基于线性最小均方误差估计的SAR图像降噪

针对合成孔径雷达(synthetic aperture radar, SAR)图像降噪过程中容易引起细节纹理信息损失的问题,该文结合SAR图像相干斑噪声的统计特性,提出了一种基于变换域系数线性最小均方误差(linear minimum mean-square error, LMMSE)估计的SAR图像降噪方法。首先通过SAR场景下的Kmeans聚类算法将相似图像块聚类;然后针对每一类相似图像块集合进行奇异值分解(singular value decomposition, SVD),得到同时包含图像块集合行列相关信息的含噪奇异值系数;为从含噪奇异值系数中更准确地估计出真实图像奇异值的系数,先通过加性独立信号噪声(additive signal-dependent noise, ASDN)模型将乘性噪声转化为加性噪声,再利用LMMSE准则对奇异值系数进行估计,最后将估计结果重构得到降噪后的图像块集合。实验结果表明,该方法充分利用相似图像块集合奇异值系数稀疏的特性,采用LMMSE准则估计奇异值系数,既保证了系数中噪声分量的去除又避免了图像纹理细节对应小系数的丢失,不仅去噪效果明显,同时能有效地保持图像纹理细节,具有良好的图像视觉效果。     

基于贝叶斯模型的shearlet域SAR图像去噪方法

通过对合成孔径雷达(synthetic-aperture-radar,SAR)图像相干斑噪声的特点分析,提出一种基于贝叶斯模型的shearlet域SAR图像去噪方法。首先将变换后的SAR图像在shearlet域进行稀疏表示,得到稀疏系数的分布;其次利用贝叶斯模型进行信号和噪声检测的建模,得到最佳的阈值;然后根据稀疏系数在不同方向上相关性不同的特点,利用自适应加权收缩算法对SAR图像噪声进行平滑处理;最后利用降噪后的高频子图像和低频子图像进行逆shearlet变换,得到SAR重构图像。通过在MSTAR数据库上的实验表明,该算法在滤除相干斑噪声的效果上比其他方法更好,并且不会损失图像的边缘特性。     

二元收缩方程与复数小波用于SAR影像去噪

二元收缩方程定义了由相邻尺度小波系数的联合概率密度函数,其与噪声模型联立后利用最大后验概率估计可进行图像去噪。在SAR图像斑点噪声服从瑞利分布的假设下,结合双树复数小波变换推导了基于二元收缩方程的SAR图像的简化去噪模型,然后利用局部方差估计和维纳滤波器获得噪声方差与带噪小波系数方差的估计值,并计算出合适阈值对SAR图像进行去噪。实验结果显示,去噪图像的峰值信噪比以及有效视数都较其它算法有大幅提高,且很好地保持了图像的边缘特征。     

基于分数阶积分的图像去噪

为了在图像去噪的同时更多地保留图像的细节信息,介绍了分数阶积分算子在信号滤波中的作用,并将分数阶积分理论引入到数字图像去噪。该方法通过设定较小的分数积分阶次来构建相应的图像去噪掩模,并且利用迭代的思想来控制图像去噪的效果,从而实现图像去噪的局部微调。实验结果表明,基于分数阶积分的图像去噪算法较传统去噪方法不仅可以提高图像的信噪比,而且可以更好地保留图像的边缘和纹理等细节信息。     

基于非局部正则化稀疏表示的图像去噪算法

针对K-奇异值分解（sigular value decomposition, SVD）算法存在的问题,结合结构聚类和字典学习,提出了一种基于非局部正则化稀疏表示的图像去噪算法。首先,利用非局部去噪的思想将结构相似的图像块聚类,每一类图像块单独进行字典学习,增强了字典的自适应性;其次,利用稀疏K-SVD替代传统的K-SVD进行类内字典学习,改善了字典的结构性;最后,引入稀疏系数误差正则项来修正稀疏系数以进一步改善图像的重构效果。实验结果表明,与传统的K-SVD算法相比,该算法能够有效地保持图像的结构信息,并且提升了去噪效果,同时,在不降低图像结构相似度的基础上,峰值信噪比很接近甚至部分好于目前先进的去噪算法。     

