基于分形维数的全变分图像平滑模型

针对标准全变分模型用梯度检测边缘易受噪音干扰产生"阶梯"效应和在处理纹理丰富的图像时易丢失细节纹理信息的缺点,提出了一种基于分形维数的全变分模型,该模型可利用图像局部分形维数来检测边缘,能够准确识别真实边缘、剔除假性边缘,从而抑制"阶梯"效应,可保护纹理丰富的图像的纹理细节信息。平滑后的图像显示出改进方法能有效去除噪声并减弱"阶梯"效应,获得较高峰值的信噪比。     

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。     

基于偏微分方程的图像修复算法

针对TV模型修复算法只沿梯度垂直方向扩散,容易在平滑区域引入阶梯效应,迭代效率低,易产生假边缘的缺点,分析比较了TV图像修复模型的性能,提出了一种改进的图像修复算法。该算法同时结合了各向同性和各向异性扩散,利用区域频率差异实现了在不同的区域使用不同的迭代方程,有效避免了原始算法引入的阶梯效应,提高了迭代效率。实验结果表明,该算法与TV模型算法相比,在具有同样修复效果的前提下,避免了阶梯效应并优于TV模型的修复速度。     

基于纯各向异性扩散和四阶PDE的混合去噪方法研究

综合纯各向异性扩散模型和四阶PDE模型在图像去噪中的特点,提出一种新的去噪模型——基于纯各向异性扩散和四阶PDE的混合去噪模型.该模型克服了四阶PDE模型过多损失边缘信息和纯各向异性扩散模型在平滑区域产生阶梯效应的缺点,在有效去除噪声的同时,既抑制了阶梯效应,又很好地保持了图像的边缘和纹理细节信息.     

基于梯度和拉普拉斯算子的图像扩散变分模型

采用图像扩散的变分方法可以有效地设计边缘保持或增强的图像恢复模型。传统的模型往往基于图像强度的梯度,所得到的结果在本该光滑的区域具有明显的阶梯效应。为此,提出了基于梯度和拉普拉斯算子的图像扩散变分模型,以期实现在对图像进行噪声去除的同时,保持或增强图像的边缘,并消除单纯基于梯度模型导致图像光滑区域的阶梯效应。对变分模型中光滑项的设计,首先针对一维模型的分析得出基于梯度和拉普拉斯算子模型向前、后扩散的条件,然后将其推广到二维图像扩散,并在设计的有限差分方法基础上,对所提模型的有效性进行了实验验证,效果良好。     

一种基于非线性扩散的图像放大算法

针时传统图像放大处理过程中基于线性插值方法通常导致边缘模糊问题,分析了Tikhonov模型、全变差模型和高阶偏微分模型在图像处理中的优缺点,提出了一种全变差和高阶偏微分模型自适应结合的图像放大模型及推导算法.该模型对图像非平滑区域采用全变差模型处理,而平滑区域则采用高阶偏微分模型处理,最终新插入的图像点象素值由该点邻域象素自适应地各向异性加权得到,在保持图像边缘锐度的同时有效克服了平滑区域的阶梯效应.4种模型的实验比较验证了本文算法的有效性.     

基于边缘增强总变分正则化盲泊松图像反卷积

针对总变分的方法支持分片常值解,易导致图像内容中的平坦区域出现"阶梯效应"和纹理及部分细节随着噪声消失等问题,提出基于边缘增强总变分正则化的盲泊松图像反卷积方法.受边缘信息对视觉感知的重要性的影响,提出具有空间自适应性的边缘增强指示算子约束总变分正则化项,并采用双边滤波区分图像内容中的边缘和平坦区域.一系列仿真和真实模糊图像实验表明:提出的方法与其他方法相比具有较好的平滑平坦区域和保边缘的特性.     

