一种改进拉氏算子的四阶偏微分方程图像去噪方法

建立了一种描述图像平滑度的泛函,并推导出新的四阶偏微分方程图像去噪模型,在有效去噪的同时,较好地保持了图像的特征。由于该方法得到的图像是分段线性图像,避免了二阶偏微分方程处理图像常出现的"阶梯"效应,同时,和同类的四阶偏微分方程去噪模型相比,其处理结果不会出现"斑"点,因此视觉效果更加理想。最后通过实验证明了该方法的有效性。     

一种快速TMF的无监督SAR图像多类分割算法

三重Markov随机场(TMF)模型非常适合处理非平稳、非高斯图像的分割问题.为了降低模型和算法的复杂性,以满足对实测SAR图像处理的实时、稳健和高效的需求,文中提出了一种快速TMF的无监督SAR图像多类分割算法.该算法首先针对SAR图像的乘性斑点噪声,研究了SAR图像四叉树分解的数字特征、阈值选取及分解规则,使得在图像平滑区进行粗分解,而在图像边缘区进行细分解,将图像快速映射成一种新的基于边缘信息的pixon描述,然后再将TMF算法进行扩展,导出了基于边缘信息pixon描述的TMF新的势能函数,最后完成Bayes最大后验模型(MPM)分割.测试数据和实测SAR图像的仿真实验验证了快速TMF算法的有效性.     

基于奇异值分解的多小波图像去噪方法

给出了一种将多小波变换和奇异值分解相结合的图像去噪方法.该方法通过对含噪图像进行多小波变换,克服了单小波变换中无法同时满足正交性和对称性的缺点.对变换得到的高频系数矩阵进行奇异值分解去噪,提取高频系数中淹没在噪声中的信号成分,然后进行多小波重构,得到去噪图像.仿真结果表明,该方法能有效去除噪声,并获得良好的主观视觉效果.     

一种基于改进 Surendra背景更新算法的运动目标检测

建立背景模型时,采用动态阈值的方法,以减少噪声和光照强度变化等外界环境的影响;在运动目标检测中,针对传统方法检测到的运动目标偏大的问题,提出一种改进的三帧差分检测方法.在形态学处理过程中,采用自适应方法选择结构元素的大小,对二值图像进行去噪处理,以得到平滑图像.实验证明,改进后的方法与传统背景模型建立方法相比,能更准确地检测到运动目标区域,并实时更新背景模型     

泄漏检测信号滤波技术比较

通过泄漏检测模型试验分析测量信号中的噪声来源，在对比研究传统小波去噪、改进神经网络去噪、最小二乘拟合去噪等方法在实测数据中去噪效果的基础上，借鉴神经网络反向传播学习算法的思路，提出了信号预滤波结合闽值自学习小波去噪的综合滤波方法。该方法通过对恒定状态下带噪压力信号阈值自学习使得重构信号与期望输出均方误差最小来获得单一工况下的最佳去噪阈值，再将此阈值用于同一工况下整个时间段的去噪，这样根据不同工况下得到的最佳阈值可以获得最优输出。数值计算结果比较表明该方法对噪声的抑制作用明显，比传统小波去噪、改进神经网络去噪等方法效果更好。     

一种基于图像边缘的鲁棒水印算法

本文基于图像的边缘,提出一种鲁棒水印算法．该算法使用Prewitt检测算子对载体图像进行边缘检测,并对边缘点进行选取,将水印信息嵌入在边缘点像素处的梯度方向上．由于人类视觉感知在图像边缘处的掩蔽效应,同时由于图像边缘的感知重要性和在图像处理中的稳定性,使得本文算法在不可见性和鲁棒性方面具有较好的效果．本文从理论上分析了算法抵抗攻击的能力．并在试验中得到了验证．同时结合人类视觉感知的掩蔽效应．提出了一种客观评价图像质量的方法．试验中对该方法进行了验证,并表明本文算法在该方法下具有较好的不可见性．     

