[论文解读] Non-decimated Complex Wavelet Spectral Tools with Applications

Taewoon Kong, Brani Vidaković|arXiv (Cornell University)|Feb 4, 2019

Image and Signal Denoising Methods参考文献 30被引用 4

一句话总结

本文提出了一种非抽取复小波变换（NDWT_c），通过结合非抽取小波的结构冗余与复小波系数的分量冗余，提升信号与图像分类性能。通过利用小波谱中的模值与相位信息，该方法显著提高了分类准确率，尤其依赖于相位特征，在计算成本更低的前提下，优于标准小波变换，甚至在特定生物医学应用中超越深度学习模型。

ABSTRACT

In this paper we propose spectral tools based on non-decimated complex wavelet transforms implemented by their matrix formulation. This non-decimated complex wavelet spectra utilizes both real and imaginary parts of complex-valued wavelet coefficients via their modulus and phases. A structural redundancy in non-decimated wavelets and a componential redundancy in complex wavelets act in a synergy when extracting wavelet-based informative descriptors. In particular, we suggest an improved way of separating signals and images based on their scaling indices in terms of spectral slopes and information contained in the phase in order to improve performance of classification. We show that performance of the proposed method is significantly improved when compared with procedures based on standard versions of wavelet transforms or on real-valued wavelets. It is also worth mentioning that the matrix-based non-decimated wavelet transform can handle signals of an arbitrary size and in 2-D case, rectangular images of possibly different and non-dyadic dimensions. This is in contrast to the standard wavelet transforms where algorithms for handling objects of non-dyadic dimensions requires either data preprocessing or customized algorithm adjustments. To demonstrate the use of defined spectral methodology we provide two examples of application on real-data problems: classification of visual acuity using scaling in pupil diameter dynamic in time and diagnostic and classification of digital mammogram images using the fractality of digitized images of the background tissue. The proposed tools are contrasted with the traditional wavelet based counterparts.

研究动机与目标

• 开发一种基于小波的谱工具，以提升具有固有自相似性的信号与图像的分类性能。
• 解决标准小波变换的局限性，如缺乏平移不变性以及相位信息利用不足的问题。
• 构建一种计算高效的矩阵化实现方式，可处理任意尺寸的一维与二维数据，包括非二进制尺寸。
• 在真实世界生物医学分类任务中，证明基于非抽取复小波的相位描述符的优越性。
• 提供可复现的、开源的MATLAB演示代码，以促进更广泛的研究采用与验证。

提出的方法

• 该方法采用非抽取复小波变换（NDWT_c）的矩阵形式，实现对任意尺寸信号与图像的高效计算。
• 通过多尺度下复数值系数的模值与相位提取小波谱，同时捕捉能量与方向信息。
• 利用相位统计量——特别是最细尺度的平均相位——作为判别性特征，使分类性能超越仅基于幅度的谱斜率。
• 该方法避免下采样，保留完整信号分辨率，并通过结构冗余实现平移不变性。
• 该方法应用于一维时间序列（瞳孔直径动态变化）与二维图像（乳腺X光片），使用谱斜率与相位特征进行分类。
• 通过准确率、特异性、敏感性与计算时间等指标，与标准WT、WT_c、NDWT及CNNs进行对比评估。

实验结果

研究问题

• RQ1 将结构冗余（非抽取）与分量冗余（复小波）相结合，是否能提升小波基谱描述符的分类性能？
• RQ2 与仅使用模值的特征相比，复小波系数中的相位信息是否能显著提升分类性能？
• RQ3 在低数据量、具有自相似性的图像分类任务中，NDWT_c方法相对于标准小波变换与深度学习模型（如CNNs）的表现如何？
• RQ4 所提出的方法是否能无需预处理或二进制约束，直接处理任意尺寸的一维与二维数据？
• RQ5 在真实生物医学应用中，NDWT_c的计算成本相对于最先进的模型（如CNNs）如何？

主要发现

• NDWT_c方法在所有一维与二维应用中均达到最高分类准确率，尤其在仅使用最细尺度相位特征时表现最佳。
• 在一维瞳孔直径研究中，基于NDWT_c相位平均值的方法实现了90.0%的准确率与90.0%的特异性，优于仅使用模值或组合特征的方法。
• 在二维乳腺X光片分类中，基于相位的NDWT_c方法达到87.5%的准确率与85.7%的特异性，显著优于标准WT_c与NDWT。
• 在1024×1024图像上提取特征的计算时间约为17分钟，远低于CNN实现相同任务所需的15小时。
• 尽管计算成本更低，NDWT_c在特异性和敏感性方面仍优于CNN，表明其在捕捉医学影像中关键的细尺度自相似特征方面具有优势。
• 研究证实，复小波中的相位信息具有高度判别性，尤其在与非抽取变换结合时，应在特征提取中优先考虑。