遥感模糊降质图像的扩散恢复算法研究及实现

图像恢复是图像处理中非常重要的一个方面,其方法是通过相应的退化模型和算法,对退化降质或受到噪声污染的图像进行重建,恢复原来的图像。作者介绍了利用传导扩散及反扩散模型,对因物体运动、大气湍流的扰动,拍摄时的散焦等引起的模糊降质图像的恢复算法,并给出了Laplace算子离散方法以及实现程序,提出了图像恢复的递推、迭代模型,基本解决了图像“盲恢复处理”的问题。对所述算法进行了全面的图像恢复测试、比较,证明算法具有较大的适应范围,可应用于勘探、遥感、司法刑侦、无损探测等领域的图像恢复处理。     

基于空间域的车辆运动模糊图像的恢复

从车辆运动模糊图像产生的机理出发,分析了运动模糊图像的退化模型,给出了一种在空间域中车辆运动模糊图像的运动参数估计及恢复算法,该算法不涉及系统的传递函数,而是根据车辆运动模糊的逆过程在空间域内直接进行图像的恢复,其效果受曝光时间内运动距离a的影响较小,可避免频域计算中可能出现的高频振铃现象,实验结果表明,该算法具有较好的恢复效果.     

基于位移Hermite分裂的图像恢复算法

针对传统图像恢复算法在反Hermite分量主导Hermite分量时, 难导出收敛分裂结果, 导致图像恢复效果较差的问题, 提出一种位移Hermite分裂的图像恢复算法. 先在矩阵分裂时引入位移参数定义准Hermite分裂, 再利用共轭梯度正规残差(CGNR)算法将定义分裂结果代入进行内迭代, 以此逼近每个外迭代, 每个外迭代则由系数矩阵的收敛分裂导出; 然后将导出的收敛分裂结果应用到图像恢复模型; 最后与广义最小误差方法、 广义预条件对称分裂方法进行对比实验. 实验结果表明, 该算法得到的迭代逼近结果更好, 所需的迭代次数和CPU时间明显减少, CPU占用时间仅0.25 s, 图像恢复效果较好.     

基于遗传算法的红外图像恢复研究

红外图像的恢复是红外图像处理的一项重要内容,分析了图像恢复的基本原理,提出了一种改进的二维遗传算法,给出了红外图像遗传操作的具体步骤。实验结果表明,方法有着较强的先进性和实用性。     

基于遗传算法的图像恢复技术研究

图像在产生、传送和记录过程中都会产生失真,在恢复时影响图像质量。文中对简单遗传算法在进行图像恢复时,存在＂过早收敛＂现象等问题进行了很好的改善。使用此算法与一般遗传算法恢复的图像进行对比,图像的清晰度明显优于后者。     

应用Hopfield神经网络优化最大熵的图像恢复算法

基于图像最大熵分析,提出了一种基于Hopfield神经网络优化的图像恢复算法.将图像恢复问题转化为Hopfield神经网络优化问题,取恢复图像熵函数最大以及原始图像与恢复图像之间的误差平方和最小作为图像恢复的目标,构造能量函数连续型Hopfield神经网络模型,由Hopfield神经网络能量函数极小化可得到问题的优化解,其算法通过仿真实验,验证了算法的优越性.     

基于遗传算法的散焦模糊图像辨识及恢复方法

根据散焦模糊图像的特点,本文提出了一种使用遗传算法确定散焦模糊图像退化模型参数的方法,给出了该算法的具体步骤,并据此对模糊图像进行了恢复,实验证明了该方法的可行性。     

基于遗传算法的散焦模糊图像辨识及恢复方法

根据散焦模糊图像的特点,本文提出了一种使用遗传算法确定散焦模糊图像退化模型参数的方法,给出了该算法的具体步骤,并据此对模糊图像进行了恢复,实验证明了该方法的可行性.     

基于模糊遗传算法的内窥镜图像的恢复

针对内窥镜图像恢复的需求,结合模糊先验辩识算法和遗传寻优的思想给出了一种基于模糊遗传算法的图像恢复算法.该方法采用模糊特征矩阵表示图像,再通过模糊遗传寻优以获得最佳的图像恢复,从而为含有严重噪声、模糊性和不确定性的内窥镜图像恢复提供了一种新的途径,实验结果表明,该方法比其他恢复算法具有更好的效果.     

