多尺度变换域隐马尔可夫模型能够有效地描述变换域系数在尺度间、尺度内和方向间的统计相关性,是 一种新的统计图像感知与识别方法. 文中以变换域系数的统计相关性描述为中心,以模型的设计和应用的开展为 两翼,深入分析了子波变换的三级统计特性与机理,比较研究了多尺度变换域的十种统计模型,并系统评述了这些 模型在图像感知、处理和分析中的最新进展. 同时,具体论述了这一领域研究中两类成功的实例:图像去噪和图像 纹理分割. 对于前者,以Lena 图像为测试用例分析比较了以变换域统计模型为核心的

针对子块级背景建模方法无法保证所提取前景形状的精确性及像素级背景建模方法无法有效处理非平稳场景的问题，提出了一种背景建模分层模型，首先采用文中子块级建模算法得到较为粗糙的背景区域和前景区域，然后利用混合高斯模型对特定图像区域执行像素级的前景提纯或背景模型更新操作，2 种不同层次的算法通过非 对称前向反馈机制进行级联。实验结果表明，所提分层模型在能够有效处理非平稳场景的同时保证了所提取前景 形状的精确性，且对光照突变不敏感，建模效果优于级联算法中任一独立算法，而处理时间小于2 种独立算法处

背景建模是实现运动目标检测与跟踪任务的关键技术之一, 背景模型的鲁棒性问题受到普遍关注. 本文针对背景建模所依赖的不同信息特征, 从实际应用和样本集形态两个方面分析了背景模型的鲁棒性需求. 根据不同信息的描述和处理的特点综述了背景建模的典型算法, 并考察其对鲁棒性需求的处理策略. 然后就不同层次信息的描述及其鲁棒性, 比较了典型背景建模系统, 并分析了背景建模技术的发展趋势.-Background modeling is a key technology to achieve moving ta