基于连续状态小波阈值的各向异性扩散去噪方法

小波方法和偏微分方程方法是图像去噪中的主要方法。根据二者的去噪特点,提出了一种结合两种方法的混合去噪算法。对噪声图进行小波变换,得到高频子带和低频子带。通过对各高频子带进行归一化,获得一种连续状态量,为了保护边缘对这一连续状态量进行前向-后向扩散。由扩散后的新状态量得到由其决定的权系数,把权系数作用在小波系数上得到去噪后的各高频子带,通过与低频子带的重构得到去噪图像。数值试验结果表明:通过采用本方法对图像去噪,得到了较好的去噪效果,达到了既保护边缘又去除噪声的目的,能获得较高的信噪比。     

快速加权核范数最小化的SAR图像去噪算法

提出快速加权核范数最小化(fast weighted nuclear norm minimization,FWNNM)的合成孔径雷达(synthetic aperture radar,SAR)图像去噪算法。首先采用对数变换将SAR图像的乘性噪声变换为加性噪声,然后利用非局部相似性对变换后的图像进行块匹配,随后根据低秩模型框架,用随机奇异值分解替换加权核范数最小化(weighted nuclear norm minimization,WNNM)算法中的奇异值分解进行低秩矩阵逼近,再采用梯度直方图保存的方法对图像进行纹理增强,最终实现了对SAR图像快速去噪。在MSTAR数据库上的实验结果表明,与已有方法相比,所提方法在SAR图像去噪和边缘保持方面是有效的,并且比WNNM去噪速度快3倍。     

基于小波和脊波的图像联合去噪方法

为了在图像去噪时更好地保持细节特征,提出了联合小波和脊波的阈值去噪方法。在含噪图像小波分解后,对每一尺度下三个高频子带的细节分量进行单层逆变换,得到该尺度下的细节图像。对细节图像进行脊波阈值去噪处理,然后再进行单层小波分解。用所得的高频子带分别代替先前小波分解所得的高频子带。最后对处理后的图像小波系数进行小波逆变换,得到去噪图像。实验表明,在处理具有直线特征的图像时,该方法要优于单纯的小波或脊波阈值方法。     

基于非局部分类处理的SAR图像降斑

针对合成孔径雷达(synthetic aperture radar, SAR)图像不同内容间的统计特性差距较大以及采用非局部降斑方法处理SAR图像时会产生图像细节丢失及伪影等现象,提出了一种基于非局部分类处理的SAR图像降斑方法。首先对相似块方差系数的均值采用阈值比较的方法将图像分为同质区和异质区,在寻找目标块对应的相似块时,根据图像块中心像素点所属的类别选择合适的参数进行块匹配,并在获得相似块后分别使用加权平均的方法处理同质区目标块和3D变换域硬阈值收缩方法处理异质区目标块。该方法不仅能在块匹配过程中选择不同的块尺寸和搜索范围以提高块匹配的精度,而且使用不同方法处理同质区和异质区时能够在图像降斑与细节保持的权衡中达到更好的平衡。实验结果表明,该方法充分利用同质区和异质区的特点,结合不同的方法进行分类处理可有效提高图像降斑性能,在SAR图像降斑性能指标和视觉效果方面均达到了较高水平。     

基于贝叶斯压缩感知的SAR目标识别

针对合成孔径雷达(synthetic aperture radar, SAR)目标识别问题,提出一种基于贝叶斯压缩感知(Bayesian compressive sensing, BCS)的图像域SAR目标识别方法。该方法首先对SAR图像进行分割预处理,得到目标区图像数据;然后基于BCS模型,根据训练样本构造传感矩阵;求解测试样本相应的稀疏系数矢量,根据稀疏系数矢量中对应训练样本类别元素的L2范数判定目标类型。采用美国运动和静止目标获取与识别(moving and stationary target acquisition and recognition, MSTAR)计划公开发布的SAR目标数据库进行实验,结果表明该方法具有良好的识别效果。     

