基于SURE-LET和非张量积小波的遥感图像去噪

针对遥感图像中的高斯噪声,提出了基于SURE-LET和非张量积小波的去噪方法,主要包括图像在非张量积小波下的分解、各个子带在不同阈值函数下的处理以及它们最优的线性组合3个步骤．通过选择合适的非张量积小波滤波器参数,使无噪遥感图像和噪声在变换分解中得到的小波系数分离较好,去除噪声对应的小波系数时被去除的无噪图像对应的小波系数较少,从而取得更好的去噪效果．实验结果表明：此方法用于高斯噪声的遥感图像的去噪不仅速度很快,而且去噪效果优于传统基于张量积小波的SURE-LET方法．     

基于流形学习和流形高阶近似的图像距离度量

为克服切距离方法的不足,提出了流形高阶近似距离（HMD）.HMD度量方法通过最大差异延展方法（MVU）学习出非线性图像流形的内蕴变量,然后在原型图像处用基于流形高阶泰勒展开式的非线性曲面来局部近似图像流形.HMD定义为待识别图像与图像流形的高阶近似曲面间的最小距离,通过计算待识别图像与图像流形上多个基准图像间的HMD距离能够实现图像的分类和识别.人脸识别和手写数字识别的结果表明：HMD距离在识别精度和稳定性上要优于切距离和当前一些典型的图像距离度量方法.     

基于MLP&ST模型的空气质量预测

针对目前大多数模型均为对已监测区域的空气质量进行预测,而少有对未监测区域进行预测的问题,综合考虑气象因素、空间相关性和时间依赖性对空气质量的影响,提出了一种联合训练模型MLP&ST （MLP&spatial-temporal）,模拟预测北京市未监测区域未来时刻的空气质量指数（air quality index,AQI）。通过实验结果对比确定最佳历史时间步长P值为29;然后将模型与其他空气质量预测模型进行对比。实验结果表明,MLP&ST模型在3种评价指标下（RMSE,MAE,MAPE）皆优于其他对比模型,验证了所提出模型具有良好的预测效果。     

基于图像分类的鲁棒无载体信息隐藏

针对传统信息隐藏方法须通过修改载体以嵌入秘密信息所带来的安全性问题,提出一种基于图像分类与尺度不变特征转换(scale-invariant feature transform,SIFT)提取无载体信息隐藏的方法。首先通过快速区域卷积神经网络将原始图像库进行分类处理,生成不同种类的子图像库;然后利用图像SIFT特征点的方向信息设计一个感知鲁棒的哈希方案,并使用该方案计算出每个子图像库中图像的哈希值,将所有子图像库中的图像全部映射成相应的二进制哈希值;最后将秘密信息分割成若干个片段,通过对比秘密信息片段与所有的图像二进制哈希值,从子图像库中检索出与秘密信息片段相符的图像,将其作为含密图像传送给接收方,完成信息隐藏过程。接收方接收到全部含密图像后,根据约定的哈希方案提取秘密信息。实验结果和分析表明,该方法对JPEG压缩、高斯噪声、椒盐噪声、图像缩放等攻击具有较强的鲁棒性,且隐藏容量较高。     

基于图像插值技术的可逆数据隐藏算法

针对现有基于插值技术可逆数据隐藏算法具有较高的隐藏容量,但隐秘图像质量不是很高问题的问题,提出一种新的大容量图像可逆数据隐藏算法。首先对输入图像进行插值处理生成载体图像,然后对载体图像进行重叠分块并计算分块中每一个非基准像素能隐藏的数据量,最后采用自适应的方法隐藏秘密数据。在Kodak图像集上的实验结果表明,本文算法能完整地提取隐藏的秘密数据和不会出现像素溢出现象;与相似的算法相比,该算法的秘密数据隐藏容量平均提升了约98%,隐秘图像质量平均提升了约6%。     