基于自适应多特征融合的双重图像退化修复网络

当前图像修复方法大多局限于处理某个单一特定任务,如超分辨率、去噪、着色等,很少有网络模型同时具备处理双重退化的能力.而现存可以解决多重图像退化问题的算法普遍结构复杂、训练时间长、人力成本较大.本文提出一种基于自适应多特征融合的双重退化修复网络(adaptive multi-feature fusion dual degradation restoration network, AMFNet),利用自引导模块(SGM)融合图像的多尺度信息,有效去除了图像中的部分缺陷;使用带有空洞卷积的编码解码器模块巩固图像的语义信息,实现了中间图像的着色;引入带有自适应多特征融合模块(AMF)的中间信息传输机制(ITM)链接以上两大结构,自适应选择保留网络递进过程的图像特征以避免有用信息的丢失.实验结果表明,基于自适应多特征融合的双重图像退化修复网络模型视觉生成效果最优,通过在CelebA和Landscape数据集上的测试分析,其结构相似度(SSIM)与感知图像补丁相似度(LPIPS)优于同类方法,而峰值信噪比(PSNR)则远超同类方法高达5 dB.     

求同存异的非局部图像去噪

非局部方法是近年来图像恢复领域最重要的方法之一,这类方法的关键在于如何理解和描述自然图像的自相似性质.本文通过对自相似性质的深入分析,提出描述自相似性质的两个原则：1）＂两方向＂原则：利用隐含在图像中的两方向相关结构.2）＂求同存异＂原则：利用相似性的同时保持各相似块之间的相对差异.然后利用奇异值分解建立了一种符合这两个原则的非局部图像去噪模型.该模型能获得很好的去噪效果.     

基于引导滤波和小波变换的太阳冕环结构自动识别算法研究

冕环是太阳大气中的炙热等离子在太阳磁场的作用下产生的一种太阳特征结构;研究冕环动力学特征将促进我们对太阳日冕磁场,日冕加热和日冕振荡等研究.冕环结构的准确识别和提取则是相关研究的前提条件.然而由于日冕磁场的复杂性,使得对冕环结构识别和提取面临很大的困境.为此,本文提出了一个新的冕环识别算法.该算法结合了引导滤波和小波变换模极大值的方法来对冕环结构进行自动识别和提取.识别和提取算法过程如下:(1)运用模糊函数对太阳日冕图像的对比度进行增强;(2)使用引导滤波对增强后的图像进行滤波来增强冕环结构的边缘;(3)对滤波过后的图像使用小波变换模极大值法来识别图像中的冕环结构,并对识别出的冕环图像进行二值化处理;(4)对二值化图像进行形态学处理来获取冕环结构.运用该算法对由过渡区和日冕探测器(Transition and Coronal Explorer, TRACE)和太阳动力观测站的大气成像装置(Atmospheric Imaging Assembly on the Solar Dynamics Observatory, SDO/AIA)观测设备在171?波段所观测的日冕图像中的冕环结构进行识别和提取,并同已有文献的识别结果进行了对比,结果表明本文所提出的算法具有很高的识别率和很好的鲁棒性.所识别和提取的冕环结构能进一步用于科学研究中.     

基于小波变换的图像扩散滤波方法

图像的非线性扩散滤波基于热扩散方程, 其关键是确定适当的扩散量与扩散方向. 在已有的滤波模型中, 扩散系数依赖于梯度, 因而容易受到噪声的干扰. 为了克服这一缺陷, 首先给出了一种新的计算扩散系数的多尺度方法. 然后建立了一类用于图像恢复的非线性小波扩散（NWD）模型. NWD模型有较强的抗噪能力, 但同已有的模型一样, 需要较大的计算量. 为此, 通过NWD模型的简化, 给出了线性小波扩散（LWD）模型. LWD模型由输运与扩散两部分组成. 由于存在输运, 所以其滤波是各向异性的, 能够较好地保持边缘, 尽管在边缘点处扩散是各向同性的. LWD模型的优点是简单易于分析, 具有较小的计算量. 最后给出了所提模型与已有模型相比较的数值实验结果.     

