基于DCT零系数与局部结构张量的局部模糊检测

针对当前相关图像模糊测量方法不能有效检测纹理平坦清晰区域的问题,提出一种新的图像局部模糊区域检测方法,将其应用于存在运动模糊的静态图像运动目标检测。对图像进行分块操作,计算离散余弦变换后的图像块中零系数的个数,数目较多的为模糊区域,较少的为清晰区域。对被判断为模糊区域的图像块,计算模糊区域中每一个像素点处的局部结构张量,对其进行奇异值分解,根据奇异值局部方向一致性度量准则,获得准确的模糊区域。实验结果表明,与现有的SVD,DCT等方法相比,该方法可以较准确地实现对局部模糊图像的模糊度量。     

基于共生矩阵分析的自适应神经网络图像复原算法

为了保护图像中的细节信息，提出了一种基于共生矩阵聚类分析的自适应Hopfield神经网络图像复原算法．通过计算图像局部区域的共生矩阵提取其纹理特征，对共生矩阵非零元素进行聚类分析．根据聚类数量和各聚类之间的距离，提出了图像局部区域细节强度的定义及其计算方法．细节强度在准确地区分图像的平坦区域和细节区域基础上，通过非线性函数自适应地调整Hopfield网络的权系数矩阵，以使权系数适合图像的纹理特征，而且权系数的生成过程符合人的视觉特性．图像复原的迭代求解过程和神经网络权系数矩阵的更新过程交替进行．该算法能够在图像的平坦区域有效地抑制噪声，在包含细节的区域突出细节．对比实验结果显示，该算法获得的复原图像的信噪比明显提高，视觉效果明显改善．     

纹理图像分割的非局部Mumford-Shah-TV模型及其ADMM算法

为了提高纹理图像分割的准确率,解决纹理图像中纹理图像成分及纹理区域边界难以描述的问题.基于总变差(total variation, TV)规则项可得到纹理图像区域隐藏的图像结构、非局部算子可以描述纹理图像特征的特点,综合TV模型、非局部Mumford-Shah模型,并用二值标记函数划分区域,提出纹理图像分割的非局部Mumford-Shah-TV变分模型;为了提高计算效率,对所提出的模型设计了相应的交替方向乘子算法,将原问题分解为一系列优化子问题求解.数值实验结果表明,该模型计算的纹理图像区域边界较好,并具有较高的准确率.     

基于DCT域奇异值分解的图像检索技术

提出一种在DCT域获取图像的代数特征--SV特征矢量进行图像检索的方法.在图像解压到量化的DCT域时,提取粗糙纹理矩阵Ⅰ,对Ⅰ进行奇异值分解,根据图片库的特点选取部分或全部奇异值表征图像的纹理特征,试验了该特征提取技术在图像检索中的应用.     

一种基于模糊聚类和奇异值分解的水印算法

提出一种新的基于模糊聚类和奇异值分解的水印算法.利用人类视觉系统(HVS)的掩蔽效应,在载体图像空域进行模糊聚类(FCM)寻找图像纹理复杂的子区域来作为嵌入水印的位置,再用奇异值分解(SVD)实现水印的嵌入.实验表明,该算法有效地平衡了水印的鲁棒性和视觉上的不可见性之间的矛盾.     

基于Contourlet变换的纹理特征提取及纹理分类

通过对传统小波多方向性缺失和Contourlet变换系数稀疏性的分析,提出运用方向性小波Contourlet分析纹理特征,以自组特征映射神经网络(SOM)处理Contourlet变换系数的重组序列.对SOM网络输出层codebook矩阵进行奇异值分解得到纹理图像特征向量的方法进行纹理分类,在充分利用图像各尺度方向信息的基础上,有效提取了图像纹理特征.实验结果表明,该方法分类效果显著,Contourlet变换比传统小波分解更适合于图像纹理特性的分析.     

