基于区域分割和引导滤波的多聚焦图像融合

针对多聚焦图像可能出现局部配准不理想的情况,提出了一种基于区域分割和图像引导滤波的失配准鲁棒多聚焦图像融合算法. 首先通过构造基于结构张量的聚焦评价函数,对每幅输入图像进行聚焦度评价;然后建立包含图像聚焦度的全局能量函数,并通过Graph Cut算法分割出每幅图像的聚焦区域;最后利用图像引导滤波对每个聚焦区域进行细化得到每幅图像的融合权重,在梯度域上进行图像复原得到融合图像. 实验结果表明,该方法不仅可以在多聚焦图像失配准的情况下进行图像融合,而且有效地保持了图像的边缘,在主客观评价指标上均有较大的提升.      

基于保边函数的图像去噪

为解决传统去噪算法对图像平滑区域效果较好,但存在边缘模糊且残余噪声较大的不足,在分析传统各向同性扩散的基础上,以去噪目的为先验知识建立保边去噪模型,提出了基于保边函数的图像去噪算法.该算法对图像平滑区域进行各向同性的平滑处理,保留了传统算法的优点;对图像边缘区域进行各向异性处理克服了传统算法的边缘模糊现象.实验结果表明:基于保边函数的去噪算法具有残余噪声较小和保边性,提高了图像的PSNR和视觉效果.但是对图像中的较小边缘误作为噪声被去除.     

细粒度全局感知多聚焦图像融合网络

多聚焦图像融合是图像融合的一个重要分支，在显微成像等方面具有广泛的应用.针对多聚焦融合中存在的纹理细节不清晰、聚焦区域误判等问题，本文从空间及通道信息全局关注的角度出发，结合Swin Transformer中的移动窗口自注意力机制和深度可分离卷积设计了一个全局信息编码-解码网络，采用综合损失函数进行图像重构任务的无监督学习；从特征邻域信息重要性的角度出发，引入了改进的拉普拉斯能量和函数在特征域进行图像聚焦属性的判别，增强图像聚焦区域判别的细粒度效果.与7种经典图像融合算法比较，本文算法在定性和定量分析中均取得了先进的融合性能表现，对原始图像的聚焦区域信息具有更高的保真效果.     

基于U-Net的涡旋电磁波雷达成像方法

基于轨道角动量模态变量与目标方位角变量的近似对偶关系,涡旋电磁波雷达可以实现对静止目标的二维高分辨成像,然而目标回波中的贝塞尔函数项会严重影响方位角向聚焦性能。现有基于逆投影算法的贝塞尔函数补偿方法计算量很大,难以实际应用。针对上述问题,提出一种利用U-Net卷积神经网络抑制贝塞尔函数影响、实现涡旋电磁波雷达高分辨成像的方法。首先,根据雷达目标散射分布的稀疏特性对U-Net网络进行改进,然后对目标回波信号进行二维快速傅里叶变换预处理得到目标散焦图像,将其作为改进U-Net网络的输入,并将目标理想电磁散射模型作为网络输出对网络进行监督训练。最后,基于未知目标回波信号,将预处理后的目标散焦图像输入到训练完备的网络模型中,即可得到聚焦良好的高分辨成像结果。仿真实验证明,该成像方法能够有效提高目标成像聚焦性能,且该网络模型在噪声存在的情况下仍具有较好的泛化能力。     

改进的基于ASFCM婴幼儿脑部MRI分割算法

在诸多FCM的改进算法中,ASFCM算法表现较好,该算法改变空间惩罚项结构,使目标函数连续,并且具有自适应的参数,但会出现无法抑制婴幼儿脑部MR图像噪声较大的问题.为了解决这个问题,在ASFCM算法基础上融合非局部权重和核函数思想,提出一种改进的ASFCM算法(KNL-ASFCM).采用本文算法,FCM,RFCM和ASFCM算法对加入不同种类和强度噪声的临床婴幼儿脑部MR图像进行实验.分析结果表明:本文算法的分割准确性和噪声抑制能力比其他三种算法均有一定的提高,对婴幼儿脑部MR图像分割问题具有明显优势.     

一种基于NSCT域的自适应阈值函数SAR图像去噪

提出一种基于Nonsubsampled Contourlet变换的能量自适应的阈值函数合成孔径雷达图像去噪方法.该算法针对硬阈值函数、软阈值函数的缺点,利用具有冗余性和良好的方向选择性的Nonsubsampled Contourlet变换,结合根据图像不同分解层不同方向的轮廓细节能量的分布自适应调节的阈值函数完成去噪.实验结果表明该算法在有效抑制SAR图像斑点噪声的同时能很好地保持图像的边缘细节特征.     

