基于视觉显著性的分块自适应压缩感知算法

针对SAR图像的压缩感知重建问题,在分块压缩感知框架的基础上,提出了基于视觉显著性的分块自适应压缩感知算法.在采样阶段,每个子块的采样率依据显著信息自适应的变化;在重建阶段,根据不同图像显著信息的差异,自适应地滤波.实验结果表明:该方法不仅重建结果的整体质量更优,视觉效果更好,而且在重建后的图像中能更好地保持边缘和目标等重要特征.     

基于高分辨率特征保持的图像去模糊

基于深度学习的方法在去模糊领域已经取得了很大的进展,但目前的CNN结构通常会对特征图进行下采样,导致图像特征在网络学习过程丢失.针对这些问题,本文设计了一种基于高分辨率特征保持的图像去模糊网络,与现有的串行连接由高-低分辨率图像特征图不同,所设计网络并行连接由高至低各分辨率特征子网络,而无需经过由低分辨率到高分辨率的重...     

基于DeblurGAN的文本图像去模糊算法

为了去除文本图像的模糊,对比了几种常用的去模糊算法后,使用效果更加优秀的Deblur-GAN生成对抗网络算法对模糊文本图像去模糊,并对原算法进行了多处改进以满足文本图像去模糊的要求.实验表明改进后的DeblurGAN的去模糊效果有明显提升.     

基于低分辨率图像约束的BTV图像去模糊算法

多帧图像超分辨率重建算法为了简化算法复杂度,将整个图像重建过程分为数据融合与图像去模糊两步.然而,数据融合过程会丢失一些弱小细节信号,直接使用常规图像去模糊方法是无法将其复原的.为此,提出将低分辨率图像约束（LRIC）引入基于双边全变分（BTV）的图像去模糊优化,并利用梯度下降法求解,获得了BTV-LRIC算法.实验表明,对于不同图像内容或数据融合算法生成的数据融合图像,BTV-LRIC法获得的复原图像在视觉效果和客观评价上均优于TV法和BTV法.      

基于滤波的单幅图像去雾方法

基于Tarel方法提出一种新的基于滤波的单幅图像去雾方法. 先利用双边滤波求出初始的大气散射光, 较好地保持了边缘平滑纹理; 再利用自适应中值滤波器进一步求得边缘清晰、 纹理平滑、 景深信息真实的大气散射光; 然后基于分层搜索的四叉树分解方法求得大气光; 最后, 依据雾天退化模型得到复原的图像. 与经典去雾算法对比结果表明, 使用该方法复原的图像更接近真实图像, 特别对于纹理较丰富的区域和远景区域去雾效果更明显.     

基于MRDMD模型的噪声图像显著性检测方法

针对当前显著性区域检测方法对具有噪声的图像检测不准确的问题,提出一种基于多分辨率动态模式分解的显著性区域检测方法,该方法将动态模式分解(dynamic mode decomposition,DMD)与多分辨率分析(multi-reso-lution analysis,M RA)结合在一起,在时域和空间域中对多尺度系统进...     

无人机视角下的红外图像去模糊算法

针对油气长输管道采用无人机巡检时所拍摄的红外图像去模糊问题,本文利用图像通道的先验知识提升模糊图像质量,分别基于双边滤波和非盲去模糊网络NBDN去除人工伪影的方法达到更佳的图像复原效果。首先,基于暗通道先验知识,在最大后验的优化框架中添加暗通道的L_0正则项;然后使用图像梯度的L_0正则项,代替图像像素的L_0正则项作为潜在图像的正则化约束,使用迭代交替估计图像模糊核和中间潜在图像;采用半二次分裂方法和查表法间接优化求解,估计中间潜在图像;采用双线性插值估计图像模糊核,通过对图像进行上下采样,构建图像金字塔,进而利用共轭梯度法直接优化求解。最后,利用估计的模糊核,使用基于超拉普拉斯先验的图像非盲去模糊方法得到潜在图像I_1;使用基于L_0正则化的非盲去模糊方法得到潜在图像I_0;计算估计的潜在图像I_1和I_0之间的差值映射,从I_1中减去双边滤波过滤后的差分图,得到最终的潜在图像I。将本文算法在低照度图像、含有饱和像素的图像、真实图像以及红外摄像图等图像数据上进行实验,相对于其他图像去模糊算法,实验结果表明本文提出的方法在多种模糊图像复原效果上,均具有较强的竞争力。     

基于L_p稀疏正则的图像去模糊方法研究

在图像去模糊问题中,图像的模糊核估计是重中之重.通常图像的梯度服从重尾分布这一先验被广泛的运用于图像的模糊核估计中,然而受限于非凸优化的数值求解方法,人们往往采用图像梯度的L1范数或者L2范数来近似,从而构造出计算较为简单的凸优化能量函数来估计模糊核.为此,本文提出一种基于Lp稀疏正则的非凸优化的模糊核估计方法,该方法以服从超拉普拉斯分布的图像梯度的Lp范数为稀疏先验项,有效的提高了先验知识的准确性的同时增强图像的强边缘,抑制了细小边缘对模糊核估计的影响.在对Lp范数的数值求解问题中,本文采用GISA(generalized iterated shrinkage algorithm)可以简单且有效的求得任意p值下的最优解.实验表明与传统方法相比,本文方法有效地提升图像的质量,去模糊后的图像更加清晰.     