基于图像局部奇异值向量和BP神经网络分类器的道路导航方法

提出以道路图像矩阵的局部奇异值向量作为特征输入,以BP神经网络作为分类器的道路导航方法.首先将图像分割成若干子图像,然后分别对子图像进行奇异值分解,提取子图像的代数特征向量.子图像的特征奇异值组成整个图像的局部奇异值向量,作为分类器的输入.再利用BP神经网络分类器对道路图像进行训练及识别.实验中处理了三类道路图像(偏左、偏右、正确方向),每类用20 幅图像作为训练样本,30幅用作测试.结果表明,这 种道路导航方法的识别率达到了100%.􀁳 􀁨 􀁱     

MPEG-2压缩域车辆牌照字符提取算法

针对车辆牌照字符这一特殊场景文本的提取,提出一种压缩域文本提取算法,它集文本区域检测、定位、跟踪和字符识别等环节于统一的框架。直接利用DCT系数可以表征图像的纹理特征这一特性,建立加权频率分量和的自适应阈值判断规则初步检测车辆牌照区域,利用分块的DC+2AC纹理值投影特征进行文本定位;利用与定位得到的文本框相交面积高于预定阈值的宏块运动矢量均值实现跟踪;在OCR识别前采用OTSU算法把车辆牌照区域图像转换为黑白二值图像。实验表明了算法的有效性,召回率与准确率分别可达95%与96.2%,该算法也适用于其他类型文本的提取。     

基于高斯曲率和局部方差的去噪模型

用PM(Perona and Malik)模型去除椒盐噪声,使低噪声强度下未受噪的平坦区域的像素值减小,但是不能在有效去噪的同时保护纹理细节,导致图像模糊.为此,用局部方差和高斯曲率代替梯度模值来描述图像局部纹理细节,并定义了噪声度量函数,随之引入扩散方程,得到新去噪模型.实验结果表明:新模型不仅能有效地除去椒盐噪声和解决PM模型的问题,而且信噪比和峰值信噪比均有显著提高.因此新模型优于PM模型.     

基于SVD和曲波变换的图像特征提取研究

关于图像特征提取优化问题,为有效地描述图像特征,提出了一种奇异值分解(SVD)和曲波变换的特征提取方法,首先对图像进行奇异值分解和曲波变换,分别获得图像的奇异值和不同尺度的曲波系数,根据识别成功率选取一组较大的奇异值,并计算各尺度曲波系数的均值、标准差、能量和熵等统计特征.最后利用选取的奇异值和曲波系数的统计特征构造特征集描述图像特征.将提取的特征集应用于纹理图像识别,平均识别率达到了94％.仿真结果表明,改进方法提取的特征集能很好地刻画图像特征,应用于图像识别可获得较高的识别成功率.     

基于辐照度的运动模糊图像去模糊

目的 已有的图像运动去模糊研究没有考虑模糊实际上发生在辐照度图像中的问题,也缺少自动检测成块饱和像素的方法。针对这两个问题,提出基于辐照度的运动模糊图像去模糊方法。方法 提出能量累积形成模糊的运动过程与摄像机响应函数相结合的摄像机响应函数求解方法,以及基于块的饱和像素自动检测算法并在此基础上,对辐照度图去除运动模糊和亮度还原,实现清晰原图恢复。结果 对单幅图像的定性去模糊取得了比直接去模糊等前人方法更小的振铃,较好的噪声抑制和清晰图像还原效果;采用信噪比的定量对比也取得较前人方法更高的数值。结论 基于辐照度的方法对图像运动去模糊效率有提升作用。     