视觉感知结合学习的自然图像轮廓检测

本文结合非经典感受野的视觉特性与机器学习的方法,提出了一种自然图像轮廓检测模型.当非经典感受野中的刺激与感受野中心刺激形成一种精确的空间结构时,将对中心产生一种增强效应;另一方面非经典感受野中抑制作用会降低同质成分的响应,我们将这两个机制分别用于增强光滑的轮廓和减少背景中与结构无关的干扰成分.利用逻辑回归概率模型将感受野中的信息与来自非经典感受野中的信息进行有效融合,并根据图像的手工标注数据库,通过学习方法获得一组最优的模型参数.自然图像的实验结果表明该轮廓检测方法能极大地抑制来自纹理的局部边缘,减少虚假轮廓,同时能增强具有一致空间结构的成分,避免轮廓缺失.最后利用Berkeley图像数据库定量地评价了我们方法的性能,并与相关方法进行了比较.该模型不仅为复杂场景中的轮廓检测提供了一个可行的策略,并有助于对生理视觉机制的理解.     

基于局部对偶框架的数字脊波重构

给出了数字脊波重构算法的全局对偶框架（GDF）表示，提出了局部对偶框架（LDF）的新概念，并讨论了LDF的性质，在此基础上给出了一种基于LDF的新的数字脊波重构算法。该算法减少了脊波重构的冗余，保持了快速计算的特点。用该算法对图像进行压缩和去噪，得到了很好的结果。     

基于光纤延时线的低相噪光电振荡器与高灵敏度相噪测量系统的研制

采用双环注入锁定的方案来实现X波段超低相噪、小杂散光电振荡器(opto-electronic oscillator,OEO).基于近似线性理论,对注入锁定双环OEO建立了新的理论解析模型,并基于该模型分析了注入信号功率对注入锁定双环OEO相噪、杂散的影响.结果表明,适当的注入功率是同时保证低相噪与小杂散的关键.搭建基于光纤延时的载波抑制相噪测量系统,采用高线性度光电探测器与低相噪微波放大器来提高系统的灵敏度,并采用双通道互相关方案来进一步降低测量系统的噪底.实现了X波段OEO的超低相噪(-125 dBc/Hz@1 kHz,-145 dBc/Hz@10 kHz)与测量系统的超高灵敏度(-130 dBc/Hz@1 kHz,-168 dBc/Hz@10 kHz),国内无相当指标报道,接近国外文献报道过的最好指标.     

无间隙原子钢高压扭转过程中塑性变形的滞后性研究

采用DEFORM-3D有限元分析软件,对无间隙原子钢(IF钢)在高压扭转(HPT)中的扭转阶段大塑性变形(SPD)过程进行模拟仿真,通过分析试样的等效应变分布,得到了IF钢在不同剖面的变形滞后性特征.结果表明,在扭转的前期阶段(不大于2周),IF钢试样表现出大塑性变形的滞后性:试样边缘的等效应变值明显高于心部,且沿径向由边缘到心部数值逐渐变小;与试样的上表面相比,下表面的等效应变明显较高,边缘大塑性变形区域较大,并且随着旋转角度、距心部距离的增加,上表面大塑性变形的滞后性越来越明显.这说明在扭转的前期阶段,试样的中心部及上表面的塑性变形相对滞后,并对其原因进行了初步分析,这与其下模旋转及表面摩擦密切相关,理论分析、显微组织及硬度检测结果均验证了该模拟结果的可靠性.     

基于稀疏表示的小波去噪

小波阈值去噪是信号与图像去噪中的有效方法,然而,该方法采用逐点处理的方式,未用到小波系数的整体结构特性。文中提出一种新的小波去噪方法,采用了新近发展起来的稀疏表示工具,通过在一定条件下最小化非零小波系数的个数对原小波系数进行估计,从而将去噪转化为一个最优化问题.证明了该优化问题的解可以惟一获得,并且该解是干净小波系数的一个无偏估计值。文中提出了一种求解该问题的方法,该方法至少能求得一个局部最优解.实验结果表明此方法对多数实际信号尤其是低信噪比信号是有效的。     

