一种自适应参数的卡通-纹理分解方法

Luminita A.Vese和Stanley J.Osher基于总变差最小化及Yves Meyer提出的振荡函数空间理论提出了卡通—纹理分解模型,在Vese和Osher的分解模型中参数选择为恒定值。本文提出了自适应参数的卡通—纹理分解方法,该方法是根据图像梯度的变化自适应地选取参数,能有效保护卡通图像的边缘,从而更好地提取纹理特征。     

SAR图像的多尺度边缘检测方法

SAR图像具有很强的斑点噪声,使得单尺度边缘检测算子难以兼顾噪声抑制、检测边缘的完整性和定位的准确性。提出一种SAR图像的多尺度边缘检测方法。首先构造高斯多尺度边界检测算子,然后根据信号边界与噪声边界的小波变换模值跨尺度传递的不同特性,将不同尺度的检测算子检测的边缘相融合,提出由边缘传递、继承和生长构成的多尺度边缘关联融合算法。实验证明该方法可以有效克服斑点噪声的影响,融合的边界比较完整,定位准确。     

一种新的图像特征抽取方法

本文描述了一种新的图像特征提取方法.它基于小波变换的多尺度方法,这种方法通过对二进尺度下图像小波变换局部极大值的检测提取图像边缘特征.文中给出了图像特征提取的实例.     

基于小波变换的图像边缘检测

提出了一种新的基于小波变换的多尺度多分辨率特性的边缘检测方法。分别利用不同尺度小波变换后的水平方向、垂直方向和对角线方向高频信息 ,根据李氏指数与小波变换关系 ,采用零交叉检测方法和极大值在不同尺度下传播的特性 ,检测出图像在 3个方向的极大值。对不同尺度不同方向高频子图像 ,首先采用平均值法确定阈值 ,去除震荡噪声 ,然后对不同方向高频子图像合成的图像 ,根据最大类间方差法 ,计算其阈值 ,求出极大值 ,最后从这 3个方向的极大值中确定出最大值。实验结果表明 ,检测出图像的边缘结果非常理想。     

小波变换在有噪图像边缘检测中的应用

描述了有噪图像边缘检测的方法,它基于小波变换的多尺度分析。通过合理选择小波基,可以得到图像的多分辨表示。证实了小波多尺度变换在有效去噪的同时可以保持图像的特征。通过信号,噪声奇异性的分析,对有噪图像小波变换局部极大值的检测可提取出所需的图像边缘特征。实验结果证实了该方法的可行性     

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。     

基于双边与高斯滤波混合分解的图像融合方法

针对红外与可见光图像融合时,两种异质图像信息容易相互干扰,造成融合图像出现模糊、信息混乱和对比度降低等问题,提出了一种基于双边与高斯滤波混合分解的融合方法。首先采用双边和高斯滤波器对输入的红外与可见光图像进行混合信息分解,得到小尺度纹理细节、大尺度边缘和底层粗略尺度图像信息;其中的大尺度边缘信息包含红外图像的主要特征,依据该特征确定各分解子信息的融合权重,从而将重要的红外特征信息注入到可见光图像;最后通过对各融合子信息进行组合重构出融合图像。实验结果表明,该算法融合效果要优于传统基于多尺度分解的图像融合算法。     

SAR图像线特征分析与自动提取

自动提取图像中的线特征,特别是长而直的线特征,对于实现场景的自动解译有重要意义。对合成孔径雷达（syhthetic aperture radar, SAR）图像中的线特征及其自动提取问题的特殊性进行分析,结合对已有方法共性的简单总结,从实际应用需要的角度归纳了SAR图像线特征自动提取方法应满足的基本要求和应遵循的合理思路。提出了一种由粗到细的自动提取方法,定义一组局部方向参数描述图像的局部纹理方向特征,通过多尺度分析实现快速粗提取,在后处理中进行细化并获得知识表达。在日本PI SAR实际数据图像上进行的实验表明了提出方法的有效性。     

样条小波自适应阈值多尺度边缘检测算法研究

在Marr的计算机视觉系统中，图像边缘检测占据着重要位置。但由于问题本身的复杂性和技术手段的限制，已有的边缘检测方法并不能得到较理想的边缘。充分利用小波变换的特点。设计三次B样条平滑滤波算子，对图像进行多尺度滤波。得到不同尺度的小波变换，再结合由适应阈值方法，在每种尺度下分别提取图像边缘；而后利用过缘信息的多尺度特性。融合多尺度边缘得到单像素宽边缘。通过计算机仿真对该方法进行验证，实验结果表明该方法不仅能准确检测出图像边缘，而且能有效地抑制噪声，该算法对图像边缘检测的效果优于目前已有的边缘检测算法。     

联合纹理提取和边缘检测的新方法

结合稀疏表示和半二次规整化方法,提出了一种联合纹理特征提取和边缘检测的新算法。该算法是基于稀疏表示的形态学成分分解方法的直接推广。其基本思想是用两个适合的字典：一个用来描述纹理部分--对偶树复小波变换,另一个用来描述结构部分--第二代曲线波变换,得到了一种新的分解模型。接着运用半二次规整化方法推广这个分解模型,提出了一种联合纹理特征提取和边缘检测的变分模型。数值计算的结果表明,新模型对图像的结构〖CD*2〗纹理分解,以及边缘的提取都有较好的效果。     

基于量子粒子群的广义模糊熵阈值法参数选取

针对广义模糊熵阈值分割法中参数m的选择问题,提出了一种结合优化算法的自适应参数选取算法.该算法依据一种图像分割质量评价指标建立目标函数,再基于量子粒子群优化搜索算法在参数的变化空间自适应地搜索最佳参数,同时依据模糊熵最大准则对S型隶属度函数中的三个参数(a,b,d)进行了全局组合寻优,从而建立了一个嵌套的优化搜索过程,实现了广义模糊熵图像阈值分割方法的自动阈值选取.实验表明,该方法对光照不均匀图像有更好的分割效果.     

