基于颜色复杂度和结构张量的恰可察觉失真模型

图像的恰可察觉失真(just noticeable distortion, JND)阈值是指人眼能够察觉的最小失真, 通常被用于去除图像/视频压缩中的视觉冗余. 针对 JND 模型对颜色和结构特征利用不充分的问题, 提出了一种基于颜色复杂度和结构张量的 JND 模型. 首先, 计算图像的颜色复杂度, 将其转换为与视觉敏感度相关的权值, 和对比掩蔽模型结合以提升模型的准确性; 然后, 利用结构张量对局部特征进行表示, 建立基于局部结构特征的调制因子, 估计结构不规则区域的视觉冗余程度; 最后, 将基于颜色复杂度的 JND 模型和基于结构张量的调制因子结合, 建立基于颜色复杂度和结构张量的 JND(complexity structure tensor based JND, CSJND)模型. 实验结果表明, 相比于已有的模型, 该模型在主观感知质量相同的前提下, 能使 PSNR 值明显降低; 该模型更加符合人眼的视觉特性, 能更准确地估计出 JND 阈值.     

多方向加权TV和变换域非局部正则化图像去模糊

针对传统全变差(TV)去模糊对噪声敏感且细节恢复能力有限等缺点,利用边缘检测对传统TV模型进行改进,并受空域非局部自相似性正则化思想启发,将图像的变换域非局部自相似性约束融入去模糊模型,提出一种基于边缘检测的多方向加权TV和变换域非局部正则化的图像去模糊方法.首先,运用边缘检测将中心像素邻域内的像素对划分为同侧像素对和异侧像素对,对不同类型的像素对采用不同的权重,在去模糊的同时尽可能保持图像边缘等细节特征;其次,为充分利用先验信息,将变换域非局部正则化约束融入到改进的TV模型,进一步改善图像视觉质量;最后,对新模型进行有效求解.实验结果表明,本文算法在去模糊的同时可更好地保留图像的边缘、纹理等细节特征.     

基于PP-MRF模型的单目车载红外图像三维重建

针对车载红外图像的特点,提出了一种使用超像素分割和面板参数马尔科夫随机场(PPMRF)相结合的单目车载红外图像三维重建方法.该方法首先通过超像素分割得到在纹理和亮度上相近的一系列小的区域,即超像素,然后训练PP-MRF模型,使它能对待测试图像的各个超像素进行面板参数的分析和深度估计.通过实验证明了该方法能够有效地对单目车载红外图像做出深度估计及三维重建.     

基于Laws纹理能量测度的鲁棒水印方案

针对数字水印算法中JND阈值鲁棒性较差的现状,研究了JND阈值的鲁棒性与小波系数间的联系,提出基于图像低频小波系数的Laws纹理测度的JND闲值计算模型.该模型能很好地定位嵌入水印,明显地改善检测效果.同时给出一种基于随机统计特征的匹配检测算法.该算法在提高响应值的同时计算出对应的虚警概率,能定量的表征有效性,具有较强的说服力.     

基于区域特征的模糊多尺度Markov模型在纹理图像分割中的应用

针对传统Markov模型中似然函数假设条件过于严格,观测图像像素间的相依关系不能充分利用的缺点,提出了一种基于区域特征的模糊多尺度Markov模型实现纹理图像分割模型.该模型首先利用一种区域特征提取方法,描述像素间的相依关系;然后,以区域特征的聚类结果作为先验信息,通过模糊多尺度Markov模型得到分割结果;最后采用Brodatz纹理库合成的人工图像作为实验数据,从定性和定量两方面验证了该模型的有效性.     

基于小波域隐马尔可夫模型多尺度图像分割

提出了一种基于小波域自适应上下文结构的多尺度图像分割算法（JACMS）．该算法为了减小计算复杂度,采用隐马尔可夫半树模型和参数加权训练算法,得到了可靠的初始分割．为了获得较好的区域一致性和边缘准确性,在进行尺度间融合时,采用自适应的上下文结构分别应用于图像纹理均质区域和图像纹理边缘,保证了图像大致轮廓的准确性和可靠性,提高了分割后图像纹理边缘的精确度．对合成图像与航摄像片的实验结果表明,该方法的分割错误概率低于传统的基于小波域隐马尔可夫树模型的图像分割方法,且对真实图像得到了理想的分割效果．     

角度域和时延域联合稀疏信道估计

针对多输入多输出(MIMO)系统在双选信道下信道估计问题,以及挖掘信道在时延域和角度域的联合稀疏特性,提出了一种新的基于压缩感知的联合稀疏信道估计方案.首先,基于基扩展模型,将信道估计建模为结构化压缩感知问题,随后基于压缩感知模型,提出了两种新的贪婪算法,有效地恢复了时变信道参数.其中两步同时正交匹配追踪(TS-SOMP)算法先在时延域中找到所有非零抽头位置,然后估计非零角度域系数.两环同时正交匹配追踪(TLSOMP)算法包括内外两个循环,在外部循环中找到一个非零抽头位置后,即可直接在内部循环求解非零角度域系数.最后,给出了归一化均方误差(NMSE)的仿真曲线,验证了本算法的有效性.     

一种改进变换网络的域自适应语义分割网络

语义标签的人工标注成本高,耗时长,基于域自适应的非监督语义分割是非常必要的.针对间隙大的场景或像素易限制模型训练、降低语义分割精度的问题,通过分阶段训练和可解释蒙版消除大间隙图片和像素的干扰,提出了一种改进变换网络的域自适应语义分割网络(DA-SSN).首先,针对部分源图到目标图的域间隙大、网络模型训练困难的问题,利用训练损失阈值划分大间隙的源图数据集,提出一种分阶段的变换网络训练策略,在保证小间隙源图的语义对齐基础上,提高了大间隙源图的变换质量.然后,为了进一步缩小源图中部分像素与目标图域间间隙,提出一种可解释蒙版.通过预测每个像素在源图域和目标图域之间的间隙缩小置信度,忽略对应像素的训练损失,以消除大间隙像素对其他像素语义对齐的影响,使得模型训练只关注高置信度像素的域间隙.结果表明,所提算法相比于原始的域自适应语义分割网络的分割精度更高.与其他流行算法的结果相比,所提方法获得了更高质量的语义对齐,表明了所提方法精度高的优势.     

基于高斯比例混合模型图像Curvelet域去噪

提出了一种基于高斯比例混合模型的图像Curvelet域去噪算法,改善了图像的去噪效果.首先对图像进行Curvelet变换.然后建立系数邻域的高斯比例混合模型.最后在模型基础上用贝叶斯最小二乘估计方法对系数进行估计.算法有效结合了Curvelet变换对图像边缘的高效表示能力和高斯比例混合模型对邻域系数相关性的概括能力.实验结果表明,在主观视觉上.该算法对图像边缘进行了很好的保护;在峰值信噪L-'c上较其他算法也有所改善;特别是对纹理细节比较丰富的图像.去噪效果更加明显.     

一种基于超像素的户外建筑图像布局标定方法

提出了一种提取户外建筑目标图像中布局信息的方法.首先,基于超像素技术对所给的图像进行大致区域划分.超像素技术是基于一个测度谓词,其利用图像的基于图论的表示法来判定两区域的边界;其次,以划分后的区域(称为超像素)为单位,利用颜色、位置、纹理等信息对其进行标记.在标记纹理特征时,采用了基于3D基元的纹理识别方法.最后,定义规则整合各项标记,实现了对图像内容的划分,提取其布局信息.实验结果表明,该方法应用于常见几种布局的户外建筑目标图像都能收到较好的效果.