多尺度多视点舰船目标红外视景仿真

基于模块化方法构建了舰船目标的多尺度多视点三维特征模型.根据大气传输参数、舰船材质的热物性参数和舰船温度分布,通过设置仿真软件Vega的SensorVision模块和SensorWorks模块参数,实现了舰船目标的多视点红外视景仿真.在此基础上,由多视点原始级别的红外仿真图像与二维高斯模糊模板进行卷积达到模糊降分辨率的效果,从而仿真出多尺度多视点的舰船目标红外图像.仿真结果表明,仿真生成的红外图像与实际图像较为接近,符合实际成像条件下的成像规律.     

基于贪婪Snake模型与多尺度分析的图像分割

为了准确分离目标区域,提出了一种基于贪婪Snake与多尺度图像增强相结合的新的轮廓分离模型.首先对输入的图像给定一个初始轮廓,然后应用多尺度分析进行图像增强,之后在不同的尺度中运用贪婪Snake模型进行轮廓的分离,最终分离出理想的目标轮廓.实验证明该方法提高了分割的精度.     

多尺度Retinex灰度图像增强算法

为提高图像识别在分类时的质量,必须在图像的预处理阶段对噪声进行滤除,对图像中的目标对象加以增强.从研究图像增强的空域法入手,利用多尺度Retinex灰度图像增强算法完成图像的增强.做到改善图像颜色恒常性,压缩图像动态范围,提高对比度,有效显示淹没在阴影、光照等区域中的细节. 在仿真实验中,对图像进行高斯滤波,确定了高斯滤波系数.仿真结果证明该方法可行,在完成图像增强的同时,对噪声有较好的抑制作用.     

基于小波分析及活动轮廓模型的图像分割方法

利用小波分析方法在不同尺度下提取图像中目标的不同边界细节的特性,将小波模极大值方法应用于目标边缘检测.首先,通过小波变换计算各个尺度下的模值和相角值,求出各个尺度下沿相角方向模的局部极大值点,即为图像边缘轮廓;然后,用基于边缘的活动轮廓模型的水平集方法对目标的边缘进行定位分割.实验表明,改进算法对噪声有很好的鲁棒性.     

基于多尺度轮廓结构元素的数学形态学边缘检测

针对边缘检测算子对噪声敏感的缺点,提出了基于多尺度轮廓结构元素的数学形态学边缘检测算子.该算子采用多尺度轮廓结构元素的开运算和闭运算去除噪声,用小尺度轮廓结构元素提取图像的边缘,降低了结构元素对边缘检测的影响,实现了边缘的准确定位.仿真实验表明,该边缘检测算子定位准确,保留了更多的图像细节,具有更强的去除噪声能力.     

气动退化复原图像多尺度局部去振铃算法

为了抑制气动退化复原图像中的振铃效应,提出了一种气动退化复原图像多尺度局部去振铃算法。首先,对复原后图像进行非下采样轮廓波变换（Nonsubsampled Contourlet Transform,NSCT）分解;然后进行多尺度边缘检测、融合和二次跟踪细化实现图像主轮廓的提取;最后,对图像的主轮廓进行去振铃局部模糊滤波。仿真实验结果表明,在运算效率与其他算法相当的情况下,滤波后图像的边缘振铃去除效果更好,纹理细节恢复更加显著,基本满足了振铃去除、纹理细节保护以及实时性的要求。     

基于偏微分方程与多尺度分析的图像去噪算法

针对传统图像去噪算法存在去噪效果和稳定性较差的问题, 提出一种基于偏微分方程结合多尺度分析方法的图像去噪算法. 首先利用二阶偏微分扩散方程和四阶偏微分方程对图像进行高频段和低频段的处理, 对处理后的图像采用非下采样轮廓波逆变换, 实现图像整体去噪; 其次, 采用轮廓波变换方法对整体图像进行多尺度分解得到不同子带, 并利用核主成分分析算法进行整体图像降维处理, 对不同子带进行分块管理, 完成对整体图像的局部去噪, 最终实现基于偏微分方程结合多尺度分析方法的图像去噪. 实验结果表明, 该算法的图像去噪效果和稳定性均较高.     