基于Markov随机场和FRAME模型的无监督图像分割

提出了一种多纹理图像的无监督分割方法. 此方法应用两层的随机场模型对需要分割的图像进行建模. 第一层用Markov随机场(MRF)模型表示一个不可观测的区域图像, 第二层用“滤波器, 随机场和最大熵(FRAME)”模型表示覆盖每一个区域的纹理图像, 与传统的分层Markov随机场(HMRF)模型相比较, FRAME模型可以取较大的邻域系, 从而对更加复杂的图案式样进行建模. 根据Bayes定理, 分割问题被转化成一个最大后验(MAP)估计问题. 迭代条件模型(ICM)算法用来求解最大后验估计. 提出一个基于局部熵率的算法来简化MRF参数的估计, FRAME模型的参数用最大期望(EM)算法估计. 最后, 使用一些合成的和真实的图像分别来做实验, 实验结果表明该方法能有效地分割含有复杂纹理的图像, 并且对噪声有一定的鲁棒性.     

基于边缘计算的紧致化掌纹识别系统

随着生物特征身份认证技术的发展,无接触式掌纹识别的高识别率、低侵犯性和无接触性等优点,使其得到了越来越广泛的关注.为了满足边缘环境下多设备实时高效的处理需求,本文设计了一套基于边缘计算的紧致化掌纹识别框架,分别在终端设备层、边缘服务器层、云层搭建掌纹识别子系统.在终端设备层采用基于Tiny YOLO-v3的目标识别算法和基于MobilenetV2的关键点定位算法对采集图像进行预处理,提取掌纹ROI(region of interest),并提出识别请求.在边缘服务器层,对接受到的掌纹ROI利用基于对抗度量学习的GoogLeNet模型进行特征提取和特征匹配,在返回识别结果后进行数据同步.在云层,数据中心将会对所有的识别任务记录日志并归入数据库,同时定时训练更新终端设备和边缘设备的网络模型,以提高系统的跨领域识别能力.该框架是一套完整可行的生物特征识别框架,具有广阔的市场前景和应用价值.     

自动目标检测的形态学神经网络与模拟退火学习算法

提出了一种具有实用意义的形态滤波神经网络模型及其网络参数的模拟退火优化算法. 通过分析指出, 形态滤波网络的优化设计过程实际上就是网络参数(结构元素)不断调整、逐步适应图像环境的优化学习过程, 从而将目标客体的特征规律反映到网络结构上来, 赋予结构元素特定的知识, 使形态滤波过程融入特有的智能, 以实现对复杂变化的图像具有良好的滤波性能和稳健的适应能力. 为结合运动图像目标的检测需要, 采用了渐近收缩误差、适时校正网络权值的动态跟踪学习算法. 通过实验结果可以看出, 该算法不仅能适应复杂多样的背景环境, 而且对运动目标的持续检测能力具有位移不变、伸缩不变和旋转不变的特性.     

改进的多方向融合图像插值算法

为了解决数字图像插值过程中出现的边缘模糊和锯齿现象,提出一种改进的多方向融合图像插值算法.该算法将图像分为平坦区域和边缘区域,平坦区域采用双线性插值算法进行插值,边缘区域采用多方向融合算法进行插值.实验结果表明,该算法运算复杂度小,其结果在主观视觉效果和客观指标方面都有很大的改善,且适用于任意倍数的插值放大.     

基于模糊神经网络的图像恢复技术

通过分别引入输入与输出空间的合理剖分,定义了一种新的模糊神经网络(FNN), 即选择型FNN, 该系统是一种多层前向网络, 在最大模意义下构成一类函数泛逼近器.基于一组具有实际意义的模糊推理规则, 得出了一个简单实用的推理型FNN. 利用选择型FNN与推理型FNN的有机结合, 得到FNN滤波器, 它不仅结构简单, 易于设计参数学习算法, 而且能同时有效去除图像信号中的脉冲噪声和保持图像结构. 实验结果表明, 与其他滤波器(如:中值滤波, 自适应加权模糊平均(AWFM)滤波等)相比, FNN滤波器在去除各种噪声, 保持图像未污染部分结构等方面性能卓越