基于混合非线性偏微分方程扩散的可逆图像放大

综合应用冲激滤波器、改进的前向后向(forward and backward,FAB)扩散滤波器和全变差(total-variation,TV)扩散算法,提出一种双正交映射约束的混合偏微分方程扩散图像放大算法。改进的FAB滤波器能够很好地增强图像的小边缘,参数约束的冲激滤波器可增强图像的强边缘,基于水平集方法实现的TV扩散可以消除边缘的锯齿波,使边缘光滑,所提算法综合以上优点。利用退化模型的低通滤波器的双正交滤波器得到一个空域双正交映射,放大图像完全满足退化模型,使放大图像对于退化模型可逆。仿真实验表明,与其他算法相比,所提算法有较好的性能,得到的放大图像更加自然,在弱边缘和中等强度边缘都有更好的视觉效果。     

基于自适应非局部均值的SAR图像相干斑抑制

针对在利用非局部均值方法对合成孔径雷达(synthetic aperture radar, SAR)图像降斑时,存在的图像块相似性度量不准确、鲁棒性不高等问题,提出了一种基于自适应非局部均值的SAR图像相干斑抑制方法。首先,定义平滑度以刻画图像不同区域的纹理复杂程度,并设计自适应匹配函数,自适应地确定图像块和搜索窗口的大小,以提高块相似性度量的准确性,并在此基础上提出了自适应非局部均值算法框架。然后,利用Gabor滤波器对图像块的相似性进行度量,以增强块相似性度量的鲁棒性,并以所提框架为依据,设计了基于Gabor滤波器的自适应非局部均值算法。实验结果表明,所提算法不仅能够有效去除相干斑噪声,而且较好地保持了图像的纹理、边缘、点目标等信息,为后期SAR图像的理解与解译奠定了良好的基础。     

基于扩散张量的自适应正则化变分模型

结构张量是描述图像的有效工具。利用结构张量对图像灰度变化的方向和大小进行判断,提出基于扩散张量的自适应正则化变分模型。该模型将冲击滤波器耦合在其中,使其在恢复图像的同时能有效地增强边缘。同时,给出一种构造正则化参数的方法。仿真实验表明,该模型在对带噪图像进行自适应恢复时,能较好地保护边缘信息,增强纹理特征,得到了较为满意的结果。     

基于稀疏表示和多成分字典学习的超分辨率重建

针对目前基于稀疏表示模型的图像超分辨率重建方法对于边缘、纹理等细节信息保持能力有限、易产生视觉伪影的问题,提出了基于稀疏表示和多成分字典学习的超分辨率重建算法。在字典训练阶段,所提算法在利用图像形态分量分析方法构造纹理和结构字典的基础上,为了有效地提取低分辨率图像特征细节信息,对图像结构分量采用一阶二阶导数进行特征提取,对纹理分量采用Gabor变换进行特征提取,并使用L_1/2范数构造训练字典模型;而在重建阶段,为了消除重建图像块效应及模糊伪影,进一步提高重建图像的质量,采用全局约束和非局部相似性约束相结合的方法对重建高分辨率图像进行优化。实验结果表明,该算法在重建图像主观和客观评价指标方面均有较好的表现。     

蒙卡渲染画面多特征非局部均值滤波降噪算法

针对蒙特卡罗渲染在低光线路径采样率下绘制的图像容易出现噪点的问题，提出一种蒙特卡罗渲染画面多特征非局部均值降噪算法。使用canny算法对场景反射率图进行梯度化，以反射率梯度图为引导图，利用引导滤波器对法向量图预滤波；求出预滤波后法向量图中图像块之间的结构相似性，利用结构相似性倒数的对数值对非局部均值滤波器权值进行改进；利用改进后的非局部均值滤波器对噪点图像进行滤波重构。实验结果表明：该算法能在典型场景中有效降低渲染画面的噪声，改善均方误差和峰值信噪比质量指标。     

基于耦合小波阈值的图像放大增强方法

利用单尺度平移不变Haar小波变换和扩散方程离散一步迭代的等价性,提出一种图像放大增强的新方法。该方法把原图像作为放大图像的小波低频子带,对重构后的图像进行平移不变小波分解,然后进行基于前向-后向扩散方程的耦合小波阈值。该阈值使得在放大的同时能更好地去除噪声和增强图像的边缘部分,放大和增强同时实现。该方法简单易实现,数值实验结果证实,此方法为一个有效的图像放大增强法。     

