基于卡通纹理分解的复合降质图像质量评价

为了提高复合降质图像质量评价的准确性,利用卡通纹理分解算法将图像分解为卡通分量和纹理分量,从卡通分量的显著性边缘信息中获取图像模糊因子,从纹理分量中获取图像的噪声强度因子,结合汇集策略,构建出有效的复合降质图像质量评价模型.实验表明:针对LIVEMD图像库中的模糊和噪声复合降质图像,算法的评价结果具有较高的主客观一致性.     

基于图像多尺度分解的前景提取

为了弥补纹理对传统GrabCut提取结果的负面影响,本文分析了图像边缘和颜色分布的尺度特性,结合图像多尺度分解和GrabCut,提出了基于图像多尺度分解的前景提取模型.首先,该模型运用全变分对图像进行多尺度分解得到一系列平滑图像,该分解保护了图像边缘并平滑了纹理,压缩了图像区域颜色的分布范围;其次,将给定平滑图像前景颜色分布表示为高斯混合模型,并运用直方图形状分析方法优化了高斯混合模型的高斯函数个数,弥补了传统固定高斯函数个数的负面影响;最后,根据不同平滑图像的分割结果设计了迭代终止条件,使得从适当的分解尺度中提取前景.与传统前景提取算法相比较,该模型降低了纹理对前景提取的负面影响,其测评分数高于传统算法.     

基于卡通纹理分解和NSCT的卫星云图边缘提取

为方便提取云图的缓变边缘,提出了基于卡通纹理分解和无下采样轮廓波变换(NSCT)的卫星云图边缘特征提取算法。首先使用基于张量扩散的卡通纹理分解对卫星云图进行预处理,减小云图中噪声和纹理的影响,将云的缓变边缘转化为阶跃边缘;然后依据NSCT域中高频系数的正负关系和相关性进行边缘特征提取。通过实验,将文中算法分别与基于投影卡通纹理分解的预处理算法、小波多尺度积、NSCT模极大值和NSCT多尺度积等边缘特征提取算法进行比较。结果表明,本算法可更准确地提取云的边缘,且受噪声和纹理的影响小,边缘的连续性更好,为准确地进行云分类提供了保障。     

基于双密度双树小波变换的图像去噪

为了使图像的不同增量同时达到最优的去噪结果,本文提出了一种基于双密度双树小波变换的图像去噪方法.首先使用Vese和Osher的图像分解模型把图像分成结构和振荡分量,然后根据各个分量的不同特性进行双密度双树小波变换域阈值去噪.实验结果表明,本文方法不但有效的去除了噪声,而且去噪后图像的视觉效果更好.     

基于纹理提取与注入的交通图像去雾算法研究

雾天户外视觉系统所拍摄的交通图像质量下降、特征模糊直接影响到后续智能交通系统的监控精度,研究交通图像的去雾问题具有重要的实际意义.不同于一般的可视场景图像,交通图像的去雾在关注其去雾后视觉效果的同时,更应重视对交通图像纹理、边缘等特征信息的保持.提出一种基于纹理提取与注入的交通图像去雾算法,利用引导滤波从含雾交通图像的非下采样Contourlet变换的高频子带中提取交通图像的纹理、边缘信息,然后将其注入利用暗通道模型的去雾图像中,在有效去雾的同时一定程度上增强了去雾后交通图像的纹理细节信息.实验结果验证了算法的有效性.     

结合Curvelet变换与加权双边滤波的图像去噪方法

针对加权双边滤波方法在边缘纹理方面保留不好使得图像模糊的问题,提出一种结合Curvelet变换与加权双边滤波的图像去噪方法.该方法使用加权双边滤波器将噪声图像分解为低频部分和高频部分,然后将Curvelet变换的折衷阈值应用于高频部分用以保留图像纹理细节,最后将低频部分和处理后的高频部分进行重构得到去噪图像.实验结果表明,相对于其他方法,本文方法在去噪和边缘信息保留方面都有明显的改善.对于包含边缘信息的去噪图像,峰值信噪比(PSNR),视觉信息保真度(VIF)和结构相似性指数(SSIM)测量值有实质性的提高.     