基于多信息字典学习及稀疏表示的SAR目标识别

为了提高合成孔径雷达（synthetic aperture radar,SAR）图像中目标变体的识别性能,在鉴别字典学习及联合动态稀疏表示模型的基础上,提出一种基于多信息字典学习及稀疏表示的SAR目标识别方法。在训练阶段,采用鉴别字典学习LC-KSVD方法分别对目标图像域幅度信息及目标频域幅度信息进行字典学习。在测试阶段,结合训练阶段学到的2种信息的字典及测试目标的2种信息,采用联合动态稀疏表示模型求解2种信息下的稀疏表示系数。最后,根据2种信息下的重构误差实现对测试目标的识别。使用MSTAR数据集对算法进行验证,结果表明,新方法相对于现有的方法能够达到更好的识别性能。     

基于增强高阶非凸全变分模型的图像去噪算法

为了在缓解阶梯效应的同时更好地保留去噪后图像的细节信息,提出一种基于增强高阶非凸全变分(higher order non-convex total variation, HONTV)模型的图像去噪算法。该算法将每一次去噪后的图像和原始图像取平均作为增强HONTV模型下一次循环的输入并更新参数,然后采用增广拉格朗日乘子法和交替方向乘子法进行循环求解,经过多次迭代,最终得到的去噪图像包含较多的细节信息。在基于全变分的图像去噪方法中,对添加不同标准差大小的高斯白噪声的测试图像和视频进行实验。实验结果表明,所提算法在视觉性能和客观评价指标方面均优于对比算法。     

小波域上的图像降噪Wiener滤波器设计

小波阈值降噪技术利用小波变换表示信号的稀疏性质，使用对角形式的阈值滤波器达到信号降噪的目的，这个方法在很多信号空间上是近似最优的。但是对于任意信号，在MSE意义上最优的信号估计是Wiener滤波器。提出了一种小波域上的经验Wiener滤波器的设计方法，并应用于图像降噪。实验结果表明，此方法比一般小波阈值降噪法取得的效果要好得多。     

聚类字典下集中式稀疏表示的幻觉脸重建方法

在基于稀疏表示的幻觉脸重建过程中,由于冗余的过完备字典会降低稀疏编码的效率和精度,提出用紧的聚类子字典来表示人脸图像的不同结构对象。由高分辨率（high resolution, HR）/低分辨率（low resolution, LR）的人脸图像样本集进行K-均值聚类,为使紧的聚类子字典能够表达图像块的整体特征,对各聚类子集采用主成分分析（principal component analysis, PCA）方法构造字典。得到同构的HR/LR的聚类字典后,对于输入的LR人脸图像块,经自适应选择合适的子字典后,对稀疏编码添加正则化项,采用集中式稀疏编码,以使稀疏表示系数更逼近要重建的HR人脸图像块。由此稀疏表示系数与HR字典的线性组合得到HR人脸图像块,将此图像块与近似结果进行合成,从而得到最终的人脸图像。经仿真实验,并与其他的方法进行比较,实验结果验证了所提方法的有效性。     

一种新的SAR图像斑点噪声自适应抑制方法

在合成孔径雷达(synthetic aperture radar, SAR)图像斑点噪声抑制处理中,为有效保护图像细节,提出欧拉弹性能量各向异性扩散去噪模型。该模型将各向异性扩散模型转化为最小能量变分模型,结合欧拉弹性能量模型的边界保护和增强能力,在抑制噪声的同时能更有效地保护和增强细节信息。同时为了提高计算效率,提出自适应变步长去噪算法。仿真和真实SAR图像的实验结果表明,该算法不仅在抑制噪声的同时能够很好地保护图像细节,而且有效减少了计算时间、提高了效率。     

图像恢复问题的梯度稀疏化正则方法

针对图像恢复中边缘损坏及细节丢失等问题,从分析梯度直方图的分布特征及梯度稀疏性最佳表示出发,提出了一种基于梯度稀疏性的正则方法,建立了具有梯度先验信息的图像恢复模型。该模型不仅能够增强图像的细节特征,而且能够在去除模糊及噪声与保持图像边缘之间取得很好的平衡。设计了一种新的优化算法对模型进行求解。实验结果表明,新算法快速有效且收敛性好, 新模型能够在很好地去除模糊和噪声的同时,有效保留图像边缘及纹理等信息。