基于偏微分方程与多尺度分析的图像去噪算法

针对传统图像去噪算法存在去噪效果和稳定性较差的问题, 提出一种基于偏微分方程结合多尺度分析方法的图像去噪算法. 首先利用二阶偏微分扩散方程和四阶偏微分方程对图像进行高频段和低频段的处理, 对处理后的图像采用非下采样轮廓波逆变换, 实现图像整体去噪； 其次, 采用轮廓波变换方法对整体图像进行多尺度分解得到不同子带, 并利用核主成分分析算法进行整体图像降维处理, 对不同子带进行分块管理, 完成对整体图像的局部去噪, 最终实现基于偏微分方程结合多尺度分析方法的图像去噪. 实验结果表明, 该算法的图像去噪效果和稳定性均较高.     

基于多尺度分析的归一化割图像分割算法

不同尺度的图像拥有不同的特性,针对单一尺度图像进行分割容易出现过分割或欠分割的问题,本文提出一种基于多尺度分析的归一化割的图像分割方法,首先利用方向能量模型得到不同尺度子图像的边缘方向能量,然后根据干涉轮廓的思想建立各个子图像像素之间的相似度,形成多个不同尺度的权值矩阵,并归一化为一个权值矩阵,最后运用归一化割算法对图像进行分割。实验表明,本文方法在融合了多个尺度图像不同特性的同时,能很好地处理含有纹理区域和弱边缘的图像,在一定程度上避免了过分割或欠分割的问题。     

基于非参数聚类和多尺度图像的目标跟踪

提出了一种基于非参数聚类和多尺度图像的目标跟踪算法.在利用改进的非参数颜色聚类进行自适应划分目标颜色空间的基础上,定义了目标模型和候选目标模型,该模型利用高斯函数建模颜色直方图中的每一个颜色特征位的空域分布; 根据Bhattacharyya系数的定义得到了目标模型和候选目标模型之间的相似性函数.跟踪算法利用高斯金字塔得到的多尺度图像进行从粗到细的目标空间定位;同时通过利用推导的核函数自动带宽选择公式,实现了目标尺度定位.实验结果表明该方法优于典型的均值漂移跟踪方法,从而验证了该方法的有效性.     

基于高斯混合模型的NSCT变换遥感图像融合

遥感图像中的能量信息反映了地物的电磁散射特性,具有重要的物理意义。而基于边缘特征的方法不能有效地保留能量信息的结构。对基于边缘的算法进行了改进,综合考虑了边缘和能量结构。采用非下采样Contourlet变换(NSCT)对图像进行分解和综合。利用高斯混合模型将低频系数划分为边缘和平滑两部分,对两区域分别采用基于边缘能量和局部能量的融合规则。高频子带使用重要性测度法进行融合。实验结果表明该算法融合效果较基于边缘算法有所改善,是一种有效兼顾细节和能量结构的方法。     

基于小波变换的多尺度图像边缘检测

边缘作为图像的最主要特征,成为图像信息获取的重要内容.而小波变换具有检测局域突变的能力,而且可以结合多尺度信息进行检测,因此成为图像信息边缘检测的优良工具.文章首先构造了高斯多尺度边界检测算子,然后根据信号边界与噪声边界的小波变换模值跨尺度传递的不同特性,讨论了不同尺度的检测算子检测的边缘所具有的特点,在此基础上提出由边缘传递、继承和生长构成的多尺度边缘关联融合算法.实验结果说明这种特征提取方法不仅有效地降低了噪声,而且融合的边界比较完整,定位准确.     

