基于总变分方法的结构-纹理图像锐化增强

针对前向后向扩散过程在锐化图像,特别是结构-纹理图像时,无法保持纹理连续性的缺点,在反向扩散过程的基础上结合了总变分法结构-纹理分解模型,以边界变分函数和振荡函数模拟图像的结构和纹理,从而在锐化边缘的同时保持纹理的连续性.实验结果表明,该方法在锐化结构-纹理图像时可以取得更好的效果.     

基于小波和分块同态滤波的变光照图像增强方法

为提高变光照情境下图像质量,针对部分图像存在亮度不均、对比度低的问题,提出了基于小波与分块同态滤波的图像特征增强算法.首先将图像从原始色彩空间转换为H SV空间,以图像亮度分量V作为增强对象;然后利用小波变换代替分块同态滤波中的传统傅里叶变换对亮度分量分解,并对小波分解的子图像进行分块后进行高通滤波处理,对滤波后的图像...     

整体变分最小化方法在图像处理中的应用

研究了整体变分模型在图像处理应用中的原理及当前的主要应用领域(图像去噪、去模糊、图像分解、图像修复),比较了整体变分法求解的几种数值方法,在此基础上,总结了整体变分模型在图像处理中的优缺点,对整体变分法在图像处理中的应用作了进一步的展望.     

水平集曲率引导的卡通—纹理图像分解

针对全变分(TV)正则项不利于保持图像拐角及已有分解变分模型中零散度向量函数被忽略的问题,提出一个水平集曲率引导的图像分解模型.首先,分析图像的曲率与梯度的关系,将水平集曲率与低通滤波器结合加入模型正则项.同时,对用于刻画纹理的H-1泛函,保留其忽略的零散度向量函数,给出带零散度向量函数约束的图像分解模型.然后,给出假设模型的算法及求解步骤.最后,用不同的图像在三个变分模型上进行分解实验,并展示了结构、纹理和零散度向量函数的向量场信息.结果表明,该模型能明显提高图像分解效果.     

基于VMD-ICA-CWT的内燃机噪声源识别方法

提出了基于变分模态分解(VMD)、独立分量分析(ICA)和连续小波变换(CWT)相结合的内燃机噪声源识别算法.首先,对内燃机进行铅覆盖,只裸露待测的第6缸部分,测量裸露部分缸盖位置处的单一通道噪声信号;然后采用变分模态分解算法将其分解为各变分模态分量,并用FastICA算法提取各独立成分,解决了对单一通道噪声信号进行盲分离的欠定问题,同时克服了传统的经验模态分解处理噪声信号时出现的模态混叠缺陷;最后利用连续小波时频分析和相干分析,对分离结果进行进一步识别.研究结果表明:该算法能有效地分离识别出内燃机的燃烧噪声和气阀机构敲击噪声.     

加权Morrey空间上多线性奇异积分的振荡及变分算子的有界性

借助L^p空间上的估计, 利用A_p权不等式和函数分解方法, 给出多线性奇异积分和有界平均振荡(BMO)函数交换子的振荡及变分算子在加权Morrey空间上的有界性.     

变分分解模型的模糊增强算法

将分解模型应用到模糊增强算法中,用有界变分(BV)函数描述图像的结构信息,空间G描述图像的纹理信息,提出一种基于变分分解(BV-G)模型的模糊增强算法.给出算法原理和实现步骤,并通过多组对比实验验证该算法的可行性.     

一种基于变分模态分解参数优化的轴承故障诊断方法

为解决变分模态分解方法在提取齿轮箱滚动轴承的故障特征频率时受模态个数和惩罚项系数影响的问题,提出了一种基于人工鱼群算法优化变分模态分解的轴承故障诊断方法.首先,利用人工鱼群算法优化变分模态分解方法的模态个数和惩罚项系数;其次,故障振动信号经优化的变分模态分解方法分解,获得若干模态分量;最后,筛选包络熵值最小的分量进行包络分析,提取故障特征频率.实验结果表明:在优化参数过程中,寻优收敛时间缩短46％,并最终有效提取轴承故障特征频率.研究结果可解决变分模态分解方法受参数影响的问题,实现轴承故障诊断,具有实际意义.     

基于图像整体变分和分数阶奇异性提取的图像恢复模型

分析基于图像整体变分理论所对应的图像恢复整体变分模型的不足：对于纹理丰富的含噪自然图像，在去除噪声的同时，损失了图像中固有的纹理信息。揭示从残差图像中提取具有分数阶导数奇异性图像的可能性，提出用于图像恢复的残差校正整体变分模型。模型提供一种图像的分解与表示方法。实验结果表明，该恢复模型对自然图像的边缘和纹理等细节保持效果大大优于整体变分模型。     

基于二维变分模态分解的矿井图像增强方法

针对煤矿主皮带图像的低光照、多尘雾、噪声大等问题,提出一种基于加权引导滤波的二维变分模态算法对主皮带图像进行增强。该算法对预处理的图像进行二维自适应非递归变分分解,对分解后的低频子模态进行加权引导滤波,增强图像的边缘细节以提高图像清晰度;并采用去噪能力强维纳斯滤波器。通过与自适应双边滤波和加权引导滤波技术仿真对比,该方法在图像边缘细节、滤除噪声等方面视觉效果不错,同时客观的峰值信噪比参数较高,均方差参数较低。     

变指标分数次Hardy算子高阶交换子在变指数Herz Morrey空间的加权有界性

用函数分层分解和权不等式等工具, 借助Hardy算子在变指标Lebesgue空间的性质与有界平均振荡函数空间(BMO)函数的性质, 给出变指标分数次Hardy算子与BMO函数生成的高阶交换子在变指数Herz Morrey空间上的加权有界性.     

