一种权重的高阶扩散图像盲复原方法

为了实现对模糊噪声图像的清晰化盲复原,提出了一种权重的高阶扩散图像盲复原方法。首先,在模糊核的估计阶段,运用一种各向异性扩散的图像结构提取策略和shock滤波器将图像中的强边缘准确地提取出来,并利用提取的图像强边缘实现对模糊核的准确估计;然后,在图像的复原阶段,利用高阶扩散模型和权重平衡参数,针对复原图像,提出了一种权重的高阶正则化约束来实现图像的清晰化复原;最后,运用了一种分裂的布雷格曼(split Bregman,SB)最优化迭代策略对提出的方法进行最优化求解。实验结果表明,较近几年的一些具有代表性的图像盲复原方法相比,不仅主观的视觉效果得到了较为明显的改进,而且客观的峰值信噪比也增加了1.0~2.7 dB。     

Image Denoising via Improved Simultaneous Sparse Coding with Laplacian Scale Mixture

Image denoising is a well-studied problem closely related to sparse coding. Noticing that the Laplacian distribution has a strong sparseness, we use Laplacian scale mixture to model sparse coefficients. With the observation that prior information of an image is relevant to the estimation of sparse coefficients, we introduce the prior information into maximum a posteriori (MAP) estimation of sparse coefficients by an appropriate estimate of the probability density function. Extending to structured sparsity, a nonlocal image denoising model: Improved Simultaneous Sparse Coding with Laplacian Scale Mixture (ISSC-LSM) is proposed. The centering preprocessing, which admits biased-mean of sparse coefficients and saves expensive computation, is done firstly. By alternating minimization and learning an orthogonal PCA dictionary, an efficient algorithm with closed-form solutions is proposed. When applied to noise removal, our proposed ISSC-LSM can capture structured image features, and the adoption of image prior information leads to highly competitive denoising performance. Experimental results show that the proposed method often provides higher subjective and objective qualities than other competing approaches. Our method is most suitable for processing images with abundant self-repeating patterns by effectively suppressing undesirable artifacts while maintaining the textures and edges.     

立体视觉双目图像MAP的优化复原方法

为了有效地对立体视觉双目模糊图像进行复原,提出一种动目标双目图像MAP的优化复原方法,将双目运动模糊图像的复原问题转化为在模糊核路径关系约束下的双重循环MAP优化估计问题,在保证模糊核路径对应关系前提下,对双目图像进行去模糊。建立了双目图像模糊核路径的对应关系模型,将关系模型作为约束条件式,嵌入到基于模糊核和双目原图像的MAP优化估计过程中,通过双重循环迭代获取双目图像的模糊核和清晰图像。实验结果表明,该方法能够有效地去除立体视觉双目图像的模糊。     

基于亮区域暗通道矫正和加权聚合引导滤波

针对暗通道先验在天空等亮区域失效和引导滤波容易导致边缘模糊的不足,提出了一种高效的去雾算法.该算法提出一种新颖的亮区域自适应分割与校正方法,基于自适应的相对景深阈值分割亮区域,采用饱和度和灰度值校正亮区域的暗通道.然后利用加权聚合引导滤波代替引导滤波细化初始透射率,解决引导滤波引起的边缘模糊问题.最后,提出一种有效的亮度校正方法,将复原图像转化到HSV色彩空间,对亮度进行均衡化处理,使用相对雾浓度均值作为权值,对均衡化前后的结果进行线性加权得到最终的复原结果.实验结果表明,与经典算法对比,所提算法亮区域分割准确,复原图像纹理清晰,去雾彻底,复原结果的峰值信噪比、平均梯度与信息熵的最大提升分别为34.46%、99.49%和21.18%.     

图上自适应正则化的图像去噪

自适应正则化方法在不同的局部区域能够选取不同的正则化参数和正则化约束,因而能够灵活地对边缘和噪声进行区别处理。将自适应正则化建立在图上,提出了一种定义在加权图上的,具有自适应参数的正则化模型。用nonlocal means 算法构造图的权重函数,用建立在图上的自适应正则化方程实现图像的去噪处理,仿真实验结果表明：该方法能有效地去除图像中的噪声,在去噪性能上优于部分基于图论的偏微分方程方法。     

散焦含噪图像的点扩散函数估计与亚像素边缘检测

针对机器视觉中图像模糊的原因,采用广义高斯函数描述点扩散函数(PSF),建立边缘过渡区模型,从一幅图像所含多条边缘中提取样本,依据提出的整合准则从全部样本的估计结果中计算整幅图像的PSF,利用最优求解的概念,可实现最小二乘意义下PSF及亚像素级边缘位置的最佳估计。实验结果表明, 由于算法获得图像所对应PSF的最佳估计,边缘检测具有比较高的抗噪性能,在边缘亚像素检测基础上完成的尺寸测量误差小于0.5%。     

基于双树复小波变换与双边滤波的图像滤波

为了进一步提升高斯噪声的去除性能,提出了基于双树复小波变换与双边滤波的图像滤波方法.根据图像和噪声的分布特征,推导出一种自适应的阈值去噪模型.用去噪模型对双树复小波变换后的图像系数进行量化处理,再由双树复小波逆变换得到去噪图像,然后用改进的双边滤波方法对去噪图像进行边缘增强,改进的双边滤波核自适应于图像的特征,具有更好的鲁棒性.实验结果显示,该方法相对于现有的性能较好的方法,PSNR高出大约0.8 dB,SSIM高出大约2.3%.实验证明了该文提出的方法在去噪效果和细节恢复上优于已有的方法.     

