采用联合域字典稀疏表示的极化SAR图像分类

针对传统字典学习算法难以有效保持极化SAR图像的空间结构以及难以处理大规模数据的问题,提出了一种基于空域和极化域的联合域字典学习和稀疏表示的分类方法.该方法采用基于联合域流形距离的快速AP聚类进行字典学习.利用局部线性编码对极化SAR图像进行空域和极化域的联合域稀疏表示,充分利用了极化SAR数据集潜在的信息,有效保持极化SAR数据结构的同时降低了算法的时间复杂度.试验结果表明:所提算法适应性强,收敛速度快,能够提高极化SAR图像的分类精度.     

基于特征参数稀疏表示的SAR图像目标识别

通过对合成孔径雷达（synthetic aperture radar,SAR）图像的统计特性分析,提出一种基于特征参数稀疏表示的SAR图像目标识别算法,有效地解决了图像域稀疏表示识别算法存在的高维问题。由低维高精度的广义二维主分量特征构成过完备字典,基于Fisher线性判别准则对该字典进行学习优化,使得类内更紧凑,类间更分开,同时降低了稀疏求解的复杂度。求解测试样本在优化字典下的稀疏表示系数,根据系数矢量的能量特征完成分类识别。MSTAR（moving and stationany target acquisition and recognition）实测SAR图像数据实验的结果表明,该方法稀疏求解复杂度低,并且只需简单的SAR图像预处理即可有效地提高识别的准确率和速度     

基于Contourlet变换的SAR图像压缩算法

针对小波变换不能充分表示图像的方向性信息,以及Contourlet变换过采样的问题,提出小波与Contourlet相结合的变换对SAR图像进行稀疏表示。分析了Contourlet变换系数的特点。采用固定阈值对小系数进行了剔除。最后结合游程编码对SAR图像进行压缩。实验表明,此方法较小波变换和Contourlet变换的SAR图像压缩方法有更好的效果。     

一种基于小波分析的SAR图像增强应用

通过对SAR图像的特征分析,采用小波分析方法,对图像做小波变换,提取各层小波分解系数,利用软阈值法对各系数作去噪预处理,然后再利用软阈值法对各系数做衰减或增强处理,最后重构出清晰图像.结果显示,用此方法处理的SAR图像,效果较好,既增强了图像对比度,又不损失细节信息,为进一步分析和开展海洋SAR研究奠定了坚实的基础.     

小波域的灰色关联度图像压缩

为了改善小波变换的图像稀疏表示性能,提出了一种小波域的灰色关联度图像压缩算法.首先,利用小波变换对测试图像进行分解,获得不同区域的小波系数;然后,利用小波系数特点,将灰色关联度用于系数关联度的刻画中,并计算不同尺度间系数的灰色关联度;根据小波系数区域特征,将小波系数进行分类,构造出不同系数类型下的稀疏表示方法;最后,将该算法应用于图像压缩.实验结果表明,在相同压缩率下,所提算法的客观评价指标峰值信噪比较现有同类算法提高了1.04~3.65 d B,图像主观视觉质量明显提高.所提算法能够结合系数特征和视觉特性自适应地构造字典,提高了图像稀疏表示能力,进一步提高了图像压缩性能.     

基于多字典和稀疏噪声编码的图像超分辨率重建

稀疏表示模型是通过将字典中的原子进行组合得到期望的结果.为了解决传统字典学习中所有图像块重建均使用同一个字典,从而忽略了最佳稀疏域的问题,提出来一种基于多字典和稀疏噪声编码的图像超分辨率重建算法.在字典训练时,利用图像的特征将它们合理地划分成若干个簇,每个聚类训练生成子字典对,利用最佳字典对进行重建.在求解稀疏系数阶段,引入稀疏编码噪声去除噪声的影响,利用图像非局部自相似性来获得原始图像稀疏编码系数的良好估计,然后将观测图像的稀疏编码系数集中到这些估计当中.实验表明,与ASDS算法和SSIM算法相比较,该算法有更好的重建结果,获得了更丰富的图像细节和更清晰的边缘.     

基于上下文模型的混合傅里叶-小波图像降噪方法

针对小波变换和傅里叶变换去除图像噪声时各具不同的优点和不足,提出一种基于上下文模型的混合傅里叶-小波图像降噪方法.首先在傅里叶域中估计原始图像的功率谱密度,运用维纳滤波器降噪,降低原始图像噪声水平;再在小波域中通过基于上下文模型的自适应阈值法去除剩余噪声;在小波域中使用平稳小波变换分解图像信号得到分解后的系列小波系数,根据小波系数间的相关性,利用上下文模型求取小波系数的方差,将其代入由GGD模型估计出的阈值表达式得到自适应阈值,再用软阈值函数对小波系数进行处理,最后将处理后的小波系数进行小波逆变换完成去噪.仿真结果表明:该方法不仅能够有效滤除图像噪声,而且能够保留图像的边缘细节信号,抑制降噪引起的吉布斯现象.     

一种基于小波分析的SAR图像增强应用

通过对SAR图像的特征分析．采用小波分析方法．对图像做小波变换。提取各层小波分解系数，利用软阈值法对各系数作去噪预处理．然后再利用软阈值法对各系数做衰减或增强处理．最后重构出清晰图像．结果显示，用此方法处理的SAR图像，效果较好．既增强了图像对比度．又不损失细节信息．为进一步分析和开展海洋SAR研究奠定了坚实的基础．     

评价SAR图像去噪效果的无参考图像质量指标

为了客观、自动化地对合成孔径雷达(synthetic aperture radar,SAR)图像去噪效果进行评价,基于比例图像在空间域及小波域的统计特性,提出了一种无参考图像质量指标。先使用二维离散小波变换对比例图像和SAR原图进行小波分解,根据最高频域的小波系数计算得到相干斑噪声的标准差,然后利用针对SAR图像改进后的α边缘评价指标计算比例图像和SAR原图在空间域的边缘相似度系数,最后通过加权算法得出一种无参考图像质量指标。通过SAR仿真图和SAR原图的去噪评价实验,证明了新提出的质量指标能够对SAR图像去噪效果进行客观且自动化的评价。     

基于小波域稀疏表示和自适应混合样本回归的图像超分辨率重建算法

针对局部特征不能较好地在空域表示的缺点,对训练集进行直接的小波变换,在训练阶段采用K-SVD字典学习算法对提取的小波域高低分辨率特征分别训练四个子带高低分辨率字典对,并把所得子带字典用于小波域高分辨率图像重建.为了进一步提升重建图像的质量,提出一个自适应混合样本脊回归模型(AMSRR)用于调制重建图像的高频成分.实验结果表明,本文提出的算法在视觉效果以及量化指标(PSNR,SSIM)上优于对比的空域方法.