基于非下采样Contourlet变换的显微图像清晰度评价算法

针对显微图像噪声多、光照不均匀的特点,文章提出了一种基于NSCT的显微图像清晰度评价算法。算法首先通过NSCT对图像进行分解,然后基于改进的拉普拉斯能量获取子带系数的能量,最终由低、高频子带系数能量的比值得到评价结果。实验结果表明,与拉普拉斯、方差及小波变换评价算法相比,该算法在保持高灵敏度的同时具有较好的抗噪性能,评价结果更为准确、稳定、可靠。     

基于高通滤波器的图像增强方法(第二次修改稿)

分析了传统的直方图均衡算法导致图像细节信息丢失和噪声放大的问题,提出一种新的直方图均衡算法,能够在增强图像整体视觉效果的同时,较好的保持图像细节,对图像噪声也具有一定的抑制作用.实验结果表明,该算法具有较好的性能.     

基于高通滤波器的图像增强方法

分析了传统的直方图均衡算法导致图像细节信息丢失和噪声放大的问题,提出一种新的直方图均衡算法,能够在增强图像整体视觉效果的同时,较好的保持图像细节,对图像噪声也具有一定的抑制作用。实验结果表明,该算法具有较好的性能。     

基于改进的各向异性扩散图像去噪算法研究

针对各向异性扩散图像去噪算法加以研究,根据扩散函数平滑力度强弱,结合图像梯度变化,构建局部图像梯度与扩散函数之间的关系,选取扩散函数,提出了一种改进的各向异性扩散函数模型。该模型不仅能够较大程度地解决传统PM模型滤波存在较多孤立噪声点的问题,且对于图像边缘保持也有较好的效果。实验结果表明,所提出的扩散模型性能优于LCC和Perona的各向异性扩散模型,能够达到良好的平滑保边缘目的。     

基于模糊熵评价和最优搜索的自动对焦算法

针对传统自动对焦算法不能实现最优对焦,以及易受清晰度评价函数局部峰值影响,从而导致重复性和稳定较差的问题,提出一种基于模糊熵的清晰度评价算法和全局最优拟合算法,应用于工业影像测量的自动对焦.该算法用模糊熵对图像清晰度进行评价,可降低噪声以及放大倍率和光照强度变化对自动对焦性能的影响,结合多尺度全局搜索和微尺寸曲线拟合搜索算法,避免局部峰值的干扰以实现最优对焦.该算法在环境变化的条件下,尤其是针对光照不稳定和变倍精度不够高的环境下,具有很高的聚焦精度,重复性和稳定性有显著提升,能够满足工业影像测量对自动对焦的要求.通过实际工业影像测量系统中的应用对比试验,该算法的有效性和优越性得到了验证.     

自动对焦中的优化爬山搜索算法

图像对焦越准确,高频分量的能量越多,系统的对焦评价函数反映了图像高频分量的能量。自动对焦的过程就是运用爬山搜索算法求取对焦评价函数最大值的过程。普通的爬山搜索算法会受到对焦评价函数局部极值的干扰而不能准确对焦,优化的对焦评价函数能有效地排除这种干扰,使系统可靠地对焦。本文详细介绍了优化爬山搜索算法的原理和实现方法。     

一种改进的自动聚焦算法

在日益自动化的今天，必须快速有效地实现图像测量的自动化. 而要达到此目的，首先必须选择一个合适的图像自动聚焦评价函数. 在研究了众多图像聚焦评价函数的基础上，发现梯度算子存在一些不足之处，为此将阈值引入到该算子中. 经过大量的仿真实验，结果表明,引入阈值的算子的聚焦性能有了明显的改善，而且比其他的评价函数也更加准确、稳定、可靠.     

图像测量技术中几种自动调焦算法的对比分析

对几种常用的自动调焦算法进行了对比分析,并通过实验对各种调焦函数的灵敏度、一致性、稳定性、计算速度等指标进行测试和验证．理论分析和实验结果表明：灰度变化率之和函数具有较大的调焦范围,且近似为线性变化,同时计算速度适中,稳定性较好,因此适于大范围粗调焦;Laplacian函数和Tenengrad函数峰顶宽度相对较窄,灵敏度高,稳定性好,因此适合于小范围精确调焦,但是计算速度较慢;Roberts梯度函数的灵敏度居中,既有一定的调焦范围,在焦点附近又具有比较高的灵敏度,而且稳定性好,计算速度快,因此适于中等范围的自动调焦．     

