基于小波域变分滤波器的超声图像去噪算法

针对超声图像的斑点噪声干扰问题,提出了一种基于小波域的变分滤波算法.该算法利用小波变换的时频特性,对低频域的小波系数使用基于贝叶斯最大后验估计的变分滤波器进行去噪;对高频域的小波系数选择自适应的小波阈值函数,然后使用基于拉普拉斯分布模型的小波收缩算法进行收缩处理.实验结果表明,与小波软阈值滤波器和变分滤波器相比,该算法在去噪能力和边缘信息的保留上均有较好的表现.     

基于贝叶斯估计的平稳小波去噪

提出了一种基础平稳小波变换的图像自适应去噪方法.以Laplace分布作为图像平稳小波系数的分布模型,利用贝叶斯最大后验估计原始图像的小波系数达到去噪的目的.实验结果表明,用该方法去噪能得到较高的峰值信噪比和较好的视觉效果.     

基于鲁棒估计的图像恢复耦合变分模型及其应用

从最大后验概率估计出发,分析了一类图像恢复变分模型与贝叶斯方法的统一性.将图像的梯度场的分布建模为ε-容许密度类,利用鲁棒统计学中的Hubber定理,导出了一个由二次函数和线性函数分段组成的鲁棒性密度,构造了一个耦合全变差积分和Dirichlet积分的变分模型.讨论了该变分问题的解的存在性,通过一种加权梯度最速下降流的时间步进法迭代求解,应用于图像恢复取得很好的效果.     

一种迭代小波域维纳滤波算法

在WienerChop算法的基础上,提出了一种改进的小波域维纳滤波器,在小波域采用基于贝叶斯估计的小波阈值去噪技术估计期望信号,提高估计的精度,并以此设计经验维纳滤波器;进一步适当选择多小波基,使每个基函数通过小波变换能够比其他小波基更好地捕捉信号的某些特定特征,从而实现WienerChop算法的迭代.仿真实验表明提出的迭代WienerChop算法有效地改善了去噪后图像的均方误差和信噪比,与BayesShrink算法和非迭代的WienerChop算法相比,迭代WienerChop方法去噪后图像的峰值信噪比增益分别达到0.78~1.00dB和0.36~0.49dB.     

贝叶斯框架下的模糊图像盲去卷积算法

为了去除图像模糊的同时,保持图像边缘等细节信息,需要对原始图像和点扩散函数进行准确的估计.在贝叶斯框架下,基于总变分模型,建立原始图像和点扩散函数的先验模型,同步估计原始图像和点扩散函数.对于总变分模型不可微分的问题,在不影响速度的前提下,用迭代重加权范数算法处理该问题.基于共轭分布理论,提出以伽马分布作为未知参数的先验模型,准确估计参数.实验表明该算法在对原始图像、点扩散函数和参数准确估计的基础上,成功地解决了模糊图像的盲去卷积问题,算法的速度和效果都得到了改进.与同类算法相比,本文提出的算法具有一定优势.     

基于1αβ空间和抗混叠Contourlet变换的遥感图像融合算法

针对遥感图像中多光谱和全色图像的融合问题,提出一种基于lαβ空间和抗混叠Contourlet变换(non-aliasingcontourlet transform,NACT)的融合方法.该方法首先将多光谱图像进行lαβ变换,对其l分量和全色图像分别进行抗混叠Contourlet变换;然后,利用循环平移(cycle spinning,CS)算法消除由于变换缺乏平移不变性而引起的图像失真,对得到的低频子带系数和各带通方向子带系数分别进行融合;最后,通过抗混叠Contourlet逆变换和lαβ逆变换得到新的l分量以及融合后的高空间分辨率的多光谱图像.实验结果表明,该算法优于传统的色度-亮度-饱和度(hue-intensity-saturation,HIS)变换融合方法、小波融合方法以及Contourlet变换方法.     

