全偏振参量低秩稀疏分解伪彩色图像融合

偏振图像伪彩色融合对提高视觉感知和目标判读具有重要意义,利用空间调制型全偏振参量矩阵的低秩和稀疏特性,提出基于贝叶斯概率鲁棒性矩阵分解融合方法。首先,根据偏振调制和解析算法构造偏振参量矩阵,同时合成强度图像;其次,对参量矩阵进行基于改进的贝叶斯概率参量矩阵分解,降低背景噪声和亮度变化等干扰,分别获得参量图像的稀疏和低秩成分;然后利用方差、清晰度和信息熵进行模糊积分,获得显著性参量图像,与合成强度图像一起进行像素级增强;最后,经直方图规定化和IHS颜色映射,得到伪彩色融合结果。实验选择多种材质与目标的仿真和实测数据进行验证,通过主观视觉效果和客观指标比较,验证了其有效性。     

基于修正小波变换插值-TAN的雷达降水粒子分类

对于双偏振天气雷达在获取数据分辨率较低情况下的降水粒子分类问题, 提出一种双偏振体制天气雷达下基于修正小波变换插值-树扩展朴素贝叶斯(tree augmented naive Bayesian, TAN)的降水粒子分类方法。首先，需要在原雷达偏振参量数据分辨率比较低的情况下进行修正小波变换插值处理，以获得较高分辨率的雷达偏振参量数据。然后，基于互信息理论利用离散化的高分辨率偏振参量数据进行TAN网络结构和参数训练，得到可用于降水粒子分类的TAN网络。最后, 将高分辨率的雷达偏振参量数据带入到最终获得的TAN网络中以实现降水粒子分类。对实测数据的处理结果表明, 对于低分辨率雷达偏振参量数据, 所提方法可以取得较好的降水粒子分类结果。     

基于NSCT域I2CM的图像融合方法

针对多传感器图像融合问题, 提出一种基于非下采样轮廓波变换域改进型交叉视觉皮层模型的图像融合方法. 首先, 采用非下采样轮廓波变换对源图像进行多尺度、多方向稀疏分解; 然后对经典交叉视觉皮层模型进行改进, 改进后的模型不仅待定参数更少, 而且可以自适应地确定迭代次数; 最后利用其实现对各子图像的融合并进行非下采样轮廓波逆变换获得最终融合图像. 实验结果验证了该方法的有效性.     

极化SAR图像中的弱小舰船目标检测

结合最新的子空间数据分析方法--非负矩阵分解(nonnegative matrix factorization, NMF),对极化合成孔径雷达(synthetic aperture radar, SAR)图像中的弱小舰船目标提出一种全新的有效检测方法。该方法利用极化协方差矩阵分解,得到包含极化图像能量的特征值组,组成满足NMF要求的非负矩阵;然后采用稀疏限制的NMF来提取其中的主要特征,以此将舰船目标检测出来。采用国内全极化和双极化实测海洋数据进行实验,验证了本文方法的有效性。     

四元数小波变换联合稀疏表示的图像融合

基于四元数小波变换和稀疏表示理论,提出了一种图像融合方法,该方法弥补了传统的多尺度理论分析和稀疏表示理论在融合过程中的不足。所提方法分为3步:首先,利用四元数小波变换分解所给的源图像,得到各个尺度下的高通子带和低通子带;其次,对高通子带选用系数绝对值最大和低通子带采用稀疏表示的规则进行融合，获得融合系数；最后,对融合系数进行四元数小波逆变换得到融合图像。此外,对所提融合方法进行了理论分析。在数值实验中用6组测试图像测试所提方法性能,并将融合结果与稀疏表示、离散小波变换、对偶数复小波变换、四元数小波变换等融合方法所得结果进行了主观与客观的比较。实验结果表明,该方法是十分有效的。     

基于最小生成树与概率松弛结合的谱匹配算法

提出了一种基于最小生成树与概率松弛结合的谱匹配算法。该算法分别对给定的两个待匹配的特征点集构建最小生成树,通过最小生成树构造Laplace矩阵,由奇异值分解该矩阵得到的特征值和特征向量,计算出特征点匹配的初始概率,利用概率松弛迭代法,获得最终匹配结果。用大量的真实序列图像进行比较实验,结果验证了该算法的有效性和准确性。     

