基于结构保持的增广型各向异性PDE滤波

基于偏微分方程模型的图像恢复框架,从各向异性扩散的角度,提出了一种基于结构保持的增广型PDE图像滤波算法.首先定义了一种新的扩散权函数,采用差曲率代替传统的梯度算子作为边缘判别器,以克服后者对噪声敏感的不足.并根据图像结构张量信息分别设计了梯度和切线2个不同方向的扩散系数,在图像平坦区域,梯度和切线2个方向具有同等扩散,而在图像边缘处只沿着切线方向扩散.同时,引入数据保真项,有利于在滤波时保持图像细节.实验结果表明,无论对灰度图像还是医学图像,该算法可比现有其他几种扩散模型取得更好的主观视觉效果和客观性能评价指标.     

基于L~1范数变分模型的高密度椒盐噪声滤波

针对现有图像滤波算法在去除高密度椒盐噪声方面的不足,提出了一种基于L1范数变分模型的去噪算法.该算法首先根据椒盐噪声的特点和像素的局部灰度特征分离出噪声点和信号点,在滤波过程中,对信号点不予处理,而对噪声点采用基于L1范数的变分模型进行恢复.由于椒盐噪声的灰度值与原始像素无关,因此,去噪时只利用噪声点邻域内信号点本身的灰度信息,并将已处理过的噪声点当作新的信号点,以避免对下一像素滤波时的影响.最后通过仿真实验,结果表明,在高密度噪声条件下(50%),该算法的噪声去除能力和细节保护能力均可获得令人满意的结果.     

基于多结构元素的数学形态学边缘检测算法

针对传统边缘检测算子对噪声敏感的不足,提出了一种基于多结构元素的数学形态学边缘检测算法。该算法在传统形态学边缘检测算子的基础上,通过综合形态膨胀和形态腐蚀,得到一种新的抗噪型边缘检测算子,利用多结构元素提取图像的边缘特征,即使在噪声条件下,也能获得较为理想的图像边缘。实验结果表明,与传统的边缘捡测算子相比,该方法边缘检测精度高,且具有良好的噪声鲁棒性。     

对《信号与系统》中两类典型问题的探讨

探讨了常系数微分方程与系统的仿真框图之间的互相转换,通过引入中间辅助函数的方法,可使转换过程比传统方法大大简化.对两个不同幅值和脉宽的矩形信号的卷积问题,给出了三种不同的求解方法,并讨论了其各自的优越性和适用范围.     

基于平滑核的广义变分去噪模型

基于偏微分方程的变分模型是目前图像处理中最好的方法之一,然而,在解决图像去噪中的反问题时,传统的全变分模型存在"阶梯"效应这一固有缺陷.针对该不足,本文提出了一种基于平滑核的广义变分去噪模型(即u=arg min{J(u)=∫Ωφ(|△u|)dxdy+λ/2∫Ω|u-u0|3 dxdy}),该模型采用通用形式的平滑核函数作为图像的正则化项,选取一种鲁棒性好和边缘保持能力强的势函数,利用变分原理推导出与该模型相应的偏微分方程,最后给出了结合梯度加权最速下降法和半点格式的数值迭代算法(un+1ij-unij+δt·[φ'(△u|)/|△u|uξξ+φ"(|△u|uηη)nij+(λ(u0-u))nij]).大量实验仿真结果表明,该模型对高斯噪声图像具有良好的噪声滤除和细节保护能力,与传统全变分模型相比,无论是主观视觉效果,还是客观性能评价指标(PSNR)方面,都具有明显的优势.     

时频域分析中几种傅里叶变换的比较

在时频域分析中,傅里叶变换是一种非常重要的工具,尤其是在快速傅里叶算法FFT出现以后,它在信号分析和处理中得到了广泛的应用.从频谱分析的角度,对常见的四种傅里叶变换进行了对比研究,厘清了它们之间的内在联系,以使人们加深对傅里叶变换本质的理解.     

基于平滑核的广义变分去噪模型

基于偏微分方程的变分模型是目前图像处理中最好的方法之一,然而,在解决图像去噪中的反问题时,传统的全变分模型存在“阶梯”效应这一固有缺陷。针对该不足,本文提出了一种基于平滑核的广义变分去噪模型（即*该模型采用通用形式的平滑核函数作为图像的正则化项,选取一种鲁棒性好和边缘保持能力强的势函数,利用变分原理推导出与该模型相应的偏微分方程,最后给出了结合梯度加权最速下降法和半点格式的数值迭代算法*大量实验仿真结果表明,该模型对高斯噪声图像具有良好的噪声滤除和细节保护能力,与传统全变分模型相比,无论是主观视觉效果,还是客观性能评价指标（PSNR）方面,都具有明显的优势。 （注：*表示公式,见正文）
     

基于全变分模型的新型数值实现算法

基于经典全变分(TV)模型的图像恢复框架,从局部扩散的角度,设计了一种新的应用于图像去噪的数值算法.该算法可以根据图像的局部梯度信息自适应地选取扩散系数,使边缘处扩散较弱,在平坦区域扩散较强,实现了对噪声图像的各向异性滤波处理,在去除噪声的同时保护了图像的边缘细节.最后与传统TV模型进行了实验对比,实验表明本算法性能更好,运算效率更高.     

基于结构张量扩散的改进PDE滤波算法

从扩散的角度分析了图像处理中传统热扩散和PM模型的不足,提出了一种各向异性的改进PDE滤波算法.该算法利用图像的结构张量信息和局部特征,自适应选取扩散系数,在图像平坦区域,具有各向同性扩散;而在图像边缘处,则只沿着切向扩散.实验结果表明,该算法具有良好的滤波性能,在滤波的同时可有效保护边缘细节,对灰度图像特别是医学图像,相对于传统方法,该算法可以获得更好的主观视觉效果和客观性能评价指标.     

基于熵变分的图像去噪模型

针对传统Tikhonov正则化模型存在的不足,根据最大后验概率（MAP）和最大熵的理论,提出了一种基于熵变分的图像去噪模型。该模型利用图像像素点的梯度信息自适应的对带噪图像进行各向异性滤波处理,在去除噪声的同时有效保留了图像的边缘细节。采用变分法推导出了该模型对应的偏微分方程,最后结合梯度加权最速下降法和半点格式的数值迭代算法对方程进行求解。实验结果表明,该模型去噪后的图像比Tikhonov正则化模型具有更好的客观评价指标和主观视觉效果。