基于改进CGHT的光学遥感图像舰船尾迹检测

根据遥感图像舰船目标检测的实时性要求,提出了一种应用改进CGHT算法检测舰船尾迹的方法.通过加入舰船船体的检测结果,改进CGHT算法中种子点的选取方式,以改善尾迹检测的计算复杂度,并将检测重点侧重于舰船船体附近区域,避免尾迹检测的盲目性.实验表明,该算法显著减少了尾迹检测的运行时间,降低了伪尾迹引起的虚警,提高了尾迹定位的准确性.     

合成孔径雷达图像的贝叶斯压缩感知重构算法

针对目前合成孔径雷达(SAR)图像压缩感知重构算法没有充分利用小波系数相关性的缺点,提出了一种综合利用尺度间衰减性和尺度内方向能量聚集性的SAR图像贝叶斯压缩感知重构算法(DLWT-TDC)。首先采用方向提升小波变换(DLWT)对SAR图像进行稀疏表示,然后在3个高频子带中分别使用3×5、5×3、5×5邻域设计了具有方向和空间局部自适应的先验概率分布模型,最后利用马尔科夫链蒙特卡罗采样的贝叶斯推理恢复出图像的小波系数,进而得到重构图像。实验结果表明,DLWT-TDC算法在采样率为50%～90%下可以提高图像的重构性能,与仅利用尺度间相关性的小波树结构的压缩感知重构算法相比,在90%高采样率下的重构性能可提高3dB左右。     

合成孔径雷达图像的最小均方误差线性最优滤波

针对常用于合成孔径雷达(SAR)图像降噪的Lee滤波和Kuan滤波误差较大的问题,提出了基于最小均方误差(MMSE)准则的线性最优滤波.线性最优滤波通过把斑点噪声的乘性模型同时展开为一阶和二阶泰勒级数,然后使用MMSE准则获得线性滤波的统一模型,最后再对该统一模型使用MMSE准则而获得.线性最优滤波在所有的线性滤波中具有最低的滤波误差,因而具有最高的滤波精度.对某乡村和城区SAR图像的降噪实验表明:线性最优滤波对边缘细节的保留能力强于Kuan滤波,它对斑点噪声的滤除能力强于Lee滤波;与最大后验概率(MAP)滤波相比,线性最优滤波虽然具有较弱的边缘细节保留能力,但它对斑点噪声的滤除能力却强于MAP滤波.     

图像变换的稀疏性能比较仿真

图像处理领域基本问题之一是图像的稀疏表示,并且图像的有效表示是图像处理应用开展的基础,图像表示的有效性是指用很少的数据捕获感兴趣目标重要信息的能力,即稀疏表示能力。文中着点于图像变换这种图像表示的方式,首先介绍图像变换稀疏性能比较的意义,并引出了图像稀疏性度量方式的定义形式,之后分别对几种典型图像变换的稀疏性能进行了实验模拟仿真,并利用MATLAB软件对变换后的图像进行了稀疏性能比较和分析,实现了图像变换稀疏性能可视化对比仿真。     

基于Gabor-Radon变换的低信噪比雷达LFM信号检测与估计

针对通常利用的匹配滤波法对低信噪比雷达LFM(linear frequency-modulated)进行信号检测和估计的不足,提出一种联合Gabor-Radon变换方法.通过计算雷达回波的Gabor时频变换,得到2D含强噪声和弱直线LFM的时频分布图;然后,利用Radon变换能对直线和边缘进行快速检测、抗噪能力强的特点,对时频2D图像进行Ra-don变换,检测出微弱LFM信号;再设置合适门限可对时频分布图去噪,进行Gabor逆变换可以得到去噪的时域波形.仿真结果证明了此方法能在低信噪比下有效地检测出LFM信号.     

基于改进脉冲噪声检测的图像滤波算法

在图像降噪处理过程中,针对传统的脉冲噪声检测方法易造成细节模糊和视觉失真等问题,提出一种基于图像分块迭代处理的脉冲噪声检测的滤波方法.该方法对图像局部信息和特征相似性进行相关研究和分析,确定图像局部最优阈值;以局部目标图像为背景,运用图像分割的思想,在不同局部之间选择不同的去噪阈值,根据该阈值从原图像背景中提取图像噪声,进而实现消除噪声的目的.仿真结果表明,与传统的图像去噪方法相比,该方法可以有效地从图像中去除脉冲噪声,同时提取出更多的原始图像信息,很好地保留图像的细节,具有更高的信噪比.     

基于小波的图像边缘检测算法研究

图像的边缘检测是对图像进行进一步处理和识别的基础,虽然图像边缘产生的原因不同,但反映在图像的组成基元上,它们都是图像上灰度的不连续点或灰度剧烈变化的地方,这就意味着图像的边缘就是信号的高频部分。因此所有的边缘检测方法都是检测信号的高频部分。但在实际图像中,由于噪声的存在,边缘检测成为一个难题。提出一种利用小波把图像分解成近似部分和细节部分,近似部分是原图像对高频部分进行滤波所得的近似表示。经滤波后近似部分去除了高频分量,因此能够检测到原图像所检测不到的边缘。     

基于小波域非对称广义Gauss分布纹理的SAR图像盲去噪

SAR图像盲去噪对后续图像处理具有重要的意义,结合非对称广义Gauss分布提出了新的Wiener滤波算法.首先广义Gauss分布函数被推广到非对称广义Gauss函数,用来描述SAR图像纹理特征.利用该纹理模型,由最大似然准则估计图像小波域的局部信号方差.实验表明非对称广义Gauss分布盲去噪算法能够有效地滤除斑点噪声同时较好地保持图像纹理信息.     

