基于小波域中视觉门限模型的数字水印技术

给出了一种在小波变换域中给图像加水印的方案,本方案利用了小波分析的优良性质,结合人类视觉系统（ＨＶＳ）的特性,基于小波变换域中的视觉门限模型,对小波变换后的图像系数按不同的方向,层次子带分别加水印,使得在每个小波系数所加的水印的幅值不超过此系数所能掩盖的失真,这样可以保证水印在不可视的前提下尽可能提高坚固性,模拟实验结果表明这个方案取得了良好的效果。     

一种基于整数小波变换的脆弱水印技术

该文提出了一种用于图像鉴定的脆弱水印方法。该方法利用小波变换提取图像的特征信息，采用Hash函数加密生成数字摘要作为脆弱水印，给出了整数小波域基于平移窗的多比特水印的非线性嵌入方案，并实现了脱离原图的高概率水印检测方法。实验结果表明这是一种行之有效的图像鉴定方法。     

一类基于SVD的数字水印虚警分析与改进算法

讨论一类基于奇异值分解(SVD)的水印算法的高虚警率问题及其产生原因。分析认为SVD水印算法虚警率高的根本原因是:图像SVD分解的基空间与图像内容相关;奇异值向量与图像之间并不存在一一对应关系,不能刻画图像的几何结构。算法主要缺陷并不是出现在提取算法,而是嵌入算法仅仅植入了水印图像的奇异值向量,没有水印图像在基空间的结构信息。因此,该文提出了一个基于分块SVD和离散余弦变换(DCT)分解的改进算法。该算法通过在版权图像的奇异值向量中嵌入水印图像的DCT系数,克服了经典SVD水印算法的虚警问题,因而稳健性高。实验验证了理论分析和算法的有效性。     

基于偏微分方程的户外图像去雾方法

户外图像的雾化往往导致色彩降质和对比度降低,有效的去除图像中天气效果对提高视觉系统的可靠性和鲁棒性具有重要意义。根据大气散射物理模型以及有雾图像的色彩与对比度降质同场景点的景深成指数关系的先验知识,分别建立了户外图像全局去雾和局部去雾的能量最优化模型,推导了相应的求解偏微分方程。利用用户提供的简单附加信息,实现了仅从单幅图像恢复清晰图像的去雾算法。实验结果表明：去雾图像的色彩清晰度和对比度有较大改善,具有很好的应用前景。     

一类半线性抛物型障碍问题解的Blow up

本文研究了一类半线性抛物线型变分不等式解在有限时间的blow up问题。证明了在一定条件下,存在某个时刻T~*<+∞,使得一类半线性抛物型变分不等式的解u(x,t)有下列性质:lim t→T~(*-)integral from 0 to 1 ‖u(x,η)‖_2~2dη=+∞。     

拟圆盘下有理逼近的正定理

在拟圆盘上，该文给出用有理函数逼近解析函数的两个正定理，即设Ｅ为闭的ｋ－拟圆盘，０≤ｋ≤１，ｆ（ｚ）在Ｅ的内部解析且在Ｅ上连续，则Ｅｎ，ｒ０（ｆ）＝Ｏ（ｎ＾－ａ），其中，Ｅｎ，ｒ（ｆ）＝ｉｎｆ（∥Ｒ－ｆ∥Ｅ：Ｒ∈Ｒｎ，ｒ０），＝１－ｋ。若进一步ｆ（ｚ）∈Ｌｉｐβ，０〈β≤１，则Ｅｎ（ｆ）＝Ｏ（ｎ＾－α），α＝β（１－ｋ），其中Ｅｎ（ｆ）＝ｉｎｆ（∥Ｐ（ｚ）／П（ｚ－ｚｊ）－ｆ∥Ｅ：ｐ（ｚ）∈Ｐｎ（     

脊波域稳健性水印嵌入算法与可靠性分析

根据脊波能刻画图像的线状奇异性，但不能刻画图像中的曲线奇异性的特点，提出一种嵌入到分块图像脊波系数能量最大方向的乘性水印算法。通过加水印的不可见性和可检测性约束，建立基于峰值信噪比受限和能量最大方向保持下的水印强度数学估计模型，给出了水印嵌入强度的可靠性取值区间；并采用无需原始图像的相关检测器实现水印的盲检测，理论估计了给定虚警概率小于10^-8的情况下使漏警概率最小的最优检测阈值。实验结果表明所提出的水印算法具有较高的稳健性和不可见性。     

新型梯度倒数加权滤波器及其性质

该文从经典梯度倒数加权滤波器出发，通过重新定义合适的模板结构和参数提升梯度模，提出了一种应用于信号去噪和图像增强的新型梯度倒数加权滤波器。分析该滤波器的迭代过程，揭示了该数字滤波器解决了整体变分的全局最优解问题。该文既以实验说明了该滤波器优良的去噪和边缘保持能力，又从理论上证明了该滤波器和整体变分模型存在本质联系的若干理论结果。     

基于迭代加权L1正则化的高光谱混合像元分解

为了提高高光谱图像混合像元分解的精度,对基于稀疏性的线性混合像元分解方法进行研究。采用一种迭代加权的L1正则化方法进行高光谱混合像元分解,给出相应的模型和算法。通过引入多步加权L1优化求解过程,且根据当前解修正下一步迭代的权值,能更好地利用混合像元丰度系数的稀疏性。试验结果表明,基于迭代加权L1正则化的高光谱混合像元分解精度比基于传统L1正则化的方法高,特别适用于信噪比较高的高光谱图像。     

非局部正则化的压缩感知图像重建算法

压缩感知(compressed sensing, CS)图像重建算法是CS图像获取问题的一个研究重点。针对传统基于稀疏性先验的重建算法不能有效重建图像的各种结构特征,为了在测量值数量不变的情况下进一步提高图像的重建质量,在稀疏性先验的基础上,引入局部自回归模型和非局部自相似性作为图像额外的先验信息,建立了非局部正则化的CS图像重建模型,并给出了相应的数值求解算法。此外,对于重建模型中图像的自回归参数,给出一种基于非局部相似点的估计方法。实验结果表明,较之传统的稀疏性正则化重建算法和同类的MARX(model based adaptive recovery of compressive sensing)算法,所提算法能获得更高的图像重建质量。