稀疏平滑特性的多正则化约束图像盲复原方法

为了实现对线性空间不变的模糊图像的盲复原,提出了一种基于稀疏性和平滑特性的多正则化约束的模糊图像盲复原方法.首先,根据自然图像边缘的稀疏特性,运用了一种权重的全变差范数(weighted total variation norm,简称WTV-norm)对复原图像进行正则化约束;然后,从运动模糊的点扩散函数(motion point spread function,简称MPSF)的特性出发,提出一种能够适用于多种模糊情况的多正则化约束;最后,提出了一种改进的变量分裂(modified variable splitting,简称MVS)方法来得到清晰的复原图像,同时准确地估计出相应的模糊退化函数.大量的实验结果表明,该方法能够较好地复原多种不同类型的模糊(例如运动模糊、高斯模糊、均匀模糊、圆盘模糊).与近几年提出来的一些具有代表性的模糊图像盲复原方法相比,该方法不仅主观的视觉效果得到了较为明显的改进,而且客观的信噪比增量也增加了1.20dB~4.22dB.     

自适应B样条小波函数模糊距离测量方法

目的 双目测距和单目测距是目前常用的两种基于光学传感器的测距方法,双目测距需要相机标定和图像配准,计算量大且测量范围有限,而单目测距减少了对设备和场地的要求,加快了计算时间。为了解决现有的单目测距方法存在精度低、鲁棒性差等缺点,本文提出了一种基于单模糊图像和B样条小波变换的自适应距离测量方法。方法 引入拉普拉斯算子量化评估图像模糊程度,并根据模糊程度值自动定位阶跃边缘;利用B样条小波变换代替高斯滤波器主动模糊化目标图像,并通过分析图像模糊程度、模糊次数以及测量误差之间的关系模型,自适应地计算不同景物图像的最优模糊次数;根据最优模糊图像中阶跃边缘两侧模糊程度变化求解目标边缘和相机之间的相对距离。结果 本文方法与基于高斯模糊图像的距离测量方法相比精度更高,平均相对误差降低5%。使用不同模糊次数对同样的图像进行距离测量时,本文算法能够自适应选取最优模糊次数,保证所测量距离的精度更高。结论 本文提出的单视觉测距方法,综合了传统的方法和B样条小波的优点,测距结果更准确,自适应性和鲁棒性更高。     

Estimation of Edge Parameters and Image Blur Using Polynomial Transforms

A method is presented for detecting blurred edges in images and for estimating the following edge parameters: position, orientation, amplitude, mean value, and edge slope. The method is based on a local image decomposition technique called a polynomial transform. The information that is made explicit by the polynomial transform is well suited to detect image features, such as edges, and to estimate feature parameters. By using the relationship between the polynomial coefficients of a blurred feature and those of the a priori assumed (unblurred) feature in the scene, the parameters of the blurred feature can be estimated. The performance of the proposed edge parameter estimation method in the presence of image noise has been analyzed. An algorithm is presented for estimating the spread of a position-invariant Gaussian blurring kernel, using estimates at different edge locations over the image. First a single-scale algorithm is developed in which one polynomial transform is used. A critical parameter of the single-scale algorithm is the window size, which has to be chosen a priori. Since the reliability of the estimate for the spread of the blurring kernel depends on the ratio of this spread to the window size, it is difficult to choose a window of appropriate size a priori. The problem is overcome by a multiscale blur estimation algorithm where several polynomial transforms at different scales are applied, and the appropriate scale for analysis is chosen a posteriori. By applying the blur estimation algorithm to natural and synthetic images with different amounts of blur and noise, it is shown that the algorithm gives reliable estimates for the spread of the blurring kernel even at low signal-to-noise ratios.     