基于贝叶斯压缩感知的CSR稳健参数估计方法

针对“完全扰动”情况下压缩感知雷达(compressed sensing radar, CSR)观测矢量和感知矩阵严重失配,进而引起参数估计性能急剧下降的问题,提出了一种基于贝叶斯压缩感知(Bayesian compressed sensing, BCS)的稳健参数估计方法。首先构造“完全扰动”情况下CSR参数估计的稀疏线性模型,并从稀疏矢量的最大后验概率(maximum a posteriori, MAP)出发,推导了完全扰动矩阵服从柯西分布时的优化目标函数;随后通过稀疏矢量和尺度参数的交替迭代,求得稀疏矢量的最优解。与现有重构算法及其改进算法相比,该方法能够有效改善CSR系统应对失配误差的稳健性,提高目标成功检测的概率和参数估计的精度。计算机仿真实验验证了该方法的有效性和鲁棒性。     

基于加权l1范数优化的双基地ISAR稀疏成像算法

针对低信噪比条件下实现双基地逆合成孔径雷达(inverse synthetic aperture radar, ISAR)稀疏孔径成像时重构质量较差的问题, 提出了一种基于加权l₁范数优化的高分辨成像算法。首先, 假设各像元稀疏非同分布, 利用贝叶斯准则和最大后验概率估计将双基地ISAR稀疏孔径成像问题转化为加权l₁范数约束问题, 建立成像模型; 然后, 利用柯西-牛顿算法进行加权l₁范数约束最优化问题的求解, 实现目标图像重构。由于假设各像元独立非同分布, 故通过像元加权的方式更好地利用了目标的能量聚集和结构特性, 提高了成像质量。最后, 仿真实验验证了算法的有效性和优越性。     

一种多波段SAR图像伪彩色融合算法

针对多波段SAR图像互补信息的利用问题,提出了一种基于Contourlet变换与IHS变换结合的伪彩色融合算法.利用最佳指数模型选择出信息量最大、相关性最小的三个波段图像,实现RGB到IHS彩色空间的变换;然后用Contourlet变换对Ⅰ分量和另一波段SAR图像进行多尺度分解,分别得到低通近似子带和方向高频子带.对方向高频子带定义一个边缘信息量测因子融合策略进行融合,近似子带用平均方法融合,并进行Contourlet重构得到融合后的Ⅰ分量.结合H、S分量进行IHS到RGB空间的反变换.综合了不同波段图像特征,把人眼难以分辨的灰度转化为可分辨的色彩,保持SAR图像空间分辨率的同时,增强谱分辨率,仿真实验结果证明了该方法是有效的.     

基于NSST域的红外和彩色可见光图像融合

为了进一步提升彩色可见光和红外图像的融合质量,提出了基于NSST和颜色空间的彩色图像融合方法.首先将RGB空间的彩色可见光图像变换到更符合人类视觉系统的颜色空间,其次利用NSST可以更好提取图像细节信息的优势,对颜色空间的非彩色分量和红外图像进行NSST分解,对分解后的低频系数采用基于方向信息测度的系数选择方案,对高频系数则采用基于隐马尔可夫树(hidden Markov tree,HMT)模型的系数选择方案,然后对经过选择融合的低、高频系数进行NSST逆变换,得到的融合图像作为新的非彩色分量,结合已有的分量将其逆变换回RGB空间,得到最终的融合图像.仿真实验证明了方法的有效性.     

图像分割的改进稀疏子空间聚类方法

提出一种基于改进稀疏子空间聚类的图像分割方法。首先将图像进行过分割得到一些均匀区域称为超像素,并提取超像素的颜色直方图作为其特征;然后建立特征数据的改进稀疏子空间表示并由此构造图相似度矩阵,最后利用谱聚类算法得到超像素的聚类结果并作为图像分割结果。实验结果表明,本文提出的改进稀疏子空间聚类方法具有良好的聚类性能,对噪声具有一定的鲁棒性;用于自然图像能够得到更好的分割效果。     