图像恢复问题的梯度稀疏化正则方法

针对图像恢复中边缘损坏及细节丢失等问题,从分析梯度直方图的分布特征及梯度稀疏性最佳表示出发,提出了一种基于梯度稀疏性的正则方法,建立了具有梯度先验信息的图像恢复模型。该模型不仅能够增强图像的细节特征,而且能够在去除模糊及噪声与保持图像边缘之间取得很好的平衡。设计了一种新的优化算法对模型进行求解。实验结果表明,新算法快速有效且收敛性好, 新模型能够在很好地去除模糊和噪声的同时,有效保留图像边缘及纹理等信息。     

基于分数阶积分的图像去噪

为了在图像去噪的同时更多地保留图像的细节信息,介绍了分数阶积分算子在信号滤波中的作用,并将分数阶积分理论引入到数字图像去噪。该方法通过设定较小的分数积分阶次来构建相应的图像去噪掩模,并且利用迭代的思想来控制图像去噪的效果,从而实现图像去噪的局部微调。实验结果表明,基于分数阶积分的图像去噪算法较传统去噪方法不仅可以提高图像的信噪比,而且可以更好地保留图像的边缘和纹理等细节信息。     

基于自适应分数阶微积分的图像去噪与增强算法

针对传统的图像去噪算法容易忽视图像纹理细节的问题,首先提出一种全局自适应分数阶积分去噪算法。该算法可以在去除图像噪声的同时,对图像的纹理进行一定的保留。其次在全局自适应分数阶算法的基础上,针对一类低强度椒盐噪声提出另一种基于小概率策略的自适应分数阶微积分图像去噪与增强算法,该算法将图像中噪声点的出现视为小概率事件并进行分割,然后再采用自适应分数阶积分对噪声点进行处理的同时,采用自适应分数阶微分对图像的纹理进行增强和保留。实验结果表明,两种方法都可以达到较好的去噪效果,其中基于小概率策略的自适应分数阶算法在去噪的同时更具有增强图像的边缘的效果。     

基于微分信息融合的Mean Shift改进跟踪算法

为提高传统均值漂移算法对低对比度图像的跟踪性能，提出一种融合图像微分特征信息的改进算法。根据图像8邻域微分值建立微分图像，利用微分特征建立目标模板和候选区域的微分直方图模型，并确定候选区中心位置的更新向量。将其与利用颜色特征信息确定的候选区中心位置的更新向量相融合，得到改进算法的更新向量。图像的微分信息包含了图像的细节信息以及像素的相对空间位置信息，提高了模型建立时信息的利用率，能够提高目标模型的建模精度。仿真实验结果表明，与传统均值漂移算法相比，改进算法在复杂的背景情况下具有更强的抗干扰性能，能够有效提高目标跟踪的稳定性。     

基于Top-hat变换的PM模型弱小目标检测

为了实现红外复杂背景下弱点目标的有效检测,提出了形态学Top-hat变换和改进的非线性扩散(以Perona-Malik (PM)的研究为基础)模型相结合的滤波算法,用于增强红外弱小目标信号、抑制复杂背景和噪声。该方法首先利用形态学滤波中的Top-hat算子对图像进行目标增强,然后对形态学滤波后的图像采用改进的PM滤波器进行进一步滤波达到抑制背景突出目标的目的,最终通过阈值分割实现弱小目标的检测。对比实验结果表明,该算法能够在低信噪比(signal-to-noise ratio, SNR)下实现红外弱小目标图像的背景及边缘有效抑制、使图像的信噪比提高20%,检测能力在原有算法上提高了40%。     

基于Canny振荡抑制准则的改进匹配滤波器

当匹配滤波器应用于合成孔径雷达(synthetic aperture radar, SAR)成像的脉冲压缩时,由于强旁瓣原因振铃效应会在强边缘处出现,这种振铃效应会造成图像质量降低同时影响SAR图像目标信息的提取处理。Canny准则最早提出用于检测图像中的边缘,尤其分辨两条临近的边缘。文中的Canny准则被扩展应用至复数域,并且提出了新的代价函数给出了一类基于Canny边缘检测准则的改进匹配滤波器。改进滤波器可以降低SAR图像边缘处的振铃效应,仿真实验表明了改进匹配滤波器的有效性。     