一种混合噪声图像去噪的平滑算法

提出了一种新的混合滤波算法,对混有高斯和椒盐噪声的图像进行去噪处理.该算法首先对受椒盐噪声污染的像素点,采用自适应中值滤波算法进行去除;然后利用高阶统计量针对高斯噪声的不敏感特性,对受高斯噪声污染的像素点,采用其周围梯度和最小的几个点的灰度平均值来代替其灰度值去除噪声.实验结果表明,该算法能够在去除高斯和椒盐噪声的同时,保留更多的图像细节信息,特别是对感染较大噪声的图像有更好的去噪效果.     

基于中值滤波和维纳滤波的图像混合噪声滤波研究

某一种去噪方法通常只对某一类噪声的滤除较为有效,为了抑制混合噪声,提出一种结合中值滤波与维纳滤波的图像去噪算法。该算法首先检测出脉冲噪声点,并对脉冲噪声点进行中值滤波处理,然后用维纳滤波滤除图像中的高斯白噪声。仿真实验表明,对于被高斯、脉冲混合噪声污染的图像,该算法的去噪效果显然比单一的中值滤波和维纳滤波好得多。     

Kalman滤波在辐射图像降噪处理中的应用

为改善辐射图像质量,提出了一种基于Kalman滤波的降噪算法。该方法分析了辐射图像背景噪声的特征,在合理假设其为一阶Gaussian有色噪声的基础上改写了图像的观测方程;同时,采取NSHP(non-symmetrichalfplane)模型来构造图像的过程方程。然后使用Kalman滤波算法对图像进行滤波。实验结果表明,该方法有效减弱了辐射图像中混有的噪声,和传统滤波方法相比,更好地保持了图像的细节信息,体现了自适应的优点。这表明了Kalman滤波在辐射图像降噪处理中的潜力。     

图像去噪的混合滤波方法

针对视频图像在同时受到高斯噪声和脉冲噪声污染时,严重影响图像的存储、 编解码、 传输、 目标识别与跟踪的问题, 提出一种图像去噪的混合滤波方法。该方法通过基于个数判断脉冲噪声的方法, 将脉冲噪声从混合噪声中分离, 并利用中值滤波将其过滤; 再利用分块平均边缘检测的方法提取图像的边缘; 利用自适应均值滤波方法滤除非边缘的高斯噪声, 并将边缘图像嵌入滤除高斯噪声的图像中。实验结果表明, 该方法不但能有效去除图像中的高斯噪声和脉冲噪声, 而且能保持图像的边缘信息, 从而提高图像的去噪效果和清晰度。     

基于图切割和阴影抑制的目标检测算法

针对目标检测中背景噪声影响检测精度的问题,提出在HSV高斯背景模型下,使用最小图切割算法,并结合连通性,找到最大的前景连接区域,最后使用阴影抑制技术完成目标分割.实验结果表明,算法有很好的鲁棒性,能够获得清晰、光滑的前景目标轮廓.     

基于FPGA的高精度高斯白噪声产生方法

提出一种基于非均匀量化思想的高精度高斯白噪声产生方法.该方法在利用均匀分布与高斯分布之间的映射关系产生高斯白噪声时,通过将映射曲线分区化,不同分区的均匀噪声的量化精度不同,可产生高精度高斯白噪声.实测数据表明,该方法在满足噪声精度要求的同时极大地减少了硬件资源占用.     

融合KFCM与改进DRLSE模型的甲状腺结节图像分割

针对超声甲状腺结节图像分割问题,提出一种融合模糊核(KFCM)聚类算法与改进距离正则化水平集演化(DRLSE)模型的分割算法,解决了DRLSE模型对初始轮廓敏感、演化参数需要人工设定及分割弱边缘能力较差的问题.该算法先利用KFCM聚类算法粗分割出结节区域并二值化作为水平集初始演化轮廓,然后利用初始演化轮廓围成的区域自动计算出水平集演化参数,最后采用高斯正则化规则演化水平集分割出甲状腺结节区域.对比实验结果表明,该算法提高了甲状腺结节的分割精度,在噪声干扰下也能准确地分割出结节区域.