图像去噪中改进的LLT去噪模型

提出了一种改进的LLT去噪模型，并给出有效的不动点迭代方法.数值实验结果表明，改进的LLT模型不仅能保持图像的细节，而且能避免阶梯效应.     

基于空间自适应全变分的图像配准

通过引入空间自适应正则化参数,建立了离散的空间自适应全变分配准模型,并结合一阶泰勒展开式给出了有效的不动点求解方法.实验结果表明,由空间自适应全变分配准模型得到的图像的质量比全变分配准模型的更好,迭代时间更短.     

基于改进Census变换的双目立体匹配算法

针对传统Census变换窗口中心点灰度值易受噪声影响而导致全局匹配精度低等问题，设计了一种基于改进Census变换的双目立体匹配算法.首先采用双边滤波的模板值替代传统Census变换窗口中心点的灰度值，为了增强初始代价计算的可靠性，加入Sobel算子，将其与灰度绝对误差和算法的匹配代价进行代价融合；然后选择动态十字交叉域建立相邻视差的联系；最后运用赢家通吃策略选择最佳的视差，并采用左右一致性检测和引导滤波优化视差图.实验结果表明，在无噪声情况下，改进算法的平均误匹配率比传统Census变换的降低了约46%,含噪声情况下降低了约53%,说明改进算法有较好的匹配精度和抗噪能力.     

基于空间自适应全变分的图像配准

通过引入空间自适应正则化参数,建立了离散的空间自适应全变分配准模型,并结合一阶泰勒展开式给出了有效的不动点求解方法.实验结果表明,由空间自适应全变分配准模型得到的图像的质量比全变分配准模型的更好,迭代时间更短.     

图像去噪中LLT模型的同伦方法

提出了运用具有全局收敛性的同伦方法求解Lysaker-Lundervold-Tai(LLT)模型,构造了一种逐步减小光滑化参数的同伦方程,并给出了有效的路径跟踪方法。实验表明,该方法收敛速度是不动点方法的2倍。     

基于四方向全变分的图像去噪模型

构造了一个四方向全变分（TV4）模型,并给出了求解模型的不动点方法.该模型采用每个像素点的梯度的向前、向后差分定义梯度模,能有效降低全变分（TV）模型的非线性程度.实验结果表明, TV4模型在一定程度上减少了TV模型的阶梯效应,且收敛速度比TV模型快.     

基于四方向全变分的图像去噪模型

构造了一个四方向全变分（TV4）模型,并给出了求解模型的不动点方法.该模型采用每个像素点的梯度的向前、向后差分定义梯度模,能有效降低全变分（TV）模型的非线性程度.实验结果表明, TV4模型在一定程度上减少了TV模型的阶梯效应,且收敛速度比TV模型快.     

一个新的离散TVp模型

自适应TV^p模型能有效避免TV模型的阶梯效应，但模型的非线性程度较高，求解比较困难.为了解决这个问题，利用每个像素点梯度的向前、向后差分的几何平均定义像素点的梯度模，建立了一个新的离散TV^p模型.实验结果表明，该模型能够有效降低TV^p模型的非线性程度，恢复的图像的质量比TV^p模型的更好，信噪比更高.     

平均曲率模型的Euler-Lagrange方程推导

介绍变分原理中的几个重要定理,并通过这几个定理推导出平均曲率模型的Euler-Lagrange方程及边界条件.     

基于TV模型和L2-模型的图像去噪方案

TV模型是图像去噪中保持图像边缘的模型之一.运用L²-模型从观察图像中提取光滑的草图,然后利用TV模型从残余图像中恢复一些丢失的有用信息,从而有效地避免TV模型的阶梯效应,使得恢复后的图像具有很好的视觉效果.