基于边缘定向增强扩散模型的图像去噪

针对基于全变分(TV)的图像去噪模型,恢复图像存在阶梯现象(staircase)的缺点,提出了一个新的图像恢复的变分模型.定义了一个新的包含图像的边缘位置和方向信息的能量泛函,使得沿图像边缘的切线方向具有较强的平滑能力,而法线方向平滑较弱,可以较好的定位边缘.并且该模型能增强阶跃性边缘,防止因平滑造成的边缘模糊现象.试验结果表明:该模型可以部分的解决基于TV的变分模型中出现的阶梯现象,并且具有较好的去噪效果,而且它还能增强图像边缘并保持边缘的位置,其峰值信噪比(PSNR)在高噪声水平下,较其它方法提高大约1.0dB左右.     

基于彩色加权引导滤波-Retinex算法的导航图像增强

在夜间低照度环境下,轮胎式龙门起重机(RTG)常常需要执行自动驾驶导航任务,针对导航过程中地面引导线图像边缘难以检测的问题,提出一种彩色加权引导滤波-Retinex(CWGIF-Retinex)算法.首先,有针对性地改进加权引导滤波算法的权值估计方案,用矢量梯度方法提取经过Retinex算法处理的彩色图像边缘作为权值;进而,利用CWGIF算法估算引导线图像的照度分量,并通过单尺度Retinex算法计算得到反射分量;最后,通过算法计算得到色彩与轮廓边缘均增强的引导线图像.实验证明,CWGIF-Retinex算法相较于传统算法能够更好地增强弱光照区域的色彩,同时还能起到消除光晕伪影、颜色保真和增强引导线边缘对比度的效果.     

基于CONVEF的四阶各向异性扩散及图像去噪

偏微分方程在图像去噪中有广泛的应用。传统的二阶偏微分方程虽然具有较好的去噪效果,但是处理得到的结果容易产生阶梯效应,这种现象会引起后续图像处理的误判断。You和Kaveh提出了四阶偏微分方程,该模型可以有效的去除阶梯效应,但由于该算法是一个各向同性的滤波算法,因此图像的边缘保护能力有所降低,使去噪结果中边缘和纹理等细节信息丢失。针对以上缺点,提出了基于卷积虚拟电子场(CONVEF)的四阶偏微分方程。新的模型降低了图像在边缘方向的扩散,得到一个有效的各向异性扩散模型,从而在去噪的同时可以更好的保护图像的边缘、纹理等细节特征。     

基于高斯曲率改进的PM模型

在Perona和Malik的各项异性扩散方程的消噪模型中,一些小梯度的细节信息和噪声会被扩散掉,而在这些细节信息点往往具有零高斯曲率的特征,根据这一特点,对PM模型加以改进。新的模型不但可以保持零高斯曲率的图像特征,如:直线边缘、曲线边缘、角点、斜坡和小尺度特征,还可以增强尖锐的边缘。实验表明,改进的模型比PM保留了更多的图像信息,因此该模型可以大量地应用于图像处理和计算机视觉。     

基于分数阶微分的多尺度多聚焦图像融合

针对多聚焦图像融合问题,借鉴多尺度融合方法对各个尺度的互补信息进行针对性融合.首先,运用L_○0梯度最小化的平滑方法将源图像分解为背景层和细节层,然后在背景层的融合中运用分数阶边缘检测掩模保持边缘信息,在细节层中引入分数阶梯度能量算子进行权值分配.实验结果表明,与整数阶梯度能量清晰度算子相比,本文所提出的分数阶梯度能量算子符合人眼视觉感知且更加敏锐.上述融合方法有效避免了融合图像中的伪影和块状效应,更加充分地保留了源图像信息.     

基于快速步进法的改进图像修复算法

基于水平集应用的快进修复算法可以简单、快速且有效地修复数字图像中的破损区域,但该方法的线性和局部特征导致其对边缘的保持能力不够,针对这一问题提出了改进方案.在快速步进法的边界行进中引入各向异性扩散,能更准确地保持等照度线的方向,避免彼此交叉.实验结果表明,改进后的算法能更好地保持等照度线的平滑及尖锐边缘,同时具有原算法运算速度快的优点.     

基于改进总变差模型的图像去噪算法

总变差模型(TV)是基于偏微分方程图像去噪模型中的经典模型,但去噪的过程中存在阶梯效应(块儿效应),使去噪后的图像显得很不自然,这是由于TV模型的分段平滑造成的.本文加入自适应系数,使其在平滑区域退化为类似于拉普拉斯算子的各向同性扩散,加快扩散速度,消除阶梯效应;在边缘位置,新模型沿切线方向扩算,抑制法线方向扩散,保持边缘.     

