应用启发式边缘生长的遥感影像分割

基于边缘的遥感影像分割方法有两个难点：边缘点检测和边缘线连接. 文中提出一种基于启发式边缘生长的分割方法. 首先对Canny 算子进行三方面的改进以准确提取边缘点：自适应小波去噪、最优双阈值计算、基于邻域全变分的边缘决策. 定义一个新的边缘连接异质性指标,包括空间异质性和光谱异质性. 在此基础上提出启发式的全局交互最优决策技术以正确连接断裂边缘线. 文中用快鸟影像和航空影像进行分割实验,并与eCognition 的分割结果进行定性和定量比较. 实验表明启发式边缘生长分割方法能正确地连接绝大多数边缘线,并提供准确的分割结果.     

弹性波反演的多尺度全变分法

通过引入全变分正则化来代替传统的Tikhonov正则化,在多尺度算法思想基础上,构造一种快速有效的反演方法—多尺度全变分法。针对待反演参数不连续的情况,提高了算法精度。通过对弹性波方程反演模拟,结果表明:所提出的多尺度全变分法是一种稳定,快速和精确的反演方法。     

基于平滑核的广义变分去噪模型

基于偏微分方程的变分模型是目前图像处理中最好的方法之一,然而,在解决图像去噪中的反问题时,传统的全变分模型存在"阶梯"效应这一固有缺陷.针对该不足,本文提出了一种基于平滑核的广义变分去噪模型(即u=arg min{J(u)=∫Ωφ(|△u|)dxdy+λ/2∫Ω|u-u0|3 dxdy}),该模型采用通用形式的平滑核函数作为图像的正则化项,选取一种鲁棒性好和边缘保持能力强的势函数,利用变分原理推导出与该模型相应的偏微分方程,最后给出了结合梯度加权最速下降法和半点格式的数值迭代算法(un+1ij-unij+δt·[φ'(△u|)/|△u|uξξ+φ"(|△u|uηη)nij+(λ(u0-u))nij]).大量实验仿真结果表明,该模型对高斯噪声图像具有良好的噪声滤除和细节保护能力,与传统全变分模型相比,无论是主观视觉效果,还是客观性能评价指标(PSNR)方面,都具有明显的优势.     

基于EMD与1D全变分的地震信号去噪

经验模态分解(Empirical Mode Decomposition,EMD)是一种信号的时频分析方法,该方法在不需要先验知识的条件下,可以将非平稳、非线性信号,依据信号的特征,自适应的分解为多个本征模态函数(Intrinsic Mode Function,IMF)之和,得到高的频率分辨率。然而,一般的去噪方法是将所选择的高频IMF部分取不同的阈值进行滤波或者是直接置为零重构后实现信号的去噪,很显然这会造成高频部分有用信号的损失。1D全变分(Total Variation,TV)是一种有效的信号去噪方法,能够非常好的保护信号边缘信息,但有时也会把噪声当作边缘信息,出现虚假边缘现象。因此,基于EMD和1D-TV的优点提出了一种新的去噪方法,根据对实际金属矿床地震信号处理的结果表明,该算法能有效的消除地震信号中的噪声,并能有效保护地震信号边缘构造信息。     

改进的分数阶自适应PDE去噪算法

结合ROF模型和四阶PDE去噪模型提出一种改进的分数阶自适应PDE去噪算法.改进算法根据各个像素点的梯度信息自适应地选择分数阶PDE的阶数,根据尺度参数的特点,提出一种自适应的尺度参数迭代算法.数值实验表明,改进算法能够较好地提高峰值信噪比,保护边缘,有效抑制“阶梯效应”.     

