基于非凸加权范数约束的SAR图像降斑

结合相似图像块具有低秩的特性提出了一种非凸加权范数约束(non-convex weighted norm constrain, NWNC)的合成孔径雷达(synthetic aperture radar, SAR)图像降斑方法。首先对每个目标块寻找相似图像块构建相似图像块集合;然后对相似图像块集合的系数矩阵进行NWNC;再利用广义阈值收缩法估计系数矩阵;最后对系数矩阵进行反变换重构出降斑图像。实验结果表明,该方法不仅有效地解决了传统低秩核范数约束不足的问题,而且通过NWNC和广义阈值收缩估计系数使得系数估计更加精确,表现在抑制斑点噪声的同时可以很好地保护图像的纹理细节。     

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。     

基于融合策略的非下采样Contourlet域SAR图像去噪与仿真分析

传统的SAR图像去噪方法仅考虑乘性噪声,而忽略其中的加性成分。根据图像统计特性提出加性和乘性复合模型,对图像施加非下采样Contourlet变换分解策略,然后在变换域引入融合策略以完成最终的去噪。仿真分析表明:采用该新算法后的视觉效果和客观衡量指标都比较理想。     

基于局部混合滤波的SAR图像去噪

相干斑噪声是合成孔径雷达(synthetic aperture radar, SAR)成像系统所固有的缺点,严重影响SAR图像的可用性,给后续的图像分割、特征提取和目标识别等工作带来严峻的挑战。结合非下采样方向滤波器和双树复小波变换各自的特点,提出一种新的基于非下采样方向滤波-双树复小波变换的局部混合滤波SAR图像去噪算法,具有多方向和多尺度性,保持了图像的平移不变性,改善了图像的视觉效果。与其他算法不同,本文算法采用非下采样方向滤波器级联双树复小波的方法,不仅对每次产生的高频分量进行去噪,还对变换所产生的低频分量进行滤波去噪。实验结果表明：与使用同级双树复小波-轮廓波变换加软阈值去噪相比,本文算法的峰值信噪比提高2 dB;与使用轮廓波加循环平移（cycle spinning, CS）软阈值算法去噪相比,本文算法去噪后的图像不仅峰值信噪比有所提高,而且去噪后的图像更为平滑,抑制了人造纹理产生,视觉效果得到了明显改善。     

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。     

基于自适应分数阶微积分的图像去噪与增强算法

针对传统的图像去噪算法容易忽视图像纹理细节的问题,首先提出一种全局自适应分数阶积分去噪算法。该算法可以在去除图像噪声的同时,对图像的纹理进行一定的保留。其次在全局自适应分数阶算法的基础上,针对一类低强度椒盐噪声提出另一种基于小概率策略的自适应分数阶微积分图像去噪与增强算法,该算法将图像中噪声点的出现视为小概率事件并进行分割,然后再采用自适应分数阶积分对噪声点进行处理的同时,采用自适应分数阶微分对图像的纹理进行增强和保留。实验结果表明,两种方法都可以达到较好的去噪效果,其中基于小概率策略的自适应分数阶算法在去噪的同时更具有增强图像的边缘的效果。     

基于支持向量值轮廓波变换的遥感图像去噪

提出了一种基于支持向量值轮廓波变换的遥感图像去噪算法。首先利用支持向量机构造支持向量值滤波器,并结合方向滤波器组,构建支持向量值轮廓波变换,再利用该变换将含噪声遥感图像分解成低频部分和高频方向子带部分,最后利用支持向量回归方法对子带系数进行去噪。实验结果表明,支持向量值轮廓波变换具有平移不变、泛化能力好、捕捉奇异性能强等特性,本文提出的去噪算法能在去除噪声的情况下有效保留源图像的边缘信息。     

图像修复中的加权矩阵补全模型设计

针对矩阵补全问题中基于低秩的矩阵补全模型通常将迹范数的每一个奇异值用同一常数进行阈值化导致在滤除小奇异值的同时会使大奇异值信息丢失的问题,提出了一种基于低秩的加权矩阵补全模型,通过对迹范数中的每个奇异值赋予不同的权重,从而避免用同一常数对所有的奇异值进行阈值化,采用逼近梯度算法解决加权的矩阵补全模型。最后,通过图像修复仿真实验,证明了所提出的加权矩阵补全模型相对于传统的不加权矩阵补全模型可得到更高的峰值信噪比,所设计的算法具有明显的优势。     

