基于视觉感知与梯度域的遥感图像对比度增强变分模型

基于视觉感知增强变分模型与梯度域增强变分模型,提出了一种新的遥感图像对比度增强变分模型.首先,定义梯度增强项为一个高斯增强函数,该函数利用高斯滤波器对图像进行预处理,以克服梯度对噪声敏感的不足,并根据图像中各点梯度信息自适应地选择保持或者放大原图像的梯度信息.然后,将梯度增强项引入到视觉感知增强模型中,以提高图像对比度并保持更多细节信息.最后,利用梯度下降流法最小化模型的能量泛函并采用数值化方法获取最优解.从全局和局部对比度增强两个方面验证了所提模型的有效性.实验结果表明,相对于现有其他增强变分模型,局部对比度增强模型能够取得更好的主观视觉效果和客观性能评价指标.     

基于Contourlet的改进加权抛物线插值图像超分辨率算法

为了尽可能地保持图像的基本信息,提高图像的视觉效果和空间分辨率,提出一种基于Contourlet的改进加权抛物线插值算法.该算法增加加权抛物线插值的误差补偿项,利用Sobel算子设定插值点的边缘方向,得到初始放大图像.利用Contourlet提取高频成份,原始图像幅值增强充当低频部分,再经过Contourlet逆变换得到高分辨率图像.实验结果表明,相对于传统的图像放大算法,该算法考虑了全局相关性,得到了更加清晰的边缘信息.     

基于Euler弹性项的去噪模型及Split bregman算法

TV去噪模型是基于一阶导数总变差的变分模型,容易在光滑区域出现阶梯效应。通常利用高阶导数信息来使图像扩散更加平滑。Euler弹性项使用光滑的边界对图像进行处理,广泛应用于图像遮挡,修复,分割等领域。本文主要研究基于Euler弹性项的图像去噪模型,并采用Split Bregman算法实现,有效地改善了TV模型的阶梯效应,并用数值实验验证了算法的有效性。     

基于学习和全变分最小化的超分辨图像复原

由于全变分在图像处理中可以保留图像边缘信息,提出了一个基于学习的超分辨率图像复原方法,将全变分最小化(TV)正则项引入到基于稀疏表示的图像复原模型中.通过引入新的变量,将本模型转化为两个易于求解的优化问题,然后采用交替迭代法对模型进行求解.同时考虑了图像的特征信息,利用图像的非局部相似性和迭代反向投影算法对复原图像进行处理.实验结果表明,提出的方法在视觉效果和峰值信噪比上优于传统的插值算法和基于稀疏表示的方法.     

一种基于非线性PDE的图像放大方法

利用改造过的CE(curvatureedge)模型,给予一定的初始化条件后应用于图像放大.数值计算结果表明,非线性PDE方法对灰度图像和彩色图像进行放大均有较好的视觉效果.算法对图像的放大有明显的改善,但在放大倍数较大时,仍会出现网格效应.     

一种去除乘性噪声的自适应混合阶偏微分方法

针对偏微分方程在图像处理中的斑点噪声滤除问题,在自适应全变分去噪模型和四阶LLT去噪模型的基础上,提出一种针对乘性噪声的自适应混合阶变分去噪方法。该方法引入混合阶偏微分方程和尺度自适应边缘检测函数作为正则项,并利用乘性噪声分布构建保真项。用标准测试数据对所提自适应混合阶变分降噪模型进行验证,试验结果表明,该模型在有效滤除图像乘性噪声的同时,能很好地保护图像的边缘和纹理细节信息。处理后的图像在峰值信噪比PSNR、均方误差MSE、运行效率方面均优于自适应全变分和LLT模型。     

一种利用采样率转换方法的灰度图像放大算法

数字图像放大是图像处理的基本操作之一,传统放大算法是运用各种插值算法在图像的像素点间插值实现图像的放大,插值时会退化图像的高频成分,使放大图像轮廓变得模糊.为此从另一种角度出发,根据数字图像的频率特性,利用数字信号处理中采样率转换滤波的原理,通过零值内插器对图像内插零值,用FIR低通滤波器进行滤波的方法实现灰度图像的放大.由于该算法是根据图像的频率特性进行放大,只要放大后图像的频率特性不变,就能得到比较理想的放大效果.同时该算法为图像放大算法研究提供了一种新的思路.     

基于FPGA的D1到XGA图像放大引擎

实现了基于FPGA的D1格式信号放大至XGA格式的图像放大引擎,介绍了算法原理和硬件系统结构。利用查表代替乘法运算,简化了硬件结构,提高了处理速度;无论在水平方向还是垂直方向上,算法始终是对一维的数据进行操作,有效地降低了复杂性;系统输入数据同时进行按行插值,显示图像的同时实现按列插值,充分利用了处理空隙,保证了系统的实时性。最后FPGA验证表明本文设计的图像放大系统可以在每秒60帧的速率下高质量地实现D1到XGA格式转换,同时很好地保留图像的边缘信息。     

一种基于非线性扩散的图像放大算法

针时传统图像放大处理过程中基于线性插值方法通常导致边缘模糊问题,分析了Tikhonov模型、全变差模型和高阶偏微分模型在图像处理中的优缺点,提出了一种全变差和高阶偏微分模型自适应结合的图像放大模型及推导算法.该模型对图像非平滑区域采用全变差模型处理,而平滑区域则采用高阶偏微分模型处理,最终新插入的图像点象素值由该点邻域象素自适应地各向异性加权得到,在保持图像边缘锐度的同时有效克服了平滑区域的阶梯效应.4种模型的实验比较验证了本文算法的有效性.     