基于Curvelet的纹理方向自适应图像插值

为提高纹理复杂图像的插值放大质量,提出一种纹理方向自适应的图像插值算法。首先利用Curvelet变换提取图像的4个方向因子矩阵,然后对不同类插值点选择相应的2个方向因子构造权重系数进行线性插值,从而自适应地重建各类待插值点。分析比较了本文与现有插值算法对平滑与纹理复杂区域的插值重建质量。实验结果表明,本文算法能有效抑制传统插值方法重建图像时出现的边缘模糊和锯齿现象,重构的图像效果优于传统方法,纹理丰富图像的重构质量可提高2dB以上。     

面向盲去模糊的选择性内核卷积混合连接编解码网络

针对运动模糊在空间上非均匀且模糊核未知的特点,提出一种选择性内核卷积混合连接编解码网络.为避免估计模糊核产生误差,该网络采用对称编解码的结构,以端到端的方式实现盲去模糊;为消除非均匀模糊,设计一种选择性内核卷积混合连接块,使用两个感受野不同的分支增强网络提高非均匀模糊特征的适应能力;同时,该模块融合了通道注意力机制,对多分支特征图进行校准,增强有效特征信息;此外,使用均方误差与感知损失作为联合损失函数引导网络模型的训练.实验结果表明,该网络能够有效去除图像模糊,恢复出图像的边缘结构和纹理细节.     

基于RGB通道下模糊核估计的图像去模糊

图像去模糊旨在从受损图像中恢复出清晰图像。由于模糊过程未知,精确地估计出模糊核函数,成为得到清晰复原图像的关键。对于彩色图像来讲,现存的方法只考虑在灰度域估计模糊核。事实上,各个通道的色彩分量图所受到的模糊核函数的影响是不同的。为此,提出一种获得更加精确的模糊核的方法,利用彩色图像的3个色彩通道(RGB channels)代替灰度域分别进行模糊核估计,并将估计出的模糊核应用到基于细稀疏表示的复原模型中进行去模糊处理。仿真实验表明,提出的方法比目前的方法能够获得更好的图像复原效果。     

基于物体信息的图像显著性区域检测

针对目前图像显著性检测存在的显著性图边缘模糊、缺乏视觉高层信息等问题,提出了一种基于物体信息的显著性检测算法。将似物性计算与显著性计算相结合,可以将前景与背景分离,抑制高对比度干扰区域的影响。首先采用改进的L0平滑算法对图像进行滤波处理,然后通过超像素分割将图像分成若干图像块,再通过聚类算法进行合并,得到待检测图像块。采用似物性检测算法计算物体可能存在的区域,与待检测图像块进行融合,得到物体显著性图,再通过颜色对比度及空间分布特征计算显著性图,最后将二者融合,得到最终结果。实验结果表明,算法能够得到清晰的物体边缘,对图像的显著性区域能够较为全面地覆盖,有效地抑制高对比区域的干扰。     

梯度直方图约束的多尺度块先验模型

块先验模型在图像复原领域取得了较大的成功,但其整体模型强制局部性的缺点,易出现局部伪影、视觉观感较差的问题,提出一种新的集成多尺度块先验和梯度直方图先验的图像复原方法.对原始图像实施滤波和下采样以保持尺度不变性,在多尺度上施加同一局部块模型,即保持块低维模型的简单性,又在图像较大区域实施非局部性;将梯度直方图全局统计先验加入正则约束中,利用Wasserstein距离对复原图像与参考直方图的相似性进行度量.借助半二次分裂和最优传递理论,求解所提出的模型.通过在图像去噪和去模糊实验,相比传统方法无论在客观质量评价还是视觉观感上都更有优势,验证了方法的有效性.     

基于一种自适应核学习的KECA子空间故障特征提取

核属性约简方法对于去除冗余信息,调整数据非线性结构具有独特的优势.针对航空电子设备故障诊断中有效特征提取困难,核属性约简方法中核函数与核参数选择繁琐等问题,提出了一种基于自适应核函数优化学习的核熵元分析（kernel entropy component analysis,KECA）特征提取方法.首先针对一种自适应核函数基于改进的Fisher核矩阵测量准则建立了一种面向多分类任务的核函数优化框架,然后将优化结果与KECA相结合,通过在KECA特征子空间中选择对输入数据Renyi熵估计有较大贡献的核矩阵特征向量来实现故障特征提取.实验结果表明,本文方法不仅提升了分类精度,而且对噪声具有一定的抑制作用,具有良好的泛化性能.      