基于DCT块特征与背景先验的JPEG图像显著性检测算法

提出一种新颖的基于最短路径的JPEG图像显著性检测算法.算法在JPEG图像的DCT系数块中直接提取出灰度、纹理和颜色3种低层次图像特征;然后,通过计算其内部块到达图像边界的最短路径来得到最终显著性值;最后,在公开测试集MSRA-1000上与多种图像显著性检测算法进行对比.实验结果显示,方法在4种不同的评测标准上都优于对照算法,并且能够快速、高效地产生令人满意的显著性图.     

基于字典稀疏表示和梯度稀疏的图像盲去模糊

基于超完备字典稀疏表示的图像复原利用字典的冗余性能够有效地恢复出图像的结构特征,但由于使用字典稀疏表示时需要对整幅图像进行分块处理,导致复原后的图像块之间重构图像常出现"伪像"效应。针对这一问题,本文将图像梯度稀疏统计特性作为先验知识加入稀疏表示图像盲去模糊模型中,提出了一种基于字典稀疏表示和梯度稀疏的图像盲去模糊算法,同时分析了算法的整体优化求解方法。实验分析和结果表明,本文算法能在一定程度上去除图像块之间的"伪像"效应,保持图像的结构特征和整体平滑。本文算法的去模糊图像在峰值信噪比和视觉效果两方面均有显著提高。     

基于显著性保持的多聚焦图像融合

提出一种基于显著性保持的多聚焦图像融合方法.该方法首先利用显著性评测函数计算源图像的显著性特征,然后利用显著性系数构建融合图像的目标梯度,最后迭代求解得到融合图像.同时研究了利用显著性特征融合彩色图像中的色调和饱和度分量.多聚焦图像上的实验结果表明该算法相比较其他算法具有更好的融合效果.     

基于像素特征的路面裂缝图像自适应滤噪

分析了破损路面图像的像素点区域特征，针对不同区域提出加权邻域滤波和自适加权中值滤波算法。其权值是通过对图像中区域特征的推理得到的，所以算法中能根据图像的区域特征自适应的进行滤波。试验表明，本算法能够有效滤除噪声，并具有很好的细节保护能力。     

基于方差的WMSN图像非均匀分块自适应压缩算法

针对无线多媒体传感器网络数据量较大和储存能力有限等问题,提出了基于方差的图像非均匀分块自适应压缩算法。在传统的压缩方法中,均匀分块的稀疏变换对图像信号进行压缩,会带来图像重构的块状效应,而且无法有效地分离出重要区域或者背景区域。给出一种基于方差的图像非均匀分块自适应压缩算法,以图像方差值作为块大小分割依据,利用四叉树算法进行图像块大小的划分。并将分块大小结果分成快速变化块、过度块和缓慢变化块3类,适时做不同程度的压缩。实验结果表明：本文所提出的算法在图像重构质量方面优于传统的均匀分块压缩方法。     

多聚焦图像的自适应分块融合方法

人类的视觉系统对图像边缘区域非常敏感,属于不同区域的像素在边缘位置处的相似性最低。为了体现多聚焦图像在成像方面的差异,突出不同图像中的聚焦景物,提出一种基于像素块灰度相似矩阵的自适应多聚焦图像融合方法。方法以像素块灰度相似矩阵及其偏差中值作为融合的分块及融合准则,即根据像素块的灰度相似性来对融合源图进行自适应分块并依据偏差中值对分块后的图像进行融合的方法。由实验、主观评价及客观评价(标准差、清晰度、最大偏差、空间频率)结果显示,该方法优于常规小波变换融合方法。     

基于RGB通道下模糊核估计的图像去模糊

图像去模糊旨在从受损图像中恢复出清晰图像。由于模糊过程未知,精确地估计出模糊核函数,成为得到清晰复原图像的关键。对于彩色图像来讲,现存的方法只考虑在灰度域估计模糊核。事实上,各个通道的色彩分量图所受到的模糊核函数的影响是不同的。为此,提出一种获得更加精确的模糊核的方法,利用彩色图像的3个色彩通道(RGB channels)代替灰度域分别进行模糊核估计,并将估计出的模糊核应用到基于细稀疏表示的复原模型中进行去模糊处理。仿真实验表明,提出的方法比目前的方法能够获得更好的图像复原效果。     

基于周期图的自适应谱估计方法

移动的修正周期图谱估计方法在实时处理和非平稳信号处理的场合中是常用的一种有效方法。本文利用其相邻时刻数据组中的数据大量重叠的特点,提出一种谱递推形式的快速自适应谱估计方法,显著地减小了原方法的运算量。     

一种基于线性化Bregman迭代的图像去模糊新方法

基于线性化Bregman迭代法带有软阈值算子的A+算法,结合广义逆迭代格式,提出一个新的混乱迭代方法求解图像的去模糊问题。在算法上充分考虑对细节信息的有效利用,以弥补在每步迭代过程中为了去模糊而过滤掉的图像细节特征的损失,达到有效滤波的效果。同时在计算时间和恢复效果之间取得平衡。数值试验结果表明,新方法在提高计算效率的同时还能得到很好的图像恢复效果,特别是细节特征和稀疏纹理的恢复。     

基于显著性主动学习的SAR图像分类

SAR图像分类是实现SAR图像理解和解译的关键步骤,本文将显著性检测、主动学习和支持向量机分类技术相结合,提出基于显著性主动学习的SAR图像分类算法.该算法首先将基于卷积和下采样得到不同尺度的SAR图像;然后对各尺度SAR图像进行显著性检测,分为显著性区域与非显著性区域,最后对区域内像素提取特征,并由基于支持向量机的主动学习方法进行分类.实验结果表明:本文提出的方法极大提高了支持向量机分类的精度和效率.