基于贝叶斯估计的图像去噪算法研究

本文提出了一种基于贝叶斯最大后验概率估计（Bayesian MAP）的图像去噪方法。通过 Matlab软件仿真,对均值滤波、中值滤波、小波阈值去噪和本文提出的图像去噪方法进行分析比较。实验表明：本文提出的方法根据图像和噪声的特点,在小波变换之后,对其中的高频系数进行贝叶斯最大后验概率估计,比其他几种图像去噪方法更能提高去噪后图像的峰值信噪比,更好地保留了图像的细节特征,取得了较好的视觉效果。     

基于lαβ空间和抗混叠Contourlet变换的遥感图像融合算法

针对遥感图像中多光谱和全色图像的融合问题,提出一种基于lαβ空间和抗混叠Contourlet变换(non aliasingcontourlettransform,NACT)的融合方法.该方法首先将多光谱图像进行lαβ变换,对其l分量和全色图像分别进行抗混叠Contourlet变换;然后,利用循环平移(cyclespinning,CS)算法消除由于变换缺乏平移不变性而引起的图像失真,对得到的低频子带系数和各带通方向子带系数分别进行融合;最后,通过抗混叠Contourlet逆变换和lαβ逆变换得到新的l分量以及融合后的高空间分辨率的多光谱图像.实验结果表明,该算法优于传统的色度 亮度 饱和度(hue intensity saturation,HIS)变换融合方法、小波融合方法以及Contourlet变换方法     

基于小波域显著性修正的SAR图像相干斑抑制

提出了一种基于小波域统计建模与小波系数显著性修正相结合的斑点噪声滤波方法．通过对数变换将乘性噪声模型转化为加性噪声模型,将对数变换后的图像进行小波变换并对小波域的高频子带系数用混合高斯模型与隐马尔可夫树模型进行建模,采用EM算法来估计模型参数．利用贝叶斯最小均方误差准则来估计“干净”的小波系数,在贝叶斯最小均方误差估计的基础上引入基于显著性准则的小波系数进行修正,显著性准则采用小波系数的模极大值准则作为判据,通过小波逆变换与指数变换获得抑制斑点噪声后的图像．实验表明,所提出的方法能够有效地抑制SAR图像中的斑点噪声,同时能够很好保存边缘细节结构与强散射中心．     

一种基于非降采样Contourlet变换的遥感图像融合方法

给出了一种非降采样Contourlet变换和HIS变换相结合的遥感图像融合算法.非降采样Contourlet变换是一种平移不变的小波变换方法,且具有良好的方向选择性,其对图像做多分辨率分析得到的高频子带,有效地表达了图像中的细节特征信息.结合HIS变换,非降采样Contourlet变换将细节注入到多光谱图像得到的融合图像,不但具有较高的空间分辨率,而且有效保持了多光谱图像的光谱特征.实际的SPOT全色图像和TM多光谱波段融合结果表明,所提议方法的性能优于目前广泛使用的小波域方法如离散小波变换和A Trous小波变换以及Contourlet变换等融合方法.     

基于变指数分数阶全变差和整数阶全变差的图像恢复算法

结合变指数全变差(totalvariation, TV)和整数阶TV,提出一种变分图像恢复算法。该变分问题的能量泛函主要分为三个部分:变指数p(x)的分数阶TV正则化项、整数阶TV正则化项和数据保真项。该模型中的指数p(x)是与图像的梯度信息有关的函数。在理论上,由于分数阶导数和整数阶导数的结合,使得所提方法不仅能有效地去除图像噪音,保护图像的边界高频信息,还能更好地保留图像的纹理细节等中低频信息,同时可以极大地消除图像处理中产生的阶梯效应和散斑效应。在模型的求解上,利用变分法可以简单地将极小化泛函的优化问题转化为梯度下降流方程。最后,通过模拟数据和真实数据对本文所提方法进行了验证。试验结果表明,该方法可以去除噪声的同时,有效保持边界和纹理细节,并且对噪声是鲁棒的,具有一定的实际应用价值。     

基于变分混合模型同步实现图像去噪和反差增强

针对反差较低的且包含噪声的医学图像,依据图像直方图特点设计分段拉伸函数,并与基于梯度和拉普拉斯算子的图像去噪变分模型结合,建立新的变分模型,同步实现图像去噪和反差增强。该模型可有效消除图像光滑区域出现的阶梯效应,从而避免在图像增强过程中出现的假边界问题。同时,还为所提出的模型设计了Split—Bregman算法,以提高计算效率。最后通过实验对所提出的模型和算法的有效性进行了验证。     

时间序列分析在粮食产量预测中的应用

出于对实际应用的考虑,在利用Box-Jenkins建模方法处理时间序列数据时,给出了一种新的基于先验信息的Bayes估值方法.由于此估值方法涉及到复杂的后验概率计算问题,所以本文给出了运用Gibbs抽样及SIR抽样算法来对后验概率进行计算的具体算法.其次,应用以上理论,对1949年至2009年的粮食产量数据进行分析,并...     

