基于拉普拉斯算子的边缘检测研究

边缘检测是图像处理、图像分析和计算机视觉领域中最经典的研究内容之一,是进行模式识别和图像信息提取的基本手段.本文对基于拉普拉斯算子的边缘检测进行了研究测试,取得较好效果.     

基于Marr-Hildreth算子多尺度图像边缘检测

针对监控图像的不同边缘特征,图像噪声大小和对边缘检测不同的要求,利用Marr-Hildreth拉普拉斯边缘检测算子多尺度特征,使用不同尺度的Δ2G算子,对监控图像进行边缘检测.     

基于边缘增强总变分正则化盲泊松图像反卷积

针对总变分的方法支持分片常值解,易导致图像内容中的平坦区域出现阶梯效应和纹理及部分细节随着噪声消失等问题,提出基于边缘增强总变分正则化的盲泊松图像反卷积方法.受边缘信息对视觉感知的重要性的影响,提出具有空间自适应性的边缘增强指示算子约束总变分正则化项,并采用双边滤波区分图像内容中的边缘和平坦区域.一系列仿真和真实模糊图像实验表明:提出的方法与其他方法相比具有较好的平滑平坦区域和保边缘的特性.     

基于行列式点过程的变分拉普拉斯自编码器

变分自编码器(Variational Autoencoders,VAE)是一类重要的学习概率潜在变量的生成模型,然而VAE对复杂模型的表现力较差,生成的图像往往比较模糊.为了解决VAE生成图像模糊的问题,提出一种基于行列式点过程的变分拉普拉斯自编码器(Variational Laplace Autoencoders-Determinantal Point Process,VLAE-DPP)模型,将行列式点过程方法引入变分拉普拉斯自编码器模型,在原始目标函数的基础上添加一项无监督惩罚损失,以此来提高生成图像的质量.VLAE-DPP模型利用行列式点过程来捕获一个与真实数据类似的多样性,然后通过从编码器中提取特征来学习核.最后,训练解码器优化核的伪、实、特征值和特征向量之间的损失,以鼓励解码器模拟真实数据的多样性,从而生成高质量的图像.在Fashion-MNIST,SVHN,CIFAR10数据集上的实验结果表明,VLAE-DPP模型能提高生成图像的质量.     

一类包含松弛Lipschitz算子和松弛单调算子的广义变分不等式

主要利用松弛算子和单调算子性质,先给出松弛Lipschitz算子和松弛单调算子的特有性质,再将变分不等式与非线性方程的一些等价结论,推广到广义变分不等式上,然后利用这些结论,给出一类包含松弛算子和单调算子的广义变分不等式的迭代算法,并证明了算法的可行性.     

含H-单调算子的广义变分包含

在Hilbert空间中引入并研究了一类新的含H-单调算子的广义变分包含问题．利用方和黄关于H-单调算子的预解算子方法，得到了这类含H-单调算子的广义变分包含问题解的存在性和唯一性，发展了逼近唯一解的Mann迭代算法．     

基于图像整体变分和分数阶奇异性提取的图像恢复模型

分析基于图像整体变分理论所对应的图像恢复整体变分模型的不足：对于纹理丰富的含噪自然图像，在去除噪声的同时，损失了图像中固有的纹理信息。揭示从残差图像中提取具有分数阶导数奇异性图像的可能性，提出用于图像恢复的残差校正整体变分模型。模型提供一种图像的分解与表示方法。实验结果表明，该恢复模型对自然图像的边缘和纹理等细节保持效果大大优于整体变分模型。     

变分不等式和非齐次边值问题

本文在自反Banach空间中讨论了变分不等式及相应的偏微分方程非齐次边值问题解的存在性.利用非强制条件下变分不等式解的存在性理论,在Sobolev空间中具体地研究了含P-拉普拉斯算子的非线性方程非齐次边值问题解的存在问题.得到了几类非齐次边值问题解的存在条件,去掉了某些不必要的限制,使得适用的范围更为广泛.     

一种结合数学形态学和LOG算子的遥感图像边缘检测方法

提出了一种结合数学形态学和LOG算子的遥感图像边缘检测算法,该算法可有效地解决在混合噪声及复杂细节环境下的遥感图像地物边缘信息的检测．该算法首先利用中值滤波消除原始图像的非高斯噪声,并采用数学形态学进一步消噪及增强地物间的对比度;然后采用LOG（LaplacianofGassian）算子对处理后遥感图像进行边缘信息检测．实验结果表明,提出的方法能有效地提取遥感图像地物边缘信息．     

基于self-snake模型的图像放大

目的研究图像放大的非线性偏微分方程方法。方法基于线性偏微分图像放大方法的初边值条件,提出将具有曲率运动和边缘增强双重功能的非线性偏微分平滑去噪self-snake模型用于图像放大。结果实验证明具有曲率运动、边缘冲击特性和平滑去噪性能的非线性self-snake模型适合于放大图像,拓宽了非线性偏微分方法在图像放大领域的方法研究和应用范围。结论相对于线性偏微分方法self-snake模型是一种行之有效且好的非线性偏微分图像放大方法。     

多项式展开的快速扩散张量图像配准

提出一种基于多项式展开的扩散张量图像快速配准方法.采用拉普拉斯算子提取经图像增强处理的各向异性测度图像的边缘特征点,给出一种图像变换模型,利用边缘特征点来定义图像的特征,并以此校正图像的方向.利用基于多项式展开的配准模型,对已经经过方向校正的各向异性测度图像进行全局像素点稠密配准.实验结果表明该方法有效地提高了配准效率和配准精度.     

