基于叙词查询的图像标注方法

为了能更好地反映图像标注之间的关系,将叙词查询的概念引人到传统的基于查询的图像标注领域,通过已标注图像的关键词建立标注之间的关系,从而构建了基于叙词查询的图像自动标注方法.最后在Corel图像数据库中对所提出方法的有效性进行了验证.     

基于SIFT特征矢量图的快速图像拼接方法

为了减少图像拼接方法的计算复杂度,提出一种基于尺度不变特征变换(SIFT)特征矢量图的快速图像拼接方法.该方法首先结合相位相关算法,确定待拼接图像的重叠区域,限定SIFT特征点检测范围;然后考虑特征点的空间位置信息,构建SIFT特征矢量图像,以便在特征匹配时限制匹配点的搜索范围,快速获得匹配点对.实验结果表明,该方法减少了大量的不必要搜索,提高了图像拼接速度.     

一种新型X射线安检图像增强算法

针对X射线安检图像噪声大、对比度低和边缘不清晰等特点,提出一种基于对比度受限自适应直方图均衡化(CLAHE)变换和图像灰度最大值融合的双重能量X射线图像增强算法。首先,应用CLAHE变换分别对高能和低能X射线图像分别进行处理得到初步增强结果;然后采用空域灰度值最大融合算法融合经过CLAHE变换后的高能和低能X射线图像从而得到最终增强X射线图像。实验结果表明该算法能更有效地提高双重能量X射线图像的对比度,显著改善图像质量。     

基于分形维数的多线索商标图案检索系统

采用基于内容的图像检索技术，根据查询图像和目标图像的相似度匹配进行图像检索，图像的内容由五种特征来描述：图像的分形维数、分形矢量、边界分形维数、骨架分形维数和距离分布直方图，系统界面友好、功能齐全，实验证明系统的检索效果比较理想，具有很好的平移、尺度和旋转不变性，并且只要查询图像在图库中，就一定能被检索出来，另外，系统还具有一定的鲁棒性。     

基于二维EMD的图像分层放大方法

提出了一种新的图像分层放大方法,在各层上体现图像的局部和全局的相关性,弥补了传统插值放大中的不足.其原理是先将图像用二维经验模态分解(empirical mode decomposition,EMD)方法分解为具有不同复杂程度的图层,在每一分解层上分别设计一种组合放大方法,其中组合系数密切相关于图层的复杂度,最终的放大结果再由EMD逆过程得到.实验结果和数据表明这种方法能够取得良好的图像放大效果.     

一种基于二代Curvelet变换的图像融合新算法

基于Curvelet变换,提出了一种新的融合算法.首先将图像进行Curvelet变换,然后对低频系数和高频系数采用不同的融合规则将Curvelet系数融合,最后进行重构得到融合结果.对该方法得到的融合图像进行了主客观评价和对比.实验结果表明,该方法得到的融合图像在图像边缘等细节上比其他方法得到的图像具有更好的视觉效果,在均方误差、峰值信噪比、相似度等客观指标上都优于其它方法.     

基于连续肯德尔相关系数学习相似度函数的图像检索方法

提出了一种基于连续肯德尔相关系数学习图像间相似度函数和运用学习的相似度函数进行图像检索的方法.通过对500幅图像所组成的图像数据库以及和其他传统相似度函数学习方法在图像检索中检索效果的比较实验可以得出:该方法的图像检索效果要优于其他相比较的传统方法.     

基于边缘检测的深度图与单视图配准算法

为解决由单视点图像和相关深度数据所创建的立体图像部分存在的重影问题,提出基于边缘检测的深度图与单视图配准算法.对单视图和深度图进行边缘检测得到各自的边界后,以单视图的边界为基准,配准深度图的边界及其邻域的深度数据.实验结果表明,该算法与已有的算法相比,匹配质量明显提高,使在立体图像中的重影现象得到了缓解.     

多尺度残差注意网络的真实图像复原方法

为了提高基于深度学习网络方法在真实图像上的复原效果,提出了一种基于多尺度残差注意网络的复原方法。将退化图像输入到该模型中,利用浅层特征网络提取原始低质量图像的浅层特征;利用残差注意网络模块提取深层特征信息和通道相关性,使用局部连接和短跳跃连接进行残差学习;将浅层特征、通道相关性以及上下文深层特征信息输入到重构网络,利用具有不同感受野的特征进行图像复原。实验结果表明,相较于其他对比方法,该方法在图像去噪、图像增强和超分辨率等多个任务中获得最优的结果,能够在不引入伪影的情况下生成纹理细节丰富的清晰图像。     

一类耦合去噪-分割的新模型在图像处理中的应用

 针对被噪声严重污染的图像的分割结果很不理想的现象, 提出一类耦合去噪-分割的新模型, 先采用一种组合的去噪模型去噪, 然后用新的分割模型进行分割。实验结果表明, 提出的组合去噪模型(采用AOS算法)比现有的一些去噪模型的去噪效果更好; 而在分割方面,文中提出的耦合去噪-分割的方法也显示出有效性和可靠性, 特别是对含有较高噪声的图像分割比CV模型更有优势。