小波域多聚焦图像融合算法

研究了小波域多聚焦图像融合方法中滤波器、分解层数、融合规则的选取问题,提出一种基于小波变换的简单融合规则。利用小波变换将图像分解成最低频逼近和不同尺度、不同方向的高频细节信息,最低频逼近反映图像的平均信息,细节包含图像的边缘。根据多聚焦图像中细节信息互补的特点,对多个待融合图像简单地取模值较大的小波系数,得到了很好的融合图像。详细讨论了不同的小波滤波器、分解深度、融合算子对融合结果的影响。对小波域图像融合算法与其它一些多分辨图像融合算法:如Laplace塔、比率塔、对比度塔、梯度塔等进行比较,得到了一些定性结论,对该领域的研究和实验有一定的指导意义。     

主动轮廓小波多尺度变形边缘提取方法

主动轮廓在图像分割和边缘检测中得以广泛应用,但其也受到多种因素的影响.针对图像轮廓周围其它图像信息对轮廓边缘的干扰,以及进化曲线难以到达深度凹陷的问题,提出了主动轮廓小波多尺度变形轮廓边缘提取方法,利用小波变换的多尺度分析来缩减或淡化非轮廓边缘信息,解决由于噪声以及轮廓周围其它图像信息对进化曲线的错误引导;通过对正则化力场进行改善,在进化曲线的动态轮廓搜索点上构建一自适应外力来引导凹陷处轮廓的进化方向;最后,给出了该方法的具体算法步骤.这些措施的实施,较好地解决了所研究的问题,实验表明该方法是可行和有效的.     

基于盲压缩感知模型的图像重构方法

为了解决压缩感知重建中噪声引起图像质量明显下降的问题,研究了自适应学习的压缩感知模型,提出了一种盲压缩感知图像重构方法。该方法采用盲压缩感知的稀疏矩阵与稀疏基交替更新的思想,应用了图像冗余变换和初始组合余弦变换基相结合的迭代策略,解决了压缩感知中的稀疏基难于表示的问题,抑制了噪声,提高了图像重构质量。通过实验验证所提方法较基于小波变换的正交匹配追踪方法和全变差方法有明显的噪声抑制功能,且能保持较好的图像纹理信息。     

一种新的基于小波变换的图像融合方法

提出了一种新的基于小波变换的多光谱与高分辨率图像融合方法。该方法通过强度因子有效地将高分辨率图像经小波分解的低频分量信息融合到多光谱图像经小波分解的低频分量中去 ,使得经过小波反变换的融合图像较大程度地保留了多光谱图像的光谱信息和高分辨率图像的空间分辨率。给出了该方法的融合结果 ,并与小波变换法 (WT方法 )进行了比较 ,证明了该图像融合方法的正确性和有效性     

基于HASH感知和小波变换的目标跟踪算法

为了解决视频跟踪过程中,由于运动目标在实际运动中常存在旋转、缩放等形变导致的目标丢失问题,提出了一种融合了图像HASH值、小波变换和模板匹配算法的目标跟踪算法。该方法利用背景差分法得到运动目标模板,通过对图像信息进行小波变换得到低频子图像,并在低频子图像中进行全局搜索,确定最佳匹配区域。模板更新策略利用图像间HASH距离,判断图像间的相似性决定是否更新模板。实验仿真结果证明,该算法在运动目标存在缩放、旋转等形变时,仍可以准确跟踪目标。     

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。     

基于分级变换的自适应立体对应算法

通过分级变换将图像从灰度空间转换到新的等级空间,然后构造相应的匹配代价函数计算两个图像点之间的最大相似度,从而找出对应点和偏移值。分级变换可以有效的解决在立体对应中经常遇到的图像噪声、失真及左右图像的亮度差异等问题。大多数的自适应立体对应算法是以偏移量和灰度值两个自变量来构造代价函数,而构造合适的代价函数是一个困难的问题。本文中提出自适应窗选择算法只与灰度值有关。首先通过边缘检测提取出灰度边缘信息。本算法仅根据灰度边缘信息就可以进行自适应窗的选择。自适应选择图像窗的过程与偏移值无关,从而降低了构造代价函数的难度。实验结果说明本算法能够生成准确度较高的深度图,是一种较好的局部立体对应算法。     

基于SMOTE和深度迁移卷积神经网络的多类不平衡遥感图像分类算法研究

在遥感图像分类实际应用中，深度学习经常面临高光谱数据有效标签不完备、样本多类不平衡和数据分布随时空动态变化等问题，难以发挥优势。基于上述问题，提出一个基于人工少数类过采样方法(synthetic minority oversampling technique, SMOTE)和深度迁移卷积神经网络的土地覆盖分类算法。所提算法创新性地采用深度迁移学习，使算法能够学习不同时空相同地物的相似性，并利用SMOTE方法对学习数据进行类分布空间优化平衡，从而解决目标域数据不足和数据类不平衡问题。两组公开的高光谱遥感图像被用来验证所提算法的有效性。实验结果表明，相比传统的深度学习，所提算法能够更有效地解决数据不足和数据类不平衡问题提高分类精度。     