基于Perona-Malik模型改进的图像去噪方法

结合冲击滤波器和Perona-Malik(P-M)模型提出一种新的图像去噪模型,在增强图像细节的同时,能够抑制噪声的放大和过冲现象,同时给出的扩散函数可以使模型达到更好的图像去噪效果。仿真结果表明,使用本文模型进行去噪处理后得到的图像在视觉效果和客观评价标准方面均优于P-M模型、CLMC模型以及传统的模型,在去除噪声的同时,能够更好地保留图像的细节和边缘特征。     

基于Perona-Malik模型改进的图像去噪方法

结合冲击滤波器和Perona-Malik(P-M)模型提出一种新的图像去噪模型,在增强图像细节的同时,能够抑制噪声的放大和过冲现象,同时给出的扩散函数可以使模型达到更好的图像去噪效果。仿真结果表明,使用本文模型进行去噪处理后得到的图像在视觉效果和客观评价标准方面均优于P-M模型、CLMC模型以及传统的模型,在去除噪声的同时,能够更好地保留图像的细节和边缘特征。     

一种改进的自适应各向异性LOG算子

针对经典各向同性高斯-拉普拉斯(LOG)算子在具有方向性差异的场合中不适用的问题,引入多尺度,多角度参量,使之能对各个方向的边缘更加有效地检测,进而提出一种自适应各向异性LOG算子。该方法由独立强度传播(DS)模型调整长轴尺度,由像素的邻域平滑度决定长短轴的比例,然后通过8邻域一阶偏导决定长轴方向。实验表明,与传统LOG算子相比,该算法很好地解决了不同方向边缘的提取,还完全保留了经典LOG算子原有的优点。     

基于小波变换的Canny算子边缘检测算法

分析了基于小波变换的图像增强算法和传统的Canny边缘检测算法,提出将两种方法有效地结合起来,应用于对比度低图像的边缘检测中。实验证明,该方法准确的检测图像中的目标边缘,且能较好地保持目标边缘的连通性。     

基于边缘增强的多聚焦图像融合方法

提出一种基于边缘增强的多聚焦图像融合方法,对需要融合的2幅图像进行小波多尺度分解,根据绝时值最大的方法对高频细节分量图像进行融合,通过增强和提取原始图像的边缘信息强度指导低频近似分量的融合,以此突出融合图像中的边缘信息．采用信息熵和标准差等评价指标对该方法进行客观评价．结果表明：该方法融合效果良好,可以更好地突出低频域边缘细节信息,提高融合图像的清晰度,改善视觉效果．     

基于金字塔模型和各向异性滤波的分层自适应图像增强算法

结合拉普拉斯金字塔模型分解和前后双向异性扩散算法,提出一种分层自适应图像增强算法.该算法首先进行图像的高动态范围压缩,然后采用拉普拉斯金字塔模型方法将原始图像分解为不同尺度和频率下的带通图像序列.根据不同频率层图像的纹理方向特征,设计自适应参数法修改扩散传导方程的参数,在不同频率图像层上分别实现噪声平滑和边缘特征的增强.仿真实验通过与其它图像增强算法进行比较,评价结果表明,提出的分层自适应图像增强算法的处理效果良好,定量评价指标大幅改善.     

分数阶微分梯度算子在图像增强中的应用

利用分数阶微积分的定义,根据频率域的滤波基础,推导出分数阶微分梯度算子的频率域滤波器,并在实验中得以实现.实验结果表明,与其他的一些方法相比,这种滤波器对图像增强的效果更好.提出了使用分数阶微分和积分对图像进行综合处理的一种新方法,在增强图像细节的同时,能够有效地消除噪声.     

基于同向梯度扩散的图像去噪方法

在Perona-Malik模型基础上对扩散系数进行改进,引入了同向梯度扩散函数.实验结果表明,改进后的平滑方法既能更有效地消除图像中孤立噪声点,又可以更好地保持边缘.     

高斯-拉普拉斯边缘检测算子的扩展研究

针对经典的高斯-拉普拉斯（LOG）边缘检测算子是各向同性的,对各个角度方向的图像边缘检测的力度是相同的特性,对经典LOG边缘检测算子引入了角度信息参量进行推导,使以圆为对称的经典的LOG边缘检测算子变成为以椭圆对称,并且可以在坐标轴旋转任意角度的边缘检测算子,增强了其边缘检测的功能,使之能对不同角度方向的边缘更加有效地进行检测．经过在Matlab里对同一幅图像进行比较实验,对于图像中不同角度的边缘均能相应地进行提取．扩展后的LOG算子,不仅增强了边缘检测算法功能,而且完全保留了经典LOG算子原有的优点．