纹理保留的PCA非局部均值改进降噪方法

针对PCA-NLM去噪方法容易丢失图像纹理细节的问题,提出一种基于纹理特征描述的改进PCA非局部均值去噪方法.基于局部结构张量的边缘纹理描述将图像划分为平坦区、边缘区和纹理区,根据边缘纹理特征值自适应地选取PCA维数和搜索区域以改进去噪效果.实验结果表明,该方法对纹理细节丰富的区域能更好地保留了图像纹理细节,降噪效果优于PCA-NLM方法.     

基于Shearlet变换和KPCA的多时相遥感图像变化检测

为了进一步提高多时相遥感图像变化检测的精度,本文提出了一种将Shearlet变换与核主成分分析(kernel principal component analysis,KPCA)相结合用于遥感图像变化检测的算法.首先利用Shearlet变换的多尺度、多方向和各向异性等特点,对遥感图像进行多尺度分解,然后对分解后的数据进行核主成分分析,再进行Shearlet反变换得到含变化信息的图像,最后对该图像利用模糊局部信息C均值(fuzzy local information c-means,FLICM)聚类算法进行分割,实现遥感图像的变化检测.大量试验结果表明,与基于主成分分析(principal component analysis,PCA)、基于KPCA、基于小波变换和PCA 3种变化检测算法相比,本文算法能有效地分离出变化信息,得到更准确的变化检测图像,具有更高的变化检测精度,且对背景有较强的鲁棒性,同时也减少了计算复杂度.     

应用Gabor纹理特征的水管内壁图像分类

Gabor滤波器在图像分析和机器视觉方面得到广泛应用.将Gabor滤波用于识别地下水管内壁图像,对管壁损坏程度进行分类.针对Gabor函数之间的非正交性,优化参数,尽量减少滤波输出数据中的冗余信息,使用一组不同频率响应和角度特性的Gabor滤波器获取图像块纹理信息,并用主分量分析(principal components analysis, PCA)对得到的高维特征向量进行降维.对提取的纹理特征进行k-均值聚类,实验结果验证了该方法的有效性.
     

基于预分类的非局部被动毫米波图像去噪算法

针对被动毫米波图像的分辨率低,不具备丰富的纹理信息的特点,提出了一种基于预分类的非局部被动毫米波图像去噪算法(PBNL).利用图像梯度信息的奇异值分解获取图像的局部区域特征,根据不同的特征集将图像进行分类,并对不同的类别采取不同的去噪算法.实验结果表明,相对于非局部均值(NL-Means)算法,该方法在计算(时间)复杂度上有了明显的降低,降噪结果的PSNR值优于BM3D、各向异性去噪算法,并且在视觉上获得了更好的辨识效果.      

一种基于散布矩阵的自适应非局部均值滤波模型

针对非局部均值滤波模型(non-local means model,NLM)中恒定的衰减系数不能同时实现图像不同特性结构区域去噪性能最优的缺点,提出了一种基于图像散布矩阵的自适应非局部均值滤波模型(scatter matrix non-local means model,SM-NLM).该模型构造图像的散布矩阵,通过散布矩阵的特征值确定衰减系数的大小,平滑区域采用较大的衰减系数,强纹理区域采用较小的衰减系数,以实现衰减系数自适应的非局部均值滤波.实验结果表明,本模型能取得更高的峰值信噪比,更好地保留了图像的细节信息.     

一种基于局部方差相似度的自适应图像融合算法

针对现有多光谱和全色图像融合算法空间和光谱特性难以兼顾的问题,文章提出了一种基于局部方差相似度的自适应图像融合算法,通过局部方差相似度自适应选择融合规则来改善现有问题。首先对多光谱图像主成分分析(principal component analysis,PCA)变换后的第一主分量和全色图像进行小波变换;其次根据系数矩阵局部方差相似度在2选1和加权平均之间自适应选择小波系数融合策略;最终由对应的逆变换获取融合图像。实验采用Landsat7和QuickBird卫星数据进行算法验证,并与基于PCA变换、小波变换(wavelet transform,WT)、基于局部算法的改进小波算法和自适应IHS(intensity hue saturation)算法进行比较分析。实验结果表明,该方法在提高融合图像空间和光谱质量上,综合性能优越。     

基于小波变换和2DPCA的人脸识别

主成分分析(principal component analysis:PCA)已成功用于人脸识别,但基于主成分分析的人脸识别方法需要将图像数据向量化,而向量化后的图像样本维数非常大,计算代价非常高.二维主成分分析(2 di mension principal component analysis:2DPCA)直接处理图像数据,不需要向量化的过程,2DPCA降低了计算复杂度,但是2DPCA与PCA相比,需要存储更多的系数,即要占用更多的存储空间.本文提出了一种基于小波变换和2DPCA的人脸识别方法,可以克服上述缺点,实验结果证明了该方法的有效性.     