变指标分数次Hardy算子高阶交换子在变指数Herz Morrey空间的加权有界性

用函数分层分解和权不等式等工具, 借助Hardy算子在变指标Lebesgue空间的性质与有界平均振荡函数空间(BMO)函数的性质, 给出变指标分数次Hardy算子与BMO函数生成的高阶交换子在变指数Herz Morrey空间上的加权有界性.     

融合RGB颜色空间的植物图像分割模型

针对植物图像分割中常见的受复杂背景影响、弱边界及连通性问题,提出一种改进的双凸模糊变分图像分割模型.该模型首先通过RGB颜色空间模型将彩色植物图像划分为两个部分,令植物图像中的目标对象保持原来的颜色,其他部分则设置为与目标对象差异较大的颜色背景,并以提取出的目标对象轮廓作为初始轮廓;其次,使用log边缘检测算子提高对噪声的稳健性,并对植物图像进行图像增强处理;最后在双凸模糊变分模型的基础上提出了一种新的变分分割模型.实验结果表明,该方法把平均JS值提高到95. 68%,实现对莲座植物图像中目标对象边缘轮廓的准确提取,有效解决了受复杂背景影响和像素间的连通性问题.     

基于第二代小波的增强边缘的图像去噪

传统的一些去噪技术往往是以牺牲图像的边缘和细节为代价的.为了去掉图像的噪声,同时又能够很好地保留图像的边缘和纹理细节,在介绍第二代小波变换的原理的基础上,提出使用边缘检测的方法检测出图像的边缘和纹理细节,将它和该图像进行融合,用第二代小波对含噪图像进行分解,对图像高频进行自适应去噪.由于图像在去噪前融合了边缘信息,因此边缘和细节部分得到了增强.仿真结果表明:该去噪方法优于传统小波阈值去噪方法.     

基于边缘增强总变分正则化盲泊松图像反卷积

针对总变分的方法支持分片常值解,易导致图像内容中的平坦区域出现"阶梯效应"和纹理及部分细节随着噪声消失等问题,提出基于边缘增强总变分正则化的盲泊松图像反卷积方法.受边缘信息对视觉感知的重要性的影响,提出具有空间自适应性的边缘增强指示算子约束总变分正则化项,并采用双边滤波区分图像内容中的边缘和平坦区域.一系列仿真和真实模糊图像实验表明:提出的方法与其他方法相比具有较好的平滑平坦区域和保边缘的特性.     

基于二维变分模态分解与自适应分数阶积分的图像去噪方法

针对噪声对图像分辨率的影响,提出了一种基于二维变分模态分解(two-dimensional variational modal decomposition,2D-VMD)与分数阶积分的去噪算法.首先通过2D-VMD将图像信号分解为若干个不同中心频率的本征模态分量(intrinsic modal components,I...     

结合BV-L2分解的CV变分水平集模型

Chan-Vese(CV)模型基于图像的全局信息,对噪声有一定的鲁棒性,但是对于强噪声污染图像,CV模型并不能取得好的分割效果。笔者结合变分图像分解和CV模型,提出了一个新的图像分割变分模型。该模型结合BV-L~2分解和CV模型,可以实现噪声图像的同时去噪与分割。采用交替迭代算法对新模型进行求解。以人造图像和自然图像为实验对象验证了研究模型分割的有效性和鲁棒性。此外,对比实验结果显示对于强噪声污染图像,与经典的CV模型和VFCMS模型相比,研究模型在分割质量上有一定优势。     

叶菜根系图像的变分水平集分割算法

植物根系图像分割是根系构型特征提取和分析的前提.针对传统图像分割方法在处理叶菜根系弱边缘图像中存在分割精度和稳定性较差的问题,提出了一种基于改进C-V(Chan-Vese)模型的变分水平集分割算法.该算法不仅保留了C-V模型对于处理弱边缘图像的适用性,并针对叶菜根系图像局部灰度不均的特点引入了图像梯度信息,改进了原C-V模型.通过对小白菜根系样本图像的分割处理试验,证明了变分水平集分割算法的有效性.研究结果表明,相比传统的阈值处理、边缘检测及区域生长等算法,本文算法能更加精细地解决叶菜根系图像弱边缘和局部灰度不均的问题,并在分割精度和算法稳定性上具有明显的优势.变分水平集算法应用于叶菜根系构型观测系统中,可以有效地提高观测精度.     

基于双密度双树小波变换的图像去噪

为了使图像的不同增量同时达到最优的去噪结果,本文提出了一种基于双密度双树小波变换的图像去噪方法.首先使用Vese和Osher的图像分解模型把图像分成结构和振荡分量,然后根据各个分量的不同特性进行双密度双树小波变换域阈值去噪.实验结果表明,本文方法不但有效的去除了噪声,而且去噪后图像的视觉效果更好.     

改进的NSCT与NMF结合的图像融合方法

基于人类视觉系统和源图像特性,对基于非下采样Contourlet变换与非负矩阵分解(NMF)图像融合算法进行了改进.在非负矩阵分解过程中,适当地选取特征空间的维数能够获得原始数据的局部特征,低频部分使用非负矩阵分解的方法进行融合,高频部分使用活性测度和一致性验证的方法进行融合.实验结果表明,该算法具有较强的鲁棒性,融合图像边缘的清晰度和连续性也较理想.