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。     

基于零空间l1范数最小化的ISAR成像方法

在目标场景散射率分布满足稀疏性假设下,压缩感知(compressive sensing, CS)成像与传统距离-多普勒成像方法相比,可以使用很少的数据获得良好的图像,图像对比度高,没有旁瓣干扰。本文提出了一种基于零空间l₁范数最小化的逆合成孔径雷达(inverse synthetic aperture radar, ISAR) CS成像方法。从解欠定方程组的角度,将待重建目标图像分解为初猜值与残余值两部分。首先使用加权最小二乘(weighted lease square, WLS)法估计初猜值,作为目标初像；然后将待重建目标场景散射率的l₁范数作为额外的一个非线性测量值引入到图像重建中,在卡尔曼滤波框架下,利用非线性“伪测量”值,最小化待重建目标场景的l₁范数来估计零空间中残余值的解。实测ISAR数据处理验证了所提算法的有效性。与正交匹配追踪算法(matching pursuit algorithm, OMP)和primal-dual l₁范数最小化方法相比,所提方法获得的成像效果更好,成像时间比primal-dual l₁范数最小化方法更短。     

基于增广拉格朗日乘子的快速高阶全变分图像去噪方法

高阶全变分图像去噪方法利用图像方向导数的可分L1范数,构建优化方程进行图像去噪,可以在去除图像噪声的同时有效保留图像中的细节信息。然而传统高阶全变分方法计算复杂度较高、耗时较长。针对此问题,提出了一种基于增广拉格朗日乘子的快速高阶全变分图像去噪方法。首先,利用Huber方程重建高阶全变分优化方程;其次,通过添加辅助变量及引入拉格朗日乘子,将优化方程转换为两个较易求解的子问题进行交替最小化迭代求解。实验证明,在相同条件下,与传统方法相比,基于增广拉格朗日乘子的高阶全变分图像去噪方法可以大幅提高运算速度,并且能在去除图像噪声的同时更好地保留图像边缘、纹理、细节等信息,获得视觉效果更好的去噪图像。     

Nuclear Norm Subspace System Identification and Its Application on a Stochastic Model of Plague

The discrete-time model of plague is deduced by zero-order holder based on the continuoustime model. Due to the existence of stochastic disturbances, the stochastic model is given corresponding to the discrete-time model. The state estimation and noise reduction of the stochastic model are achieved by designing Kalman filter. Nuclear norm minimization is to structure the low-rank matrix approximation instead of the singular value decomposition in the process of subspace system identification. According to the plague data from the World Health Organization, the system matrices and noise intensity of the model are identified. Simulations are carried out to show the higher approximation capability of the proposed method.     

基于LMD-WSVD的半球谐振陀螺混合去噪方法

为了减少半球谐振陀螺(hemispherical resonant gyroscope, HRG)输出噪声对导航精度的影响，提出了一种基于局部均值分解-排列熵-小波变换-奇异值分解的混合去噪方法。首先，使用局部均值分解方法对HRG信号进行分解，然后排列熵将其划分为两类：低频分量和混合分量；之后将小波变换和奇异值分解级联以构成两级滤波器，对混合分量进行降噪处理，最后重构得到最终的信号。通过实验验证了该方法的有效性，实验结果表明，相比原始信号，所提出的方法有效地减少了HRG的输出噪声，提高了其测量精度，其中角度随机游走降低了99.9%,零偏稳定性降低了60.3%。     

SAR image denoising based on wavelet-fractal analysis

Wavelet-fractal based SAR （synthetic aperture radar） image processing is one of the advanced technologies in image processing. The main concept of analysis is that after wavelet transformation, multifractal spectrum of the signal is different from that of noise. This difference is used to alleviate the noise produced by SAR image.The method to denoise SAR image using the process based on wavelet-fractai analysis is discussed in detail. Essentially, the present method focuses on adjusting the Hoelder exponent α of multifractal spectrum. After simulation, α should be adjusted to 1.72-1.73. The more the value of α exceeds 1.73, the less distinctive the edges of SAR image become. According to the authors denoising is optimal at α=1.72-1.73. In other words, when α =1.72-1.73, a smooth and denoised SAR image is produced.     

基于SVD和MPSO-SVM的光纤周界

针对光纤振动信号有噪声干扰、识别信号类型准确率不高且识别时间长的问题,提出了基于奇异值分解(singular value decomposition, SVD)和改进粒子群优化支持向量机(modified particle swarm optimization support vector machine, MPSO-SVM)的识别方法。首先,采用SVD对信号去噪,根据奇异值序列二阶差分谱单边极小值原则确定信号重构秩阶次。其次,提取振动信号特征,利用串行特征融合(serial feature fusion, SFF)方法组建特征向量组。最后,利用MPSO-SVM进行分类识别,提高识别精度和算法效率。采用实测信号进行验证,结果表明,信噪比有明显提升,信号平均识别率较粒子群优化支持向量机(particle swarm optimization support vector machine, PSO-SVM)提升5%。该方法较传统神经网络识别方法有较好的效果,具有实际应用价值。