基于全变分正则和L2,1范数的视频去雨张量模型

提出了一种基于全变分正则与L_2,1范数的视频去雨张量模型用于解决雨线遮挡问题。首先,对雨线成分与视频背景先验信息进行预处理,获取相应正则化条件的构建依据以增强各部分稀疏性,便于促进雨线分离。其次,考虑到视频图像存在不规则动态对象,引入全变分正则项来抑制背景强度变化,缓解雨线的误判现象。采用交替方向乘子法(alternating direction method of multipliers, ADMM)可以有效地对所提出的张量模型进行求解,并在合成数据与真实数据集上开展大量实验。结果表明,所提方法在动态背景情况下有效去除视频图像雨线的同时,保留了更多背景细节信息。与相关先进方法相比,所提方法在峰值信噪比、结构相似性和残差三种综合性能量化指标上均具有较大的优势。     

基于ATV正则化与初始模型约束的波阻抗反演

提出了一种基于各向异性全变分正则化和初始模型约束的波阻抗反演方法.为了综合利用地震数据的时空信息,提高反演结果的横向连续性,采用多道同时反演.实验结果表明,即使在强噪声干扰的情况下,利用该方法仍然能得到较好的反演结果,且反演误差较小.     

基于组稀疏表示和加权全变分的图像压缩感知重构

传统的基于组稀疏表示(group sparse representation, GSR)的压缩感知(compressd sensing, CS)重构算法利用信号的稀疏性和非局部相似性来重构图像信号,但没有充分考虑图像的局部平滑特性,影响了算法的重构性能。考虑信号的稀疏性、非局部相似性、平滑性3种先验信息,提出一种基于GSR和加权全变分(weighted total variation, WTV)的图像CS重构算法,并针对传统的WTV采用全局加权会引入错误的纹理以及边缘状伪影的问题,利用一种新的WTV策略,只对图像的高频分量设置权重来保证图像重构质量。此外,针对硬阈值迭代法忽略低频的主分量系数,采用硬阈值-模平方方法来更好地保护非主分量系数。实验表明,相同采样率下,所提算法的峰值信噪比比非局部正则化全变分和基于GSR的CS算法平均分别提高5.4 dB和0.62 dB,验证了所提算法有效保护图像的细节信息。     

基于组稀疏表示和加权全变分的图像压缩感知重构

传统的基于组稀疏表示(group sparse representation, GSR)的压缩感知(compressd sensing, CS)重构算法利用信号的稀疏性和非局部相似性来重构图像信号,但没有充分考虑图像的局部平滑特性,影响了算法的重构性能。考虑信号的稀疏性、非局部相似性、平滑性3种先验信息,提出一种基于GSR和加权全变分(weighted total variation, WTV)的图像CS重构算法,并针对传统的WTV采用全局加权会引入错误的纹理以及边缘状伪影的问题,利用一种新的WTV策略,只对图像的高频分量设置权重来保证图像重构质量。此外,针对硬阈值迭代法忽略低频的主分量系数,采用硬阈值-模平方方法来更好地保护非主分量系数。实验表明,相同采样率下,所提算法的峰值信噪比比非局部正则化全变分和基于GSR的CS算法平均分别提高5.4 dB和0.62 dB,验证了所提算法有效保护图像的细节信息。     

混合二阶全变分的抗核辐射图像降噪方法

为了更好地保留核环境下图像降噪后的细节信息,提出了基于混合二阶全变分的抗核辐射图像降噪方法。将非凸二阶全变分与重叠组稀疏正则化相结合,使用交替方向乘子法(alternating direction method of multiplier, ADMM)和增广拉格朗日乘子法对全局问题进行优化求解,多次迭代后得到基本降噪图像;将多次降噪后的基本降噪图像进行差值迭代,使核辐射图像中大范围跳变的灰度值更加接近原始图像灰度值;根据核噪声的特点,设计算法模拟出核噪声斑块。通过在真实核环境下采集的数据集和模拟的核噪声数据集上进行实验,峰值信噪比(peak signal-to-noise ratio, PSNR)和结构相似性(structural similarity, SSIM)等指标的变化及处理后的视觉效果表明,提出的算法在保留图像细节信息方面优于对比算法。