Satellite Image Adaptive Restoration Using Periodic Plus Smooth Image Decomposition and Complex Wavelet Packet Transforms

A satellite image adaptive restoration method was developed that avoids ringing artifacts at the image boundary and retains oriented features. The method combines periodic plus smooth image decomposition with complex wavelet packet transforms. The framework first decomposes a degraded satellite image into the sum of a "periodic component" and a "smooth component". The Bayesian method is then used to estimate the modulation transfer function degradation parameters and the noise. The periodic component is deconvoluted using complex wavelet packet transforms with the deconvolution result of the periodic component then combined with the smooth component to get the final recovered result. Tests show that this strategy effectively avoids ringing artifacts while preserving local image details (especially directional textures) without amplifying the noise. Quantitative comparisons illustrate that the results are comparable with previous methods. Another benefit is that this approach can process large satellite images with parallel processing, which is important for practical use.     

基于交叠组合稀疏全变分的图像去噪方法

全变分作为一种常用的去噪模型,在图像去噪中较好地保持图像边缘信息,但是容易产生"阶梯效应"。为了克服这个缺点,提出一种基于快速傅里叶变换的交叠组合稀疏全变分去噪模型。首先,充分考虑图像梯度的邻域结构相识性,通过交叠组合计算像素点的梯度,以凸显平滑区域的高噪声污染点和边界区域像素点的差异。然后,基于快速傅里叶变换和交替方向乘子算法在频域中求解去噪模型。实验结果表明,新模型在保护图像边缘信息的同时,有效去除噪声,同时抑制"阶梯效应"。与几种较好的去噪算法相比,新模型的峰值信噪比、结构相识度、视觉效果、计算效率均有明显提高。     

单幅运动模糊图像的恢复及应用

运动模糊图像复原技术高度依赖于点扩散函数的估计,即估计线性运动模糊的方向和长度,这两个参数与物体实际运动速度有一定几何关系。本文在去除运动模糊的同时,提出一种基于单幅模糊图像估计车速的方法。由于运动模糊通常发生在图像的动态区域,因此在恢复图像的同时依据成像几何、相机摆姿和估计出的模糊参数经过数学推导可以计算出车速。本文依据模糊像素扩散现象及模糊图像在频域的性质来估计模糊参数,结合维纳滤波方法进行复原。从而辨识车辆、估计车速、辅助交通管理。实验表明本文方法实用性强,效果较好。     

基于遥感图像梯度特征的运动模糊检测方法

为了精确描述由于高分辨率卫星在轨动力学环境不确定干扰造成的光学传感器拍摄遥感图像退化的过程,在自然图像的运动模糊点扩散函数检测方法的基础上,提出一种基于遥感图像梯度特征的运动模糊检测方法. 该方法利用图像分割和梯度特征选择处理区域,对遥感图像进行预处理,使图像的梯度特征更加符合检测方法的先验知识,采用基于概率分布的点扩散函数估计方法获得图像的退化模型. 结果表明该方法提高了图像模糊的检测精度,获得了更准确的遥感图像运动模糊点扩散函数的检测结果.      

基于自适应 UKF 微型航姿系统噪声在线估计

针对先验噪声与系统真实噪声不符引起标准无迹卡尔曼(unscented Kalman filter,UKF)性能退化的情况,提出一种应用于非线性时变状态和参数联合估计的自适应UKF(adaptive unscented Kalman filter,AUKF)算法.根据新的协方差矩阵与相应估计值之间存在的误差,构建成本函数.采用梯度下降法进行在线预估,对噪声的协方差进行在线更新并反馈给标准的UKF.实验和仿真分析表明,与标准UKF相比,自适应UKF算法在精度上有较大的提高.对于时变噪声协方差不确定时,自适应UKF噪声在线估计的鲁棒性得到明显改善,验证了自适应UKF噪声在线估计模型的准确性和可行性.     

基于双域信息的深度残差网络图像去噪

基于深度学习的去噪技术,通过考虑视觉伪影和整体平滑噪声,提高了图像的质量.然而,它们很少涉及边缘细节的恢复.为此,本文提出了一种基于双域信息的深度残差网络去噪模型,利用小波域信息与空间域信息的融合来扩展网络学习信息,通过在激活单元内引入多尺度学习和空洞卷积,以此提取图像特征,并减少了网络参数.为了进一步改善去噪结果,结合小波域损失和空间域损失构造联合损失函数,使得网络获取更多的边缘与细节.实验结果表明,本文提出的方法不仅可以有效去除图像噪声,而且可以更好地恢复图像纹理细节,在主观和客观评价中均获得了更好的结果.     

Improving reflectance estimation by BRDF-consistent region clustering

Previous studies in reflectance estimation generally require prior segmentation of an image into regions of uniform reflectance. Due to the measurement noise and limited sampling of the BRDF (bi-directional reflectance function) directions, such estimated results of reflectance are not accurate. In this paper, we propose a novel method for reducing uncertainty in reflectance estimates by merging image regions which have consistent reflectance observations. Each image region acts as a reflectance subspace, so merging of the image regions can result in subspace reduction. We propose a Bayesian segmentation framework to decrease the reflectance uncertainty by using novel merging criteria. Finally, a maximum likelihood reflectance estimation is made for each resulting image region. Experimental results verify the feasibility and superiority of this reflectance-oriented region merging method.