图像基学习作为图像特征提取和图像表示的一种重要方法和手段优越性突出。将图像用图像基元表示，不仅能够减少信息冗余，而且能够压缩图像的维度，有利于图像建模，而图像建模是图像识别和分割中不可或缺的一步。为此，本文研究了小波、轮廓波进行图像分解后的系数的统计特性，结合ICA进行图像基学习，具体工作如下。　　(1)提出了一种基于小波和ICA的图像基学习方法。该方法充分利用了小波变换随着尺度的传播表现出高度的能量相关性，及同尺度内系数亦内在相关的特性，结合使用隐Markov树模型参数，用一个自适应阈值将特征系数所在频带进行分类，获得了相应频带内的特征系数，利用小波逆变换获取给定图像的特征块。最后，对这些特征块进行ICA学习，获得图像基。　　(2)提出了基于轮廓波和ICA的图像基学习方法。该方法给出了四种选取特征块的方案，分别为:　　方案一充分考虑了轮廓波变换后系数的性质及系数间的关系，对给定尺度内每个系数设置一个窗口，将窗口内系数再进行一次小波变换，计算高频部分的灰度熵之和与各频带灰度熵之和的比值，进而根据该比值确定当前尺度下的特征区域，之后利用轮廓波变换尺度间父子系数的关系获得各尺度下的一系列系数区域，并将这些系数区域使用轮廓波逆变换获得图像特征块。　　方案二在确定相邻尺度特征区域时，不再考虑父子系数的关系，而是直接使用初始尺度特征区域确定方法获取当前尺度的特征区域。　　方案三根据轮廓波域隐Markov树模型参数确定当前尺度下的特征区域所在方向子带，结合方案一的思想确定当前尺度下的特征区域，进而利用尺度间父子系数的关系获得各尺度内的一系列系数区域，使用轮廓波逆变换获得图像特征块。　　方案四中不再利用相邻尺度间父子系数的关系来确定各尺度特征区域所在方向子带，而是全部由隐Markov树模型参数所确定。　　使用ICA算法对上述四种方案得到的图像特征块进行学习，获得图像基。