Local motion deblurring using an effective image prior based on both the first- and second-order gradients

Local motion deblurring is a highly challenging problem as both the blurred region and the blur kernel are unknown. Most existing methods for local deblurring require a specialized hardware, an alpha matte, or user annotation of the blurred region. In this paper, an automatic method is proposed for local motion deblurring in which a segmentation step is performed to extract the blurred region. Then, for blind deblurring, i.e., simultaneously estimating both the blur kernel and the latent image, an optimization problem in the form of maximum-a-posteriori (MAP) is introduced. An effective image prior is used in the MAP based on both the first- and second-order gradients of the image. This prior assists to well reconstruct salient edges, providing reliable edge information for kernel estimation, in the intermediate latent image. We examined the proposed method for both global and local deblurring. The efficiency of the proposed method for global deblurring is demonstrated by performing several quantitative and qualitative comparisons with the state-of-the-art methods, on both a benchmark image dataset and real-world motion blurred images. In addition, in order to demonstrate the efficiency in local motion deblurring, the proposed method is examined to deblur some real-world locally linear motion blurred images. The qualitative results show the efficiency of the proposed method for local deblurring at various blur levels.     

A fast minimization method for blur and multiplicative noise removal

Multiplicative noise and blur removal problems have attracted much attention in recent years. In this paper, we propose an efficient minimization method to recover images from input blurred and multiplicative noisy images. In the proposed algorithm, we make use of the logarithm to transform blurring and multiplicative noise problems into additive image degradation problems, and then employ l ₁-norm to measure in the data-fitting term and the total variation to measure the regularization term. The alternating direction method of multipliers (ADMM) is used to solve the corresponding minimization problem. In order to guarantee the convergence of the ADMM algorithm, we approximate the associated nonconvex domain of the minimization problem by a convex domain. Experimental results are given to demonstrate that the proposed algorithm performs better than the other existing methods in terms of speed and peak signal noise ratio.     

基于正则化约束的遥感图像多尺度去模糊

目的遥感成像过程中的图像降质严重影响了高分辨率成像与高精度探测,为了改善遥感图像质量,提出了基于正则化约束的遥感图像多尺度去模糊方法。方法首先利用双边滤波器和冲击滤波对遥感图像进行预处理,然后结合遥感图像模糊核的稀疏特性,使用正则化方法迭代求解模糊核最优解,最后利用基于梯度稀疏的非盲反卷积方法得到去模糊结果。此外,针对图像模糊程度较严重的情况,分析了尺度信息对去模糊结果的影响,提出了多尺度迭代优化方法。结果采用本文方法对大量遥感图像进行去模糊,实验结果表明该方法能有效地去除遥感成像产生的模糊,在保持图像边缘和细节的同时,可有效抑制振铃效应。相比其他方法,本文方法恢复图像的边缘强度平均提高28.7%,对比度平均提高17.6%。结论提出一种正则化约束的遥感图像多尺度去模糊方法,主观视觉感受和客观评价指标都表明该方法可以有效提升遥感图像质量。     

基于Gaussian-Hermite矩的旋转运动模糊不变量

目的 模糊图像的分析与识别是图像分析与识别领域的重要方向。有些图像形成过程中成像系统与物体之间存在相对旋转运动,如因导弹高速自旋转造成的制导图像的旋转运动模糊。大多数对于这类图像的识别都需要先对模糊图像进行“去模糊”的预处理,且该类方法存在计算时间复杂度较高及不适定的问题。对此,提出一种直接提取旋转运动模糊图像中的不变特征,用于旋转运动模糊图像目标检索和识别。方法 本文以旋转运动模糊的退化模型为出发点,提出了旋转运动模糊Gaussian-Hermite (GH)矩,构造了一组由5个对旋转变换和旋转运动模糊保持不变性的GH矩不变量组成的特征向量(rotational motion blur Gaussian-Hermite moment invariants,RMB_GHMI-5),可从旋转变换和旋转运动模糊的图像中直接进行目标检索和识别,无需前置复杂的“去模糊”预处理过程。结果 在USC-SIPI (University of Southern California — Signal and Image Processing Institute)数据集上进行不变性实验,对原图进行不同程度的旋转变换叠加旋转运动模糊处理,证明RMB_GHMI-5对于旋转变换和旋转运动模糊具有良好的稳定性和不变性。在两个数据集上与同类4种方法进行图像检索实验比较,在80%召回率下,本文方法维数更少,相比性能第2的特征向量,在Flavia数据集中,高斯噪声、椒盐噪声、泊松噪声和乘性噪声干扰下的准确率分别提高25.89%、39.95%、22.79%和35.80%;在Butterfly Image数据集中,高斯噪声、椒盐噪声、泊松噪声和乘性噪声干扰下的准确率分别提高4.79、7.63%、5.65%和18.31%。同时,在上述8个测试数据集中进行对比实验以验证融合算法的有效性,结果表明本文提出的GH矩和几何矩相融合算法显著改善了图像检索效果。结论 本文提出的RMB_GHMI-5特征向量在旋转变换和旋转运动模糊下具有良好的不变性与稳定性,在图像检索抗噪性能方面表现优异。相比同类方法,本文方法更具实际应用价值。     