基于多小波域对比度的图像融合算法

针对多小渡理论在图像处理领域的应用,给出了多小波域中图像的方向对比度的定义,并提出了基于多小波变换的、使用方向对比度进行自适应加权平均融合和选择性融合的算法.该算法利用多小渡变换对原图像进行分解,根据得到的分解系数计算相应的对比度,然后建立基于对比度的融合规则.使用这些算法对多谱图像进行了融合实验,并给出了评价融合质量的对比结果.结果表明,基于多小波变换的方向对比度的图像融舍算法在保留图像细节信息、增加信息量方面都有明显的提高.     

含时延的多智能体系统的多静态领导者包容控制

对基于有向固定拓扑的多静态领导者的多智能体系统的包容控制问题进行研究。在系统中智能体之间信息传递存在固定通信时延的情况下,应用拉普拉斯变换技术分别研究一阶和二阶连续时间多智能体系统,通过对系统传递函数的稳定性分析而求取系统状态稳定条件,并应用终值定理,最终得到了保证系统实现包容控制的时延限制条件,最后用仿真验证了该结论的有效性。     

基于子图融合技术的图像增强算法

自由参数的选取以及全局性的灰度映射函数限制了空域图像增强方法的性能。针对这一问题,从图像融合的角度出发,提出了一种基于子图融合技术的图像增强方法。首先,将自适应空域图像增强看作是一个图像融合过程,将通过枚举自由参数得到的子图序列作为待融合的图像;其次,根据图像细节、饱和度、亮度信息来计算待融合图像的权重;最后,根据估算的权重进行图像融合得到增强图像。另外,将这一方法应用于改进一些较为常用的空域图像增强算法，如:分段线性变换、Gamma校正、对比度拉伸变换等算法。根据实验结果可知,所提方法能够有效地提高空域图像增强的视觉效果。     

基于并行映射卷积网络的超分辨率重建算法

针对基于卷积网络的超分辨率重建算法对不同场景下的图像存在复原质量不佳、细节信息丢失的问题,对卷积网络结构详细分析,结合重建模块和损失函数约束条件存在的问题,提出了基于并行映射卷积网络的超分辨率重建模型。该模型基于端到端的思想,构建并行映射网络及正则化约束条件,能对图像特征进行层次化自主提取,在高分辨率图像重建时极大地丰富图像特征的维数;并且将全变分正则化引入到重建模块,有效地克服了超分辨率的病态问题,从而获得鲁棒、丰富的图像信息,提升了重建图像的质量。实验结果表明,所提出的网络模型具有更优异的性能,其超分辨率算法在视觉评价和量化指标上取得了更好的重建效果。     

基于SVR和DCT的数字图像水印算法

针对彩色图像,提出了一种利用支持向量回归机（support vector regression, SVR）将水印信息嵌入到图像亮度分量的离散余弦变换（discrete cosine transform, DCT）域中的算法。主要思想是应用彩色图像的YCbCr彩色空间,将亮度分量分块后做离散余弦变换,在DCT块中选择中频系数,利用SVR很好的学习和泛化能力,建立中频系数与其邻域系数之间的关系模型,然后根据中频系数和SVR模型预测输出值,调整中频系数嵌入水印。提取水印时重新训练SVR模型,但不需要原始载体图像,实现了水印的盲检测。实验结果表明,该算法具有良好的不可感知性,对色度变化、低通滤波、模糊、锐化、亮度、对比度增强、添加噪声以及几何变换等攻击均具有较强的鲁棒性,尤其对JPEG压缩具有很强的抵抗能力。     

二维不可分滤波器级联小波的图像去噪算法

针对目前数字图像处理中的图像多方向信息提取问题,提出了一种利用二维不可分滤波器提取多方向信息的小渡域图像去噪算法.该算法首先设计两个具有方向性的二维不可分滤波嚣,然后通过小波变换简单有效地提取了图像六个方向上的方向信息,最后用带有椭圆型方向窗的小波域局部阈值维纳滤波算法对含噪图像进行去噪.通过仿真实验表明,图像多方向信息的提取简单有效,且去噪效果相比于已有的基于二维可分小波的图像去噪算法有了显著的提高.     