基于奇异值分解与重采样的图像缩放

针对传统方法的缺点,本文提出了一种新的图像缩放算法.经典插值缩放方法忽略了图像纹理之间的突变特性,因而导致高频信息的退化.同时在进行高倍数图像放大的时候,使用该方法容易造成马赛克现象的出现.基于小波变换的图像缩放方法只能够进行原始图像偶数倍的放大,且放大效果并不一定理想.本文提出的图像放大算法,联合使用奇异值分解和重采样操作,对图像进行放大处理,不但可以克服边缘模糊化以及马赛克现象的产生,同时可以进行任意倍数的图像放大.大量实验结果表明,较传统方法而言,本文方法不仅具有良好的视觉效果,同时峰值信噪比以及灰度绝对偏差等客观评价标准也达到一定的性能指标.     

基于一类偏微分方程的图像放大法

在分析常见的图像插值放大方法和已有的偏微分方程图像放大方法不足之处的基础上,根据图像放大特点,利用图像放大过程中边缘的可预知性,并注意到图像放大的偏微分方程理论模型,提出一类新的基于偏微分方程的图像放大方法,这是一类线性、具有定向扩散性质的偏微分方程模型,它在非边缘区域表现为线性各向同性扩散,在边缘上则演变成几乎是沿边缘方向的一维扩散．实验及统计结果表明,该方法是一种快速且有效的图像放大方法．     

基于各向异性扩散的图像放大法

在分析图像特点以及常规插值方法放大图像一些不足之处的基础上,根据文[7]的思想方法,以及放大图像的边缘位置要对应于原先图像的边缘位置的原则,先用边缘提取算子（如Canny算子）得到待放大图像的边缘位置,再经过三次样条插值,得到放大图像的边缘位置,最后运用各向异性扩散,在非边缘区域,将经过常规插值方法放大的图像进行光滑化处理．实验证明,该方法是一种处理时间短且效果不错的图像放大方法．     

一种图像放大的离散算法

根据李将云等人(2003)所提出的数字图像的离散放缩算法，分析其不足之处，并对简单的二值图像以及一般的灰度图像提出一套新的离散放大算法．该算法可使图像放大任意实数倍．应用该算法能使放大后的图像边界清晰，忠实地反映原始图像的面貌．实验证明，该方法也是一种有效的图像放大算法．     

基于PDE的图像放大方法研究

对基于微分方程(partial differential equation,PDE)的图像放大方法的实现及应用效果进行了比对研究.具体实现了朱宁等人的线性PDE图像放大方法和基于P-M方程的非线性PDE图像放大方法.实验结果表明,线性PDE图像放大方法在平滑区域具有较好的放大效果;而在放大倍数不大的情况下,非线性PDE图像放大方法能更好地处理边缘区域.     

基于各向同性和各向异性扩散图像放大

提出基于各向同性和各向异性扩散两种图像放大模型.把图像的像素看作是平面物体的温度,利用偏微分方程和图像放大理论设计相应算法.通过比较这两种新模型与其他的方法,取得较好的实验结果.     

基于Thiele型向量连分式插值的彩色图像放大方法

提出了将向量有理插值用于图像的无级放大方法。该方法是将图像的每一个像素看作是平面域的关于RGB三原色的一个向量,利用Thiele型向量连分式建立有理插值函数,实现图像的无级放大。通过实验证明,该方法能有效地用于彩色图像的放大处理,并且算法简单,易于实现。     

基于图像边缘区的图像评价方法

通过对图像处理中的缩放算法得到的图像误差进行分析,发现图像误差主要集中在图像边缘区,进而提出了基于边缘稳定的图像评价方法,实验表明,该方法符合人的主观视觉质量需求．     

基于二维EMD的图像分层放大方法

提出了一种新的图像分层放大方法,在各层上体现图像的局部和全局的相关性,弥补了传统插值放大中的不足.其原理是先将图像用二维经验模态分解(empirical mode decomposition,EMD)方法分解为具有不同复杂程度的图层,在每一分解层上分别设计一种组合放大方法,其中组合系数密切相关于图层的复杂度,最终的放大结果再由EMD逆过程得到.实验结果和数据表明这种方法能够取得良好的图像放大效果.     

基于Zernike矩的图像不变性识别研究

本文提出一种基于Zernike矩的图像不变性识别方法,用于图像的平移、缩放和旋转不变性识别。理论分析和实验结果表明,Zernike矩做为一种经典的正交矩分析方法,具有良好的抗噪能力、图像识别能力。