基于贝叶斯算法的神经网络优化方法

提出了一种近似建模的前馈网络训练算法一贝叶斯算法,该方法能对模型中的未知量构造其后验分布,提高网络的泛化性能,获取对应于后验分布最大值的权值向量．结果表明,贝叶斯算法所建立的神经网络近似模型具有更高、更稳定的精度．     

增强的张量鲁棒主成分分析模型及其应用

鲁棒主成分分析（RPCA）是处理图像恢复和背景建模问题的常用模型。针对原始RPCA及其改进模型对输入数据低秩结构的依赖性过强问题，提出一个增强的张量鲁棒主成分分析模型（E-TRPCA）并构造了一个新的增强张量核范数（E-TNN）正则项。E-TNN基于张量数据的低维子空间投影约束其低秩性，可以更真实地反映张量数据的潜在结构，增强模型的泛化性。利用交替方向乘子算法（ADMM）对目标函数进行优化求解，在图像去噪和背景建模上的实验结果表明所提方法在图像恢复效果和运行时间方面要优于当前的其他方法。     

一种基于低秩表示的高光谱图像恢复方法

高光谱图像(HSI)在获取过程中不可避免地受到各种噪声的干扰,如高斯白噪声、冲击噪声、坏死的线条等.为了确保后续应用能够顺利进行,高光谱图像的恢复是一项重要的预处理过程.文中提出一种新的高光谱图像恢复方法,主要有以下两点贡献:其一,将低秩表示模型引入到高光谱图像恢复中;其二,利用高光谱图像的相似图像块进行联合低秩表示.模拟和实际高光谱图像数据的实验结果表明,所提出的方法能有效地去除各种噪声干扰,同时较好地恢复图像细节,因此可作为一种实现高光谱图像恢复的有效手段.     

增强的张量鲁棒主成分分析模型及其应用

鲁棒主成分分析(RPCA)是处理图像恢复和背景建模问题的常用模型。针对原始RPCA及其改进模型对输入数据低秩结构的依赖性过强问题,提出一个增强的张量鲁棒主成分分析模型(E-TRPCA)并构造了一个新的增强张量核范数(E-TNN)正则项。E-TNN基于张量数据的低维子空间投影约束其低秩性,可以更真实地反映张量数据的潜在结构,增强模型的泛化性。利用交替方向乘子算法(ADMM)对目标函数进行优化求解,在图像去噪和背景建模上的实验结果表明所提方法在图像恢复效果和运行时间方面要优于当前的其他方法。     

单幅运动模糊图像的恢复及应用

运动模糊图像复原技术高度依赖于点扩散函数的估计,即估计线性运动模糊的方向和长度,这两个参数与物体实际运动速度有一定几何关系。本文在去除运动模糊的同时,提出一种基于单幅模糊图像估计车速的方法。由于运动模糊通常发生在图像的动态区域,因此在恢复图像的同时依据成像几何、相机摆姿和估计出的模糊参数经过数学推导可以计算出车速。本文依据模糊像素扩散现象及模糊图像在频域的性质来估计模糊参数,结合维纳滤波方法进行复原。从而辨识车辆、估计车速、辅助交通管理。实验表明本文方法实用性强,效果较好。     

基于轮廓检测的自然图像分割

提出一种基于轮廓检测的自然图像分割方法,该方法结合了MDL(最小描述长度)统计技术和用变分水平集函数求解活动轮廓模型的图像分割方法.该方法可有效的分割出图像中最突出的感兴趣目标,实验表明本方法与当前技术相比分割效果更好.     

一种基于概率神经网络模型的胃病诊断专家系统

给出了将神经网络与基于规则的专家系统结合起来的一种神经网络模型,在这种模型中,一方面,领域知识以显式方式表示,神经网络的并行推理过程是可以理解和解释的;另一方面,由于通过贝中斯后验概率指定权值,因此避免了神经网络漫长的递归学习过程,提高了学习效率。