基于特征提取的健美操分解动作图像自适应识别方法

为了解决传统方法容易受运动速率、光照情况、遮挡、复杂背景等的影响,导致识别结果鲁棒性较差的问题,通过特征提取方法研究了健美操分解动作图像自适应识别问题。通过时间能量金字塔把视频序列划分成若干段,得到结果中动作并非全为健美操动作,含大量干扰信息,通过背景消减法对进行健美操运动的人体目标进行提取,进行进一步处理,得到人体轮廓的二值图像序列,求出轮廓外界矩形宽度和高度之比,依据宽高比获取关键帧,通过拉普拉斯法求解相邻差异帧与间的光流,降低背景杂波产生的影响。针对关键帧提取特征向量,通过相似性检测对待识别健美操分解动作图像和提取特征进行匹配,设定相似性阈值,将相似性高于阈值的图像作为识别结果。结果表明：所提方法对单人健美操视频数据库的识别准确率高,仅存在一定程度的混淆;所提方法对含不同场景的复杂数据库的识别准确性和其它方法相比最高。可见所提方法受外界环境干扰小,可保证高识别精度。     

基于特征优选和图像相似度的人体动作识别算法

有效提取特征有利于提高后续人体动作识别的准确率。针对人体动作识别时方向梯度直方图(histogram of oriented gradient,HOG)特征维数过高和相似动作不好区分的问题,提出一种基于特征优选和图像相似度的人体动作识别算法。实验对比三种降维方法主成分分析法(principal component analysis,PCA)、PCA+Pearson、PCA+Spearman处理后的动作识别率,证明PCA+Pearson相关系数的降维效果最佳。同时将全局特征八星模型与降维后的局部特征HOG特征组合在一起全面表征人体动作,并计算相邻两帧图像相似度,自适应分配一个判别周期内单帧支持向量机分类结果的统计权值,最后二次分类人体姿态识别结果。在标准数据集KTH上进行实验,该算法识别准确率为94. 5%,较其他方法有所提高,在视频人体动作识别领域有较好应用价值。     

基于复杂融合特征与灰度-纹理直方图描述子的红外弱小目标检测追踪算法

为了解决当前红外目标检测追踪算法仅依靠单一图像特征对弱小目标增强,使其在背景杂波与噪声干扰严重条件下,难以剔除图像背景中的伪目标像素,导致弱小目标检测与追踪精度不高,提出了基于复杂融合特征与联合灰度-纹理直方图描述子的红外弱小目标检测与追踪算法。首先,针对红外图像不同特征的背景干扰因素,引入不同方向的腐蚀操作结构元素,设计了分类Top-Hat变换算子,充分抑制背景杂波与噪声,从而将弱小目标从复杂背景中凸显出来;随后,引入方差权重信息熵,构建复杂融合特征,对红外图像进行分割,确定候选目标区域;并基于管道滤波模式,对候选目标区域中的真实弱小目标与伪目标进行筛选,将虚假目标过滤;再考虑弱小目标的强度与纹理特征,基于LBP技术(local binary pattern),设计了灰度-纹理直方图描述子,充分描述红外弱小目标的边缘、线端与角点等鲁棒性特征,较好地保留目标的空域信息,有效剔除图像背景中的伪目标像素;最后,联合均值漂移算法,对红外弱小目标进行精确追踪。实验结果显示:与当前红外目标检测追踪技术相比,在复杂背景干扰条件下,本文算法具有更高的检测精度与更低的追踪误差。     

基于SLIC和动态区域合并的岩屑图像分割

岩屑图像分割要求精度高、速度快和鲁棒性强。针对这些要求,提出了基于SLIC(simple linear iterative clustering)和动态区域合并的分割算法。SLIC算法能产生形状规则、大小均匀、排列紧凑的超像素区域。但是SLIC分割后的图像过分割问题严重,为了降低过分割率,提出了基于NNR的动态区域合并算法,将超像素区域进行相似性合并。实验结果表明,将该算法用于岩屑颗粒图像分割,能够取得较好的效果。     

一种改进的分水岭人脑MR图像分割方法

针对传统分水岭算法分割图像后存在的细节不准确问题,提出了一种改进的分水岭算法.此算法将传统分水岭算法和概率相结合,通过有序队列来实现边界的计算,从而得到分水岭.实验证明,这种算法得到的结果更加准确,对人脑MR图像病灶区的分割非常重要.