基于分块局部二元模式的鉴别特征抽取方法及人脸识别

提出了一种基于分块局部二元模式(LBP)的鉴别特征抽取方法.该方法对人脸图像进行分块,再对分块后的子图像矩阵采用LBP算子抽取LBP特征.由于LBP是利用一串二进制码表征较小图像块的局部纹理,这有助于提高人脸识别的性能.采用主分量分析(PCA)方法对由所有分块后子图像的LBP特征向量构成的新训练集进行维度缩减,最后以Fisher线性鉴别分析(LDA)对缩减后的PCA特征进行鉴别特征提取.在ORL人脸库和YALE人脸库上的实验结果表明,该方法优于传统的PCA和LDA方法.     

基于自适应搜索窗的非局部均值去噪算法

提出了一种采用局部多项式近似—置信区间交叉(Local Polynomial Approximation and Intersection of Confidence Intervals,LPA-ICI)技术的自适应选取搜索窗的非局部均值图像去噪算法.首先采用LPA-ICI寻找当前像素所在的同质区域,然后将该同质区域设定为当前像素的自适应搜索窗.自适应搜索窗内的像素与当前像素在灰度值以及几何结构上均呈现出"同质"性,对当前像素的估计值更接近真实值.定性与定量实验结果表明:相比于形状和大小固定的搜索窗,自适应选取搜索窗的非局部均值去噪算法能取得更好的去噪效果,对图像中边缘和纹理细节信息具有更好的保护能力.     

自适应权重联合多尺度LBPV~2纹理分类方法

传统的局部二值模式仅局限于局部纹理信息的提取,忽略了全局纹理信息的表达,造成最终的纹理分类效果并不理想。为了解决以上问题,借鉴局部二值模式方差(LBPV)的优势,在此基础上提出了一种新的基于自适应权重联合多尺度LBPV~2的纹理图像分类方法。该方法将方差平方作为直方图累积权重取代原来的方差权重,并采用自适应权重联合多尺度方案来实现多尺度纹理信息提取,进一步提升了纹理图像描述子的分类性能。在国际公认的Outex纹理数据集上的仿真实验表明,提出的这种新的基于自适应权重联合多尺度LBPV~2的纹理图像分类方法能够实现纹理分类性能的显著改善。     

增强的张量鲁棒主成分分析模型及其应用

鲁棒主成分分析（RPCA）是处理图像恢复和背景建模问题的常用模型。针对原始RPCA及其改进模型对输入数据低秩结构的依赖性过强问题，提出一个增强的张量鲁棒主成分分析模型（E-TRPCA）并构造了一个新的增强张量核范数（E-TNN）正则项。E-TNN基于张量数据的低维子空间投影约束其低秩性，可以更真实地反映张量数据的潜在结构，增强模型的泛化性。利用交替方向乘子算法（ADMM）对目标函数进行优化求解，在图像去噪和背景建模上的实验结果表明所提方法在图像恢复效果和运行时间方面要优于当前的其他方法。     

增强的张量鲁棒主成分分析模型及其应用

鲁棒主成分分析(RPCA)是处理图像恢复和背景建模问题的常用模型。针对原始RPCA及其改进模型对输入数据低秩结构的依赖性过强问题,提出一个增强的张量鲁棒主成分分析模型(E-TRPCA)并构造了一个新的增强张量核范数(E-TNN)正则项。E-TNN基于张量数据的低维子空间投影约束其低秩性,可以更真实地反映张量数据的潜在结构,增强模型的泛化性。利用交替方向乘子算法(ADMM)对目标函数进行优化求解,在图像去噪和背景建模上的实验结果表明所提方法在图像恢复效果和运行时间方面要优于当前的其他方法。     

基于偏微分方程与多尺度分析的图像去噪算法

针对传统图像去噪算法存在去噪效果和稳定性较差的问题, 提出一种基于偏微分方程结合多尺度分析方法的图像去噪算法. 首先利用二阶偏微分扩散方程和四阶偏微分方程对图像进行高频段和低频段的处理, 对处理后的图像采用非下采样轮廓波逆变换, 实现图像整体去噪; 其次, 采用轮廓波变换方法对整体图像进行多尺度分解得到不同子带, 并利用核主成分分析算法进行整体图像降维处理, 对不同子带进行分块管理, 完成对整体图像的局部去噪, 最终实现基于偏微分方程结合多尺度分析方法的图像去噪. 实验结果表明, 该算法的图像去噪效果和稳定性均较高.     