引导滤波与视觉感知结合的自然场景轮廓提取

为更好地解决复杂背景下非结构化自然场景对象的轮廓提取问题,提出了一种引导滤波与视觉感知机制相结合的方法。通过改进的加权引导滤波方法对输入图像进行预处理,在去除图像中噪声的同时,保留和突出图像中物体的轮廓信息;之后采用基于非经典感受野视觉机制的背景抑制和轮廓增强算法进行处理。给出了完整的处理流程,阐述了各部分算法的实现步骤。通过最后定性和定量的实验对比,所提出的算法在效果上优于以往的同类算法,为进一步自然场景轮廓提取的实用化改进和视觉感受野仿生图像处理提供了一种思路。     

形状自适应各向异性微分滤波器边缘检测算法

传统参数固定的微分滤波器难以精确检测图像中不同类型的边缘,并存在噪声敏感的不足,为此,提出了一种基于形状自适应各向异性微分滤波器的边缘检测算法。利用图像的微分自相关矩阵构建一种反映边缘像素类型的度量准则,并建立度量与各向异性高斯方向导数(anisotropic Gaussian directional derivative, ANDD)滤波器各向异性因子之间的映射,实现ANDD滤波器的形状自适应控制,从而能精确地提取不同类型边缘的强度映射。同时大尺度的ANDD滤波器增强了边缘强度映射的噪声鲁棒性。实验结果证明,在无噪声情况下,所提算法的边缘品质因子(pratt figure of merit, FOM)分别比Canny边缘检测算法、基于Gabor的边缘检测算法和基于测度融合的边缘检测算法高23.3%、14.5%和9.5%。在含噪声情况下,则分别高41.7%、29.7%和12.0%。     

图像处理算法在金相分析中的应用

为了提高(金属)图像面积和周长的计算精度,对传统的计算一块图像像素的方法加以改进,分别从图像的左上角、右下角、右上角和左下角开始对图像进行处理;利用改进的链码方法计算图像的周长和面积时考虑了图像边界的拐点和小的锯齿边.图像面积和周长的计算误差最大不超过3%,其精度较传统算法有显著提高,可满足实际工程需要.     

基于组稀疏表示和加权全变分的图像压缩感知重构

传统的基于组稀疏表示(group sparse representation, GSR)的压缩感知(compressd sensing, CS)重构算法利用信号的稀疏性和非局部相似性来重构图像信号,但没有充分考虑图像的局部平滑特性,影响了算法的重构性能。考虑信号的稀疏性、非局部相似性、平滑性3种先验信息,提出一种基于GSR和加权全变分(weighted total variation, WTV)的图像CS重构算法,并针对传统的WTV采用全局加权会引入错误的纹理以及边缘状伪影的问题,利用一种新的WTV策略,只对图像的高频分量设置权重来保证图像重构质量。此外，针对硬阈值迭代法忽略低频的主分量系数,采用硬阈值-模平方方法来更好地保护非主分量系数。实验表明,相同采样率下,所提算法的峰值信噪比比非局部正则化全变分和基于GSR的CS算法平均分别提高5.4 dB和0.62 dB,验证了所提算法有效保护图像的细节信息。     

基于组稀疏表示和加权全变分的图像压缩感知重构

传统的基于组稀疏表示(group sparse representation, GSR)的压缩感知(compressd sensing, CS)重构算法利用信号的稀疏性和非局部相似性来重构图像信号,但没有充分考虑图像的局部平滑特性,影响了算法的重构性能。考虑信号的稀疏性、非局部相似性、平滑性3种先验信息,提出一种基于GSR和加权全变分(weighted total variation, WTV)的图像CS重构算法,并针对传统的WTV采用全局加权会引入错误的纹理以及边缘状伪影的问题,利用一种新的WTV策略,只对图像的高频分量设置权重来保证图像重构质量。此外，针对硬阈值迭代法忽略低频的主分量系数,采用硬阈值-模平方方法来更好地保护非主分量系数。实验表明,相同采样率下,所提算法的峰值信噪比比非局部正则化全变分和基于GSR的CS算法平均分别提高5.4 dB和0.62 dB,验证了所提算法有效保护图像的细节信息。