基于最大后验概率的la范数去噪方法

从观测模型和先验模型入手,深入分析了在图像去噪过程中如何在边缘保护和去除噪声之间寻找平衡,针对TV先验模型在边缘保护和纹理保护中的不足,提出了新的基于最大后验概率的la范数去噪方法,该方法更好地保护了图像的边缘,同时使得在平滑区域产生的阶梯效应减少.数值实验进一步验证了该方法的正确性和有效性.     

基于模糊均差的低照度图像平滑去噪方法

为了提高低照度图像去噪处理的整体效果，本次研究提出了基于模糊均差的低照度图像平滑去噪方法。采用Sobel梯度检测图像边缘信息，采用OTSU（Nobuyuki otsu 大津展之）阈值分割法分割图像为平坦区域和细节区域；通过模糊均差方法分别估计两个区域图像的噪声标准差；采用小波域方法对图像进行平滑软阈值去噪，实现低照度图像的平滑去噪。实验结果显示，本文方法可以在不同噪声水平下获取接近真实值噪声标准差，在噪声水平最大时信噪比大小达到了27.97dB，去噪效果达到92.1%，质量很好的图像数量占比达到了80.58%，图像信息损失较小，去噪效果较好，具有极大的应用价值。     

基于全变差和P-Laplace模型的混合图像修复算法

图像修复是近年来图像处理研究的主要问题之一.在基于偏微分方程的修复算法中,全变差(total variation,TV)模型能够很好地保护图像边缘信息,但其各向异性扩散方式在平坦区域容易产生阶梯效应;而在图像平坦区域具有良好修复效果的P-Laplace模型,其各向同性扩散方式不适于修复图像边缘信息.将TV模型和P-Laplace模型有机结合起来,提出了一种混合图像修复算法.提出的扩散控制参数k能够根据待修复像素所在区域调节两种信息扩散方式的重要程度,实现混合图像修复.实验结果表明,所提算法获得了更好的修复结果.     

基于自适应参数的全变分综合图像去噪模型

分析了ROF去噪模型和LLT去噪模型的优缺点,提出了一种基于自适应参数的全变分综合图像去噪模型.先利用高斯滤波对噪声图像进行预处理,以减少噪声在后续处理时被当成假边缘的可能性,再根据图像中每一像素点的梯度信息,自适应地选取模型中决定平滑强弱的参数,使模型能在接近图像边缘处平滑较弱,在远离边缘处平滑较强.实验表明,本模型在去噪的同时能有效地保留图像的纹理信息,并对降噪性能指标有较好的提高.     

基于改进的L_0梯度最小化的图像平滑

计算机图像和视觉领域中的一项基本任务是图像平滑,而L0梯度最小化模型(LGM)作为一个最基本的数学工具已被广泛应用于图像平滑领域.作为总变差模型(TV)的改进版本,L0梯度最小化模型采用L0范数来约束图像的梯度并且对分段常数的图像有更好的平滑效果.然而,如同总变差模型一样,L0梯度最小化模型处理的结果图中也存在着严重的阶梯效应并且其对噪声也缺乏鲁棒性.为了克服这些缺点,本文提出了采用L1范数作保真项并且预滤波处理图像梯度的模型,即改进的L0梯度最小化模型.该模型不仅能够克服阶梯效应并且对噪声有较强的鲁棒性.大量的实验结果表明:与现有的方法相比,改进的L0梯度最小化模型能够获得更好的平滑效果.     

基于各向异性信息扩散的图像修复方法

图像修复是数字图像处理的重要内容,可用于恢复图像中小的破损区域、文字去除以及目标物体隐藏.基于偏微分方程的修复模型可以利用待修复区域周围的有用信息沿等照度线自动向内扩散修复图像,在保持图像边缘的基础上同时平滑噪声,但其算法实现比较复杂,执行速度很慢,并且稳定性不好.针对这一问题采用改进方案,简化了模型,直接利用各向异性扩散方程进行图像修复.该方法获得了较好的实验结果.