基于LVQ神经网络的水果图像分割研究

由于传统边沿检测算子在水果颜色多样、亮度不均匀时,难以分割得到完整、无噪声的二值图像且依赖优化的阈值,本研究提出了一种基于LVQ神经网络的水果图像分割方案。首先将彩色图像转变为灰度图像;然后对Canny算子获得的边沿图像随机选取一些像素作为网络的学习监督信号,仅以灰度图像中相同位置像素3×3邻域的Kirsch算子梯度值作为输入,训练权值;最后重新将原灰度图像的Kirsch算子梯度值输入到训练好的网络中,获得封闭的边沿并填充得到二值图像。考察了14幅像素为640×480的水果图像,结果表明：网络在很宽广的阈值范围内（0.001 ~ 0.99）分割得到完整、一致的二值图像;面积误差最小为0.9%,最大为8.83%,不依赖于优化的阈值,不需要对原始图像滤波预处理。与没有阈值及滤波的算法相比,本方案的误差和时间复杂度均更低;与设置了阈值和/或滤波的算法相比,本方案与之相当,甚至效果更优。     

神经网络在图象复原中的应用

介绍了传统图象复原方法的一些缺陷和神经网络的优良特性，讨论了神经网络在图象复原中的应用，并对基于Hopfield神经网络和多层感知器的两类图象复原方法进行了较深入的探索。     

一种改进的BP网络图象压缩方法

本文提出了一种改进的ＢＰ网络图象压缩方法．该方法对输入图象矢量进行分类，不同类别的图象矢量分别由不同的ＢＰ网络来实现压缩和恢复．因为同一类别图象矢量间离散度较小，所以可降低ＢＰ网络的映射复杂度，从而达到改善图象质量的目的．实验结果表明，这种改进能有效提高恢复图象的信噪比和视觉质量，对数据压缩比影响很小．     

基于主成分分析—神经网络的医学图像刚性配准方法(投稿)

医学图像配准在临床诊断和治疗计划中起着重要的作用。应用特征图像的第一主方向提出了自动配准计算机层析术(CT)和磁共振(MR)大脑图像的方法。方案中,先应用主成分分析-神经网络来计算特征图像的第一主方向,然后通过调整特征图像的第一主方向和质心来完成配准问题。此外,还以MR-MR图像配准和CT-MR图像配准为例,对此方法的配准效果进行了简单分析。     

基于LVQ神经网络的医学图像识别研究

以医学肝脏CT图为研究对象,设计了一种基于LVQ神经网络的医学图像识别方法。基本思想是首先确定图像ROI区域,并作灰度映射变换。接着提取其颜色、纹理和形状特征构成表征医学图像的特征矢量,最后将特征归一化后利用LVQ神经网络进行识别。通过与其他典型神经网络识别方法的实验比较,结果表明,设计的方法能取得更为理想的识别效果。     

图像复原研究方法及进展

图像在形成、传输和记录过程中,由于成像系统和设备的不完善,而使图像的质量。介绍了图像复原的一般模型、和经典的几种图像复原方法,分析了其他的一些复原方法,并对图像复原技术进行展望。     

基于神经网络的自适应图像分割

非均匀光照条件下的图像目标难以用阈值选取方法分割，本文使用神经网络建立自适应阈值曲面，以此作为图像分割的依据．自适应阈值曲面由图像中具有高Ｌａｐｌａｃｅ值的边缘拟合而成，拟合过程由神经网络实现．计算机摸拟证实了此设想的可行性以及相对阈值分割方法的优越性．     

基于模板自适应细胞神经网络的图像处理及识别

本文介绍了一种适合于并行计算机的模型——细胞神经网络,它是神经网络的一种特殊形式,具有神经网络的识别、智能和联想能力．具体介绍了利用细胞神经网络（ＣＮＮ）实现二值图像和灰度图像边缘检测,详细分析了ＣＮＮ设计过程并作改进,引入了模板权值自适应的ＣＮＮ及其设计方法,并给出了仿真结果．     

基于BP神经网络的图像识别研究

提出一种采用BP神经网络实现钢材编号文字识别的方法？先采用彩色图像HSI空间中S分量的特性，定位钢材区域，然后利用一系列图像处理技术，对图像中钢材编号区域定位、分割字符，最后采用BP神经网络进行字符识别。实践证明，采用BP神经网络，可有效地识别铜材编号，速度快、识别率高，具有较高的实用价值。     

Image and Video Quality Assessment Using Neural Network and SVM

An image and video quality assessment method was developed using neural network and support vector machines （SVM） with the peak signal to noise ratio （PSNR） and the structure similarity indexes used to describe image quality. The neural network was used to obtain the mapping functions between the objective quality assessment indexes and subjective quality assessment. The SVM was used to classify the images into different types which were accessed using different mapping functions. Video quality was assessed based on the quality of each frame in the video sequence with various weights to describe motion and scene changes in the video. The number of isolated points in the correlations of the image and video subjective and objective quality assessments was reduced by this method. Simulation results show that the method accurately accesses image quality. The monotonicity of the method for images is 6.94% higher than with the PSNR method, and the root mean square error is at least 35.90% higher than with the PSNR.