结合FABEMD和改进的显著性检测的图像融合

针对红外与可见光图像融合中存在的显著目标不突出、对比度低、存在较多的伪影问题,提出了一种结合快速自适应二维经验模态分解(fast and adaptive bidimensional empirical mode decomposition, FABMED)和改进的显著性检测的图像融合算法。首先,通过FABEMD对红外和可见光图像进行多尺度分解得到对应的基础层和细节层。然后,对最大对称环绕显著性检测做暗抑制改进,将其用于基础层的融合上;结合改进的显著性检测和引导滤波,对细节层进行融合。最后,对各融合子图进行FABEMD逆变换重构出融合图像。与其他经典的融合算法相比,仿真实验验证了本文算法的有效性。     

联合纯四元数与字典学习的彩色图像去噪方法

彩色图像在获取、传输和存储过程中会受到噪声的影响，这给后续图像处理带来麻烦，因此图像去噪任务意义重大。对此，提出一种基于四元数字典学习的模型，该模型约束四元数的实部为零，图像的色彩信息得以保存。传统的稀疏图像模型把彩色图像看作向量或者单色图像的线性组合，忽略了RGB通道之间的关系。用纯四元数表示彩色图像，将彩色图像的RGB通道表示成四元数矩阵的虚部，拟合图像效果更好。数值实验表明，与其他模型相比较，所构建的模型可以更精确地表示彩色图像，在处理彩色图像的过程中产生模型拟合误差相对较小，峰值信噪比以及视觉效果方面均有明显提升，能更好地进行图像去噪。     

图像分割的加权稀疏子空间聚类方法

在稀疏子空间聚类算法的基础上,提出一种基于加权稀疏子空间聚类的图像分割方法。利用加权的稀疏约束使得特征数据能够更好地被同一子空间内相似性高的特征数据线性表示,系数矩阵在类间更为稀疏。实验表明,给出的加权稀疏子空间聚类方法对于干净数据和带噪声的数据都能得到较高的数据聚类准确率,对自然图像能够得到比较符合人眼视觉特性的分割结果。     

基于多分辨率显著性滤波的微动信号增强方法

微动信号是典型的非平稳信号, 时频分析能够获得微动信号的联合时间-频率分布图像, 是微动信号分析的主要工具之一, 良好的时频图像质量能保证后续特征提取和参数估计的准确性。然而在实际场景中, 时频图像通常受到噪声污染, 使得微动信号难以分辨, 严重制约了后续特征提取和参数估计。根据显著性检测和图像金字塔的基本原理, 本文在多分辨率表示图像上分别计算显著性并滤波, 最后进行加权融合获得增强的时频图像, 有效抑制了噪声, 提升了低信噪比(signal to noise ratio, SNR)下时频图像的质量和微动信号的显著性。实验结果表明, 对于仿真信号以及暗室测量信号, 在-7~7 dB SNR下, 采用该方法均能显著提升时频图像质量, 且-3 dB以下时能大幅提高周期估计的准确率, 是一种有效的微动信号增强方法。     

基于梯度域导向滤波器和改进PCNN的图像融合算法

为解决当前融合后图像存在的光晕伪影现象以及不利于视觉感知的问题, 提出了一种基于梯度域导向滤波(gradient domain guided filtering, GDGF)和改进的脉冲耦合神经网络(pulse-coupled neural network, PCNN)的图像融合算法。首先, 利用图像结构、清晰度以及对比度显著性的图像特征构建图像融合模型。其次, 采用梯度域导向滤波取代传统优化方法, 通过像素间相关性优化初始决策图。然后, 将优化决策图作为外部输入刺激改进PCNN模型, 得到融合权重图。最后, 对源图像和融合权重图进行加权操作得到最终融合图像。实验结果表明, 所提方法更好地保留图像边缘、纹理和细节信息, 避免目标边缘的光晕伪影现象, 且利于视觉观察。     

融合块显著质心描述和多级关联的多目标跟踪

提出一种融合目标分块、显著质心建模和多级关联的多目标跟踪(multi target tracking, MTT)方法,用于提高互遮挡、相似目标干扰场景中的跟踪鲁棒、准确性。利用自适应阈值背景差分检测运动区域;将目标区域分块,根据块中运动像素处背景差分值计算色彩显著度,建立运动、色彩显著质心模型;建立目标间、目标与运动检测间全局、块级数据关联,判别互遮挡目标及块,并据块遮挡矩阵更新目标模板;利用有效色彩和运动信息计算块质心转移向量及融合权值,获得目标全局质心转移向量以定位目标。实验结果表明该方法对互遮挡、相似目标干扰及外观变化的多目标均具有稳定跟踪性能。