基于图像整体变分和分数阶奇异性提取的图像恢复模型

分析基于图像整体变分理论所对应的图像恢复整体变分模型的不足：对于纹理丰富的含噪自然图像，在去除噪声的同时，损失了图像中固有的纹理信息。揭示从残差图像中提取具有分数阶导数奇异性图像的可能性，提出用于图像恢复的残差校正整体变分模型。模型提供一种图像的分解与表示方法。实验结果表明，该恢复模型对自然图像的边缘和纹理等细节保持效果大大优于整体变分模型。     

基于结构纹理分解的图像去噪方法

针对图像去噪时,细小的边缘和纹理容易被磨光,及其线状结构容易被破坏,提出一种基于结构纹理分解的图像去噪方法。首先用Vese-Osher模型将噪声图像分解为结构部分和纹理部分,然后用改进的P-M扩散和相干增强扩散结合方法对纹理部分去噪,最后重新组合结构部分和去噪后的纹理部分,得到最终去噪的图像。数值试验结果表明,方法有效提高了图像去噪的质量,较好地保护了边缘、纹理信息,恢复其光滑的线状结构。     

图像的多尺度稀疏分解及其在遥感图像融合上的应用

提出了一种图像多尺度稀疏分解的新方法,联合局部离散余弦变换基和曲波变换基组成分解字典,通过控制字典系数从多个尺度把二维图像稀疏分解为纹理成分和卡通成分,并以此应用到遥感图像融合,提取有效尺度下高分辨率全色遥感图像的纹理成分和多光谱遥感图像的卡通成分,对二者进行稀疏重建得融合图像.实验结果表明,多尺度稀疏分解的遥感图像融合方法优于经典融合方法,融合结果具有更高的空间分辨率和更低的光谱失真,相比流行的稀疏重建法,该方法的执行速率得到大幅提升,且取得了更好的融合结果.     

基于第二代小波的增强边缘的图像去噪

传统的一些去噪技术往往是以牺牲图像的边缘和细节为代价的.为了去掉图像的噪声,同时又能够很好地保留图像的边缘和纹理细节,在介绍第二代小波变换的原理的基础上,提出使用边缘检测的方法检测出图像的边缘和纹理细节,将它和该图像进行融合,用第二代小波对含噪图像进行分解,对图像高频进行自适应去噪.由于图像在去噪前融合了边缘信息,因此边缘和细节部分得到了增强.仿真结果表明:该去噪方法优于传统小波阈值去噪方法.     

混合正则化模型的交替迭代原理与图像恢复

由有界变差函数的半范数(TV)描述的正则项,在图像恢复过程中,对于图像的纹理部分,容易造成细节丢失;对于图像的卡通部分,容易产生阶梯效应;为克服此缺点,提出一种混合卡通-纹理正则化模型(hybrid cartoon texture regularization model,HCTRM)和交替迭代算法。首先,对受系统和噪声模糊的图像,用Kullback-Leibler函数描述拟合项;对于图像的卡通部分用分数阶TV的半范数来描述,纹理部分用紧框架域L_1范数来描述,建立HCTRM。其次,分析HCTRM解的存在性和唯一性。再次,引入辅助变量,将HCTRM转化为标准表达式,应用交替方向乘子算法(ADMM),将HCTRM分解为2个大的子问题。最后,将每个大的子问题,再分裂为2个小的容易处理的子问题,形成快速交替迭代算法。针对TV的半范数作为正则项,容易消除图像的纹理,且产生阶梯效应的缺点,提出一种HCTRM和交替迭代算法。仿真表明,能有效地恢复非平稳区域的纹理,克服在平稳区域产生的阶梯效应,取得较高的峰值信噪比和结构相似测度。     

基于结构纹理分解的改进图像压缩算法

用等级树集合分区(set partitioning in hierarchical trees,SPIHT)压缩结构分量所产生的误差一般情况下能体现高振荡的特性,比较符合纹理特点,所以将这部分误差信号叠加在纹理分量中形成一个新的纹理源,利用小波包变换进行压缩,提出了一种改进的基于结构-纹理分解的图像压缩处理算法.理论分析表明这是分层压缩问题中一种普适的有效策略.从实验结果可以看出,这种处理方式相对于现有的结构纹理分解压缩的方式而言,始终具有一定的信噪比增益,相对于目前的JPEG2000压缩标准及单一的SPIHT、快速小波包变换(FWP)等算法具有一定的优越性.     