基于引导图像的边缘噪声滤波算法

由于通常的邻域运算会改变图像边缘点的灰度值,使图像的边缘变得模糊,为了改善这一现象,提出了一种基于引导图像的边缘噪声滤波算法。该算法由局部线性模型推导而来,将原始图像或其他变换形式定义为引导图像。通过对引导图像进行分析,并调节正则化参数,利用引导图像掩模对图像的边缘进行平滑处理,有效地去除了噪声。通过与其他四种常用的滤波算法进行对比实验,表明该算法的均方误差MSE仅为0.0015,峰值信噪比PSNR为28.26,远远优于其他四种常见滤波算法,不仅对图像进行了平滑去噪,在很大程度上还保护了图像的边缘信息。     

基于小波稀疏基的压缩感知遥感图像融合算法

针对遥感图像融合提出了一种基于小波稀疏基的压缩感知算法,该算法利用IHS变换法得到的高空间分辨率融合图像有尖锐边缘及小波变换能较好的保持光谱信息的优势,将多光谱图像的I分量和全色图像进行小波变换;根据其高低频分量的特点,对其低频分量采用小波稀疏基的系数加权融合法,高频分量采用边缘提取法分别进行融合,最后进行小波逆变换和IHS逆变换得到最终融合结果。实验结果表明,不同的小波稀疏基系数对融合结果有较大的影响,且所选算法的融合效果优于系数最大值法及传统融合方法。     

基于改进K-SVD的磁共振图像去噪算法

 磁共振图像的降噪处理一直是医学图像处理中重要的研究领域。图像中存在噪声会降低图像质量从而影响临床诊断。现有K-SVD 算法虽然能达到良好的去噪效果,但却在字典训练中消耗大量时间。本文针对时间消耗问题,提出利用改进的KSVD算法进行医学图像去噪。首先根据已知的字典原子的可稀疏性,提出一种高效、灵活的稀疏字典结构,该字典能够提供高效的前向和伴随算子,并具有紧凑的表示形式,同时可以有效地训练图像信号;然后在现有K-SVD 算法的基本框架下,结合字典的稀疏表示特点使用改进K-SVD 算法训练稀疏字典,改进的K-SVD 算法能够对更大的字典进行训练,特别是对高维数据的处理更具有优势。实验结果表明,该算法相对基于离散余弦变换字典的磁共振图像去噪以及基于传统K-SVD 算法的磁共振图像去噪,不仅能够更加有效地滤除图像中的高斯白噪声,更好地保留原图像的细节信息,而且有效降低了字典训练所消耗的时间;在相同的噪声标准差下,改进K-SVD 算法的峰值信噪比提高了约1~3 dB。     

图像椒盐噪声的分阶段中值滤波算法

针对自适应中值滤波算法的缺陷——对高密度椒盐噪声图像滤波后留下黑色斑块,提出了一种分阶段中值滤波算法.该算法对图像执行两次小窗口的滤波操作,相较于采用较大窗口的滤波,其在有效去除噪声的同时降低了结果图像的模糊程度.先对所有噪声点进行一次中值滤波消除了盐粒噪声,再用窗口内非噪声点的灰度中值代替胡椒噪声点的灰度值以去除黑色斑块.最后的仿真实验结果表明,本文算法既有像自适应中值算法一样滤除低密度椒盐噪声的良好性能,又有对高密度椒盐噪声图像的降噪能力。     

基于SAR-SIFT和快速稀疏编码的合成孔径雷达图像配准

SAR-SIFT(Synthetic Aperture Radar-Scale-Invariant Feature Transform)特征是一种类SIFT特征,为了较好的适应SAR图像的特点,SAR-SIFT在SIFT的基础上针对SAR图像的统计特性改进了局部描述子的提取方式。SAR-SIFT相比SIFT具有更好的抗噪性能,然而在强噪声下仍然会提取许多异常点。为了解决强噪声情况下SAR图像的特征点提取及匹配问题,在SAR-SIFT基础上,首先提出了一种新的梯度计算方法,它的大小和方向对散斑噪声都具有很强的鲁棒性,使得对SAR图像进行特征点检测与特征描述提取时具有一定的抗噪性能。其次,使用快速稀疏编码方法对提取到的特征点进行稀疏表示,利用稀疏表示的聚类效果和更好的信号表达能力来减少噪声对特征点提取的影响,从而达到减少异常点的目的。最后通过NNDR(Nearest Neighbor Distance Ratio)和RANSAC(Random Sample Consensus)来完成特征点的匹配以及参数的估计。实验结果表明,利用本文方法能显著减少强噪声SAR图像所提取特征点中的异常点数量并提高匹配精度。     