特征系统实现算法的虚假模态剔除方法

针对虚假模态影响特征系统实现算法识别结果的问题,提出用奇异值分解结合模态能量水平来剔除特征系统实现算法识别结果中的虚假模态。利用奇异值分解(SVD)方法滤除信号中的部分噪声,减少噪声模态并提高识别结果精度,利用输出矩阵、状态矩阵的特征值和特征向量以及输入分配矩阵计算出识别结果中各阶模态能量矩阵,对其进行奇异值分解得到最大奇异值,将其作为各阶模态对输出能量贡献的衡量指标,称之为模态能量水平,然后由计算模态与噪声模态能量为零的特点剔除识别结果中的虚假模态。通过数值仿真和实例分析验证了方法的有效性。     

有色量测噪声情况下的多传感器目标跟踪融合算法

目前已有的目标跟踪融合估计算法都是基于Kalman滤波的,而卡尔曼滤波估计算法要求系统过程噪声和量测噪声均为白色噪声,而实际的跟踪系统中量测噪声往往是有色噪声。针对上述问题,本文利用线性组合当前量测与下一时刻量测的量测扩增法,研究了有色量测噪声情况下的集中式、分布式多传感器目标跟踪融合算法。并对新的融合算法进行仿真分析,仿真结果表明新的融合算法具有良好的跟踪性能。     

一类噪声相关多传感器系统的新型序贯式融合滤波

对于过程噪声与观测噪声一步互相关、各观测噪声一步自相关的多传感器融合滤波问题,提出了一种新的低维序贯式融合滤波算法.基于低阶迭代正交变换的思想提出了解相关的方法,将观测方程经过等价改写去除系统噪声的相关性,然后依据序贯滤波的思想,依次处理到达融合中心的观测信息,进而得到一类实时序贯式融合滤波算法.整个推导过程在线性最小均方误差意义下严格进行,能够实现系统状态的最优融合估计.最后的仿真验证了新算法在处理上述噪声相关问题上的最优性.     

基于奇异值分解和叠加法的慢速小目标检测算法

在图像集同一像素位置噪声满足遍历性的条件下,分析了利用叠加法进行目标检测的可行性,在此基础上提出了一种基于叠加法的慢速小目标检测算法.首先,分析了目标不重叠、完全重叠和部分重叠时,目标合成图像和噪声合成图像的能量变化情况,分析表明随着叠加次数的增加,噪声合成图像的能量衰减快于目标合成图像,从而保证了合成图像中目标与噪声能量比的增加,为利用叠加法进行目标检测提供了可行性.其次,根据合成图像的奇异值特性,利用标准化奇异值的不均匀变化完成了目标检测.同时,仿真验证了目标合成图像和噪声合成图像的能量衰减情况,分析了叠加次数、目标尺寸与强度对目标可检测性的影响.     

基于能量和鉴别信息的语音端点检测算法

为提高实时通信中语音端点检测系统的性能,提出了一种基于能量和鉴别信息的端点检测算法。该算法利用帧信号的能量、子带信号的能量等参数,计算该帧信号与噪声帧基于子带能量分布概率的鉴别信息。算法通过利用鉴别信息,能够在包括语音帧在内的所有帧中更新噪声的能量,从而更准确地跟踪噪声能量的变化。实验结果表明:与基于能量的端点检测算法相比,该方法在信噪比变化比较剧烈的情况下仍然能够较准确地进行端点检测,在0~10 dB范围内变化的坦克噪声环境中,准确率比后者提高约24%。     

Robust SLAM using square-root cubature Kalman filter and Huber’ s GM-estimator

Mobile robot systems performing simultaneous localization and mapping ( SLAM) are generally plagued by non-Gaussian noise.To improve both accuracy and robustness under non-Gaussian meas-urement noise, a robust SLAM algorithm is proposed.It is based on the square-root cubature Kal-man filter equipped with a Huber’ s generalized maximum likelihood estimator ( GM-estimator) .In particular, the square-root cubature rule is applied to propagate the robot state vector and covariance matrix in the time update, the measurement update and the new landmark initialization stages of the SLAM.Moreover, gain weight matrices with respect to the measurement residuals are calculated by utilizing Huber’ s technique in the measurement update step.The measurement outliers are sup-pressed by lower Kalman gains as merging into the system.The proposed algorithm can achieve bet-ter performance under the condition of non-Gaussian measurement noise in comparison with benchmark algorithms.The simulation results demonstrate the advantages of the proposed SLAM algorithm.