基于Huber函数双边全变分的多帧文档图像超分辨率重建

针对低分辨率文档图像中噪声模型不确定、字符边缘和纹理走向复杂多变的问题,提出GemanMcClure(GM)范数替代L1、L2范数用于提高算法的鲁棒性,设计了结合双边全变分(BTV)和Huber函数的正则化项,采用Lucas-Kanade光流配准算法,利用字符结构特征的先验信息,使算法在重建过程中更加注重边缘细节与边缘方向信息。实验表明,与L1BTV、L2BTV和无Huber函数的GMBTV正则化(下文简称GM方法)重建方法相比,文中算法在混合噪声模型下能够显著平滑噪声、锐化边缘、提升文档图像字符的分辨率,字符识别率提高14.69%的同时运算时间缩短了29.34%。     

基于改进U-Net 神经网络的图像去噪算法

摘要：针对目前常见的U-Net网络结构以及现有的图像去噪算法在去除图像噪声时，处理后得到的图像较为模糊且图像的边缘纹理过于光滑缺乏真实性的问题，提出了一种改进的U-Net网络结构去噪算法。它由去噪模块以及边缘信息提取模块组成,首先,利用 U-Net＋＋中的跳跃连接应用到原始的U型去噪子网中,密集连接的U型去噪网络可以減少编码器与解码器特征映射之间的语义差距,还原出更清晰的图像。其次,基于VGG-16网络结构的边缘信息提取模块对去噪网络处理后的图像进行特征提取,同时反向优化U型去噪模块，还原出更真实的图像。实验表明，在常见的 Set5、Set12、Kodak24和CBSD68 数据集上测试所提出的算法，在图像的客观评价指标上均优于目前具有代表性的去噪算法，同时图像的边缘细节和纹理特征更清晰真实,视觉效果上更好。     

快速B样条二维细微边缘检测算法

传统的边缘算法无法得到令人满意的图像细微边缘检测结果。作为对传统边缘算法的补充，这里提出了用于图像特征提取的细微边缘检测算法。采用快速B样条转换实现快速图像插值可以提高运算速度。这种基于B样条函数的算法能快速计算出信号的一阶导数，通过搜索图像一阶导数最大值的位置确定边缘点的位置。实验结果表明图像经插值放大3倍以后可以获得满意的细微边缘检测结果。     

基于方向信息测度的非局部正则化图像去噪方法

针对非局部正则化在图像去噪过程中计算复杂度高、复原速度慢的问题,基于方向信息测度提出了改进的非局部正则化方法.在图像的边缘轮廓区域使用保边性能较好的非局部正则化方法,而在图像的平坦区域使用各向异性全变差模型,且该全变差模型由基于Bregman迭代正则化方法的快速迭代算法进行求解.实验结果表明:基于方向信息测度的非局部正则化方法在快速消除图像噪声的同时,能有效地保留图像的边缘和纹理等结构信息.     

基于变指数分数阶全变差和整数阶全变差的图像恢复算法

结合变指数全变差(totalvariation, TV)和整数阶TV,提出一种变分图像恢复算法。该变分问题的能量泛函主要分为三个部分:变指数p(x)的分数阶TV正则化项、整数阶TV正则化项和数据保真项。该模型中的指数p(x)是与图像的梯度信息有关的函数。在理论上,由于分数阶导数和整数阶导数的结合,使得所提方法不仅能有效地去除图像噪音,保护图像的边界高频信息,还能更好地保留图像的纹理细节等中低频信息,同时可以极大地消除图像处理中产生的阶梯效应和散斑效应。在模型的求解上,利用变分法可以简单地将极小化泛函的优化问题转化为梯度下降流方程。最后,通过模拟数据和真实数据对本文所提方法进行了验证。试验结果表明,该方法可以去除噪声的同时,有效保持边界和纹理细节,并且对噪声是鲁棒的,具有一定的实际应用价值。     

图像复原中正则化参数的自适应选择方法

大多数图像复原问题都具有病态性质，需要利用正则化技术对问题加以约束。约束最小二乘法中正则化参数能够对求解后图像的精度和平滑程度加以调节并使两者之间取得平衡，与复原图像质量的好坏有着直接的关系。提出了一种自适应选择正则化参数（ASRP）方法，根据图像边缘信息自适应地确定正则化参数值，保证了复原结果为全局最优解，同时实现了复原图像边缘细节的良好保持。通过实验验证了该算法的正确性和可行性。