基于压缩感知和稀疏表示的数据重建与去噪算法研究

传统的数据重建算法受奈奎斯特采样定理限制,采样率要求较高不能灵活等适应实际环境。本文基于压缩感知和稀疏表示理论,提出一种采样点少且流形结构简单的图像重建算法,以少量的采样数据实现从低分辨率观测中恢复高分辨率图像。算法首先通过原始数据特征设计出稀疏表示矩阵;其次,根据表示数据和观测数据的不相关性找出与稀疏表示矩阵对应的最优感知矩阵;最后,通过稀疏求解实现数据的重建与去噪。实验表明,该算法在同等条件下能够避免大量冗余数据的计算,提高数据重建的稳定性和有效性。     

小波软阈值算法去除SAR图像中的Speckle噪声

在详细分析了Donoho小波软阈值的基础上，应用小波变换技术对SAP图像进行分析处理。使用“小波局部软阈值算法”来计算阈值，对高频小波系数进行阈值确定。求得估计小波系数，对其取小波反变换后，去除SAP图像中的Speckle噪声。实验结果表明此方法对去除Speckle噪声十分有效，可以在含有Speckle噪声为背景的图像去噪中应用。     

一种双约束稀疏模型图像修复算法

针对图像处理中需要修复大面积缺损区域的问题,提出一种基于双约束稀疏模型的图像修复算法.该方法首先在已知区域内搜索与待填充目标块相似的样本,将每个样本块都视为一个高维向量,则相似的样本在高维空间中都在目标块的邻域内.假设邻域中的样本处于同一流形上,使用局部线性嵌入方法对未知区域进行估计,然后利用稀疏表示模型得到最终结果.实验结果表明,与传统的基于样本块的修复方法相比较,使用该算法修复后的图像纹理和结构信息更加清晰.     

基于圆域上多项式逼近的图像重建算法

以Marr算法为基础, 给出了圆域D上图像重建的一种 基于二元多项式逼近的加速算法. 加速后算法的计算量为O(Nlg N), 当N较大时, 新算法的运行时间远小于原算法的运行时间. 同时, 与传统图像重建算法〖CD2〗滤波反投影算法（FBP）相比, 基于多项式逼近加速算法重建的图像质量优于前者. 仿真实验验证了此算法的有效性.     

基于字典稀疏表示和梯度稀疏的图像盲去模糊

基于超完备字典稀疏表示的图像复原利用字典的冗余性能够有效地恢复出图像的结构特征,但由于使用字典稀疏表示时需要对整幅图像进行分块处理,导致复原后的图像块之间重构图像常出现"伪像"效应。针对这一问题,本文将图像梯度稀疏统计特性作为先验知识加入稀疏表示图像盲去模糊模型中,提出了一种基于字典稀疏表示和梯度稀疏的图像盲去模糊算法,同时分析了算法的整体优化求解方法。实验分析和结果表明,本文算法能在一定程度上去除图像块之间的"伪像"效应,保持图像的结构特征和整体平滑。本文算法的去模糊图像在峰值信噪比和视觉效果两方面均有显著提高。     

基于混合范式多任务学习的图像稀疏表示

受视觉表示和多任务学习的研究结果启发,发现传统模型约束项所获得的稀疏表示或过于冗余或过于严格要求信息共享,为寻找一种折中且更加有效的特征表示方法,提出基于混合范式多任务学习的图像稀疏表示学习框架。该框架以多特征的类别信息作为先决信息对特征进行组划分。选择L2,1和L1混合范式做约束惩罚函数约束,其中L2,1范式,在特征组内提取同种特征相关共享信息,L1范式在多特征组之间去相关,选择竞争性更强的特征种类。提出的学习框架不仅实现了多特征联合,而且充分考虑了不同特征之间的互补表示能力又消除了冗余。实验结果表明,由该框架学习得到的稀疏表示不仅可以达到稀疏要求,同时也实现了较好的分类性能,证明了混合范式算法对提取图像关键本质信息的有效性。     

形态学边缘信息引导的区域合并合成孔径雷达图像分割算法

针对基于区域合并的合成孔径雷达(SAR)图像分割中,初始分割过度碎片化影响后续区域合并效率和质量的问题,提出了利用形态学边缘信息引导的区域合并(MEI-RCBLP)SAR图像分割算法。首先利用高斯和伽马函数赋权的加权中值滤波构造各向异性形态学方向比率算子,提取图像的边缘强度映射来表征边缘响应的强弱,并对边缘强度映射进行阈值化处理和分水岭变换得到高质量的初始分割;然后利用现有的相对公共边界长度惩罚区域合并技术,迭代地合并初始分割中最相似的相邻区域,直到满足合并终止条件,输出最终的分割结果。实验结果表明,相比利用统计区域生长、MISP超像素和均值比边缘信息引导的分割算法,所提出的MEI-RCBLP算法显著改善了初始分割质量,在保证最终分割质量的前提下初始分割区域数目减少了25%以上,同时最终的分割结果在不同的性能评价指标上总体优于上述对比算法。