广义模糊熵的构造及其在图像分割中的应用

针对现有的模糊熵阈值法对噪声干扰、光照不均匀图片的分割不能获得满意分割效果的不足,提出了模糊熵公式的参数化修改并用于图像分割,获得了选取最佳分割阈值的模糊熵新算法。首先将Sugeno广义否定算子替代二次型模糊熵公式的Zadeh标准否定算子,得到了参数型的广义模糊熵表达式;其次,将其应用于构造图像阈值化分割的准则函数;最后,给出了图像阈值化分割新算法中的广义模糊熵参数自动选取方法。实验结果表明,给出的广义模糊熵图像分割方法对光照不均匀图像相比传统模糊熵分割方法更有效。     

基于分形和背景知识挖掘的红外图像水上桥梁目标识别

针对复杂背景下远距离航拍红外图像中水上桥梁识别的难题,提出一种新的基于分形理论和背景知识挖掘的目标识别方法。根据红外图像水上桥梁上下文描述,利用红外图像的直方图动态阈值法和分形特征检测出图像中的感兴趣区水域,同时基于先假设后检验的桥梁潜在目标被分割出来;然后利用形态学滤波完成目标图像的进一步分割;最后,利用目标特征匹配完成桥梁目标识别。基于TMS320C6416图像跟踪器的实验结果证明:该方法有较高的自动目标识别率和计算实时性。     

基于样条插值和HV分形的图像分层编码方法

本文提出了基于对称短核滤波器（ＳＳＫＦ）的子带编码、样条插值与基于迭代函数系统（ＩＦＳ）的ＨＶ分块分形图像编码相结合的图像编码方法。实验结果表明,与基本的自动分形图像编码方法相比,在基本保证重建图像质量的前提下,运算时间和码率均下降。     

基于分形的自然景物描述方法研究

自然景物的描述在计算机图形学中具有十分重要的意义。对基于分形的描述自然景物方法，即递归法、L-系统法、IFS法进行了分析研究，在此基础上，提出基于正余弦的IFS描述法，该方法克服了递归法、L-系统法、IFS法等描述方法的生硬性和一律性，增加了分形造型结果的多样性，为以后的深入研究和应用提供了依据。     

基于小波变换的分形图像压缩编码方法

为了弥补分形编码在高压缩比时重建图像质量较差及匹配搜索量大的不足 ,基于小波图像的分形特征及系数的统计分布特性 ,定义了灰度变换和能量阈值系数 ,提出了基于小波变换的分形图像压缩编码方法 (FICC-WT)。对小波分解后的低频子图像进行灰度变换 ,然后进行自适应四叉树分割的分形编码 ;对差值图像及其它子图基于定义的能量系数进行自适应阈值取样的熵编码 ,并讨论了灰度变换参数对重建图像的影响。实验证明 ,所提方法减小了匹配探索量 ,而压缩比和峰值信噪比 (PSNR)有明显改善。     

改进的分形算法在弱小目标检测中的应用

针对单帧图像中的弱小目标检测问题,提出了一种改进的基于分形的快速检测方法。该方法首先利用图像的局部熵信息对目标进行粗定位,以得到一个包含目标的感兴趣区域,然后利用分形理论构造该区域的分维像,最后对分维像采用自适应阈值分割即可将弱小目标精确检测出来。与传统分形算法相比,提出的改进算法包含粗定位和细定位两部分,它将分形算法要处理的区域缩减到局部熵所估计的小范围内,从而克服了传统分形方法计算量大、抗噪性差的缺点。仿真实验结果表明,该方法能够稳健、快速、有效地检测弱小目标。     

Filtering of long-term dependent fractal noise in fiber optic gyroscope

Stochastic noises of fiber optic gyroscope (FOG) mainly contain white noise and fractal noise whose long-term dependent component causes FOG a rather slow drift. In order to eliminate this component, a two-step filtering methodology is proposed.Firstly, fractional differencing (FD) method is introduced to transform fractal noise into fractional white noise based on the estimation of Hurst exponent for long-term dependent fractal process, which together with the existing white noise make up of a generalized white noise. Further, an improved denoising algorithm of wavelet maxima is developed to suppress the generalized white noise. Experimental results show that the basic noise terms of FOG greatly decrease, and especially the slow drift is restrained effectively. The proposed methodology provides a promising approach for filtering long-term dependent fractal noise.     

Image decomposition using adaptive regularization and div （BMO）

In order to avoid staircasing effect and preserve small scale texture information for the classical total variation regularization, a new minimization energy functional model for image decomposition is proposed. Firstly, an adaptive regularization based on the local feature of images is introduced to substitute total variational regularization. The oscillatory component containing texture and/or noise is modeled in generalized function space div (BMO). And then, the existence and uniqueness of the minimizer for proposed model are proved. Finally, the gradient descent flow of the Euler-Lagrange equations for the new model is numerically implemented by using a finite difference method. Experiments show that the proposed model is very robust to noise, and the staircasing effect is avoided efficiently, while edges and textures are well remained.     

基于分形理论和神经网络的红外图像分割算法

针对实现红外图像的分割,快速准确地检测出红外序列中的人造目标的需要,结合分形特征和Ko-honen神经网络的特点,提出了一种基于分形技术的图像分割算法。该算法利用自然背景和人造目标的不同分形特征检测目标,提出了包括分形维数在内的7个红外图像特征,结合神经网络的自组织学习能力来进行图像分割。给出了算法实现的具体步骤。仿真试验结果表明,该算法能有效地实现红外图像的分割。