波浪自注意力”。