基于偏微分方程与多尺度分析的图像去噪算法

针对传统图像去噪算法存在去噪效果和稳定性较差的问题, 提出一种基于偏微分方程结合多尺度分析方法的图像去噪算法. 首先利用二阶偏微分扩散方程和四阶偏微分方程对图像进行高频段和低频段的处理, 对处理后的图像采用非下采样轮廓波逆变换, 实现图像整体去噪； 其次, 采用轮廓波变换方法对整体图像进行多尺度分解得到不同子带, 并利用核主成分分析算法进行整体图像降维处理, 对不同子带进行分块管理, 完成对整体图像的局部去噪, 最终实现基于偏微分方程结合多尺度分析方法的图像去噪. 实验结果表明, 该算法的图像去噪效果和稳定性均较高.     

基于核主成分分析的图像去噪

本文简介了核主成分分析的原理及利用核主成分分析的图像去噪问题。通过使用核函数，在特征空间中对噪声图像使用主成分分析进行降噪处理，基于MDS的思想，使用核方法计算出在特征空间中降噪后的图像与其邻域点之间的内积约束关系，通过核函数重构出在原空间中降噪图像与其邻域点的内积约束关系，基于此内积约束关系在原空间中重构出降噪图像，从而达到通过核主成分分析对图像降噪的目的。对比原有的MDS方法，本文的算法更稳定，对图像的噪声部分有更好的去除效果。     

基于核主成分分析的图像去噪

简介了核主成分分析的原理及利用核主成分分析的图像去噪方法.通过使用核函数,在特征空间中对噪声图像使用主成分分析进行降噪处理.基于MDS的思想,使用核方法计算出在特征空间中降噪后的图像与其邻域点之间的内积约束关系,通过核函数重构出在原空间中降噪图像与其邻域点的内积约束关系,基于此内积约束关系在原空间中重构出降噪图像,从而达到通过核主成分分析对图像降噪的目的.比原有的MDS算法更稳定,对图像的噪声部分有更好的去除效果.     

面向输电线路的压缩感知图像去噪方法

传统的基于字典学习的输电线路图像去噪方法,易受冗余字典影响存在重建图像边缘细节恢复不足的问题.为了有效抑制输电线路图像表面存在的高斯噪声,提出一种图像非局部自相似特性与改进K-SVD字典学习算法融合的输电线路图像去噪方法,利用图像非局部自相似性作为正则项约束并加权稀疏表达模型,提高去噪图像复原和保留细节的能力.实验选取含有自然图像和输电线路典型缺陷图像进行仿真实验测试.实验结果表明,所提出的算法不仅能够很好的保留图像纹理特征与边缘细节,对高斯噪声也具有良好的鲁棒性.     

一种基于纹理补偿的图像恢复方法

基于TV模型的图像修复方法对非纹理图像有较好的恢复效果,但对带纹理的图像,很容易将纹理磨掉。本文从原图像中提取纹理,针对纹理作恢复处理,再将恢复后的纹理信息补偿到TV模型输出的图像上。实验结果表明这种方法大大提高了视觉效果。     

基于非下采样Contourlet变换的自适应阈值图像去噪方法

Contourlet变换是一种真正的图像二维表示方法,具有方向性和各向异性,能稀疏地表示图像。但Contourlet变换不具备平移不变性,图像去噪时会存在伪Gibbs现象。为了克服这种不足,在Contourlet变换基础上,构建了非下采样Contourlet变换,首先将图像进行非下采样Contourlet变换,接着运用自适应阈值进行去噪处理,然后进行非下采样Contourlet逆变换,得到去噪后图像。实验结果表明,采用非下采样Contourlet变换方法能有效去除图像噪声,并能保持图像纹理细节,提高图像信噪比,视觉效果好,其去噪效果优于传统小波及Contourlet去噪效果。