基于贝叶斯模型的shearlet域SAR图像去噪方法

通过对合成孔径雷达(synthetic-aperture-radar,SAR)图像相干斑噪声的特点分析,提出一种基于贝叶斯模型的shearlet域SAR图像去噪方法。首先将变换后的SAR图像在shearlet域进行稀疏表示,得到稀疏系数的分布;其次利用贝叶斯模型进行信号和噪声检测的建模,得到最佳的阈值;然后根据稀疏系数在不同方向上相关性不同的特点,利用自适应加权收缩算法对SAR图像噪声进行平滑处理;最后利用降噪后的高频子图像和低频子图像进行逆shearlet变换,得到SAR重构图像。通过在MSTAR数据库上的实验表明,该算法在滤除相干斑噪声的效果上比其他方法更好,并且不会损失图像的边缘特性。     

适用于机器人视觉的图像分割方法

针对复杂图像分割问题开展研究,并以机器人视觉中目标搜索和识别问题为支撑目标,结合该背景明确提出了图像分割算法性能评价标准和侧重点,基于此约束,以Mean Shift分割方法为基础,并重点考虑了分割尺度的有效控制、分割过程兼顾场景深度信息等问题,对算法进行了针对性改进。针对分割尺度控制问题,提出了边缘敏感度的概念,提高了算法尺度分块的控制能力。针对深度信息融合问题,采用了双目视觉立体匹配和基于Kinect传感器的两种深度信息获取方法,均成功实现融合并提高了分割效果。实验结果表明,本文算法与传统Mean Shift算法相比具有明显优势,不仅能更有效地控制分割尺度,还能成功分割原算法难以分割的特殊情况。     

融合纹理信息的深度图像修复

针对低质量深度图像中存在的空洞和噪声问题,提出了融合纹理信息的深度图像修复算法。首先利用形态学操作对空洞进行优化,基于区域的分割算法完成空洞区域分割;然后将提取出的空洞区域进行纹理信息填补,分析空洞区域与同场景彩色图像的局部结构相似性,完成空洞初修复;最后利用灰度级图像重建算法,对边缘空洞区域进行填充和平滑处理。基于标准数据集Middlebury,所提算法与快速行进算法、自适应中值滤波算法和形态学重建算法相比,对大面积空洞信息完成了良好的修复。在获得较好修复效果的同时,该算法保持了图像的结构完整性和整体平滑性。     

基于联盟的无人机集群编队控制方法

针对切换拓扑结构下的集群编队控制问题,设计只需个别无人机获取虚拟长机信息也能保证集群连通性的编队控制算法。当队形变换或部分通讯网络故障导致网络拓扑结构发生改变时,以距离为原则对集群进行联盟划分,各联盟内部成员以信息浓度大小为标准同其他成员进行竞争,由信息浓度最大的无人机获取虚拟长机信息,其联盟成员通过与该无人机通讯间接获取虚拟长机信息。该算法使得每架无人机在任意时刻都能直接或间接地获取虚拟长机信息。引入集群对虚拟长机的反馈机制,与传统反馈算法不同的是,本文中反馈无人机的数量和组成成员都是变化的,从而提高了系统的收敛速度和鲁棒性。在此基础上进一步讨论编队的损伤问题,设计了一种基于分层的分布式递归自修复算法,解决了网络分裂状态下的自修复及修复后队形变化过大的问题。仿真结果表明了所建模型的合理性和求解方法的有效性。     

抗几何变换的小波域自适应图像水印算法

小泼变换不具有几何不变性，因此，小渡域水印对抗几何攻击是一个十分困难和富有挑战性的课题。提出了一种抗几何变换的小波域自适应图像水印。此方法根据人眼视觉系统掩蔽特性，将水印自适应地嵌入DWT域的低频子带。并且通过在DFT中频区域一个圆环上嵌入模板以及对一个限定区域不变质心的提取，实现在水印检测前估算和校正图像所经历的几何变换。实验结果表明：该水印不仅具有较好的不可感知性，而且对诸如旋转、缩放、平移等几何变换和常规的图像处理具有较强鲁棒性。     

基于深度图象Warping的动态图形反走样算法

时间域上的动态图形反走样算法是提高序列画面图象播放质量的关键技术。由于该技术需在时间域上加密采样，因而其计算过程非常耗时。本文首先给出了一种新的深度图象ｗａｒｐ－ｉｎｇ算法，并用它来快速生成由于摄像机参数变化而产生的静态景物画面的细微变化，而运动景物画面则根据其深度值复合到相应时刻的静态景物画面中。利用这一技术，我们可快速地在相邻帧画面中间进行加密采样。而Ｇａｕｓｓ点优化采样策略则极大地提高了反走样算法的效率。理论和实验结果表明，本算法能高效地实现复杂场景图形的动态反走样，它不仅独立于场景复杂性，而且可根据画面质量要求来调整精度。