加强边缘感知的盲去模糊算法

目的 拍摄过程中,如果摄像机进行了错误的聚焦,就会得到模糊的图像,如何将模糊图像变得清晰成为一个亟待解决的问题。目前关于图像的去模糊方法多采用基于模糊核约束的卷积模型。但是由于实际应用中很难准确获取模糊核的信息,同时计算机也存在精度限制,计算结果与实际物理模型有偏差,因而去模糊的主要挑战为：如何精确地估计模糊核,以及如何在复原过程中减弱由于精度限制造成的振铃效应。方法 振铃效应是指图像的灰度剧烈变化处产生的震荡,类似于钟被敲击后产生的波状空气震荡。在图像复原过程中,此效应通常发生在梯度变化较大的边缘区域附近。本文对此进行研究,在去模糊过程中引入边缘信息作为约束条件,以改善模糊核的估计,并通过抑制边缘区域的反卷积,抑制图像复原过程中的振铃效应。算法主要分为如下3个部分：1）设计了适用于模糊图像的边缘提取算法;2）利用边缘信息设计了加强边缘感知的反卷积算法;3）提出并设计了安全检测子,以保证算法在边缘区域复原的完整性。结果 实验结果表明,在没有先验知识的情况下,本文方法可以较好地恢复图像细节,并有效抑制振铃效应。较之传统的去模糊处理算法,本文方法在性能上有较大提高。比如,相比于Chan、Krishnan以及Hu的方法,本文方法在峰值信噪比指标上分别提高了25.73%、3.52%和4.43%,在结构相似性指标上分别提高了7.67%、1.63%和3.59%。同时,与基于深度学习的方法相比,本文方法不依赖于数据集,鲁棒性更强。结论 本文方法可以较好地恢复图像细节,并抑制振铃效应,同时比深度学习方法适用范围更广。     

抗模糊特征提取策略下的车标识别

目的 现有的车标识别方法尽管取得了不错的识别效果,但最终的识别率容易遇到瓶颈,很难得到提升。车标识别是智能交通系统中至关重要的一部分,识别率的微小提升也能带来巨大的社会价值。通过挖掘与分析车标识别中潜在的问题和难点,发现未能得到正确分类的图像大部分为模糊车标图像。针对车标图像中存在的成像模糊等情况,本文提出一种基于抗模糊特征提取的车标识别方法。方法 构建车标图像金字塔模型,分别提取图像的抗纹理模糊特征和抗边缘模糊特征。抗纹理模糊特征的提取使用局部量化的LPQ（local phase quantization）模式,可以增强原始特征的鲁棒性,抗边缘模糊特征的提取基于局部块弱梯度消除的HOG（histogram of oriented gradient）特征提取方法,可以在描述车标图像边缘梯度信息的同时,提升特征的抗模糊能力。最后利用CCA（canonical correlation analysis）方法进行两种抗模糊特征的融合并用于后续的降维与分类。结果 本文方法在多个数据集上均取得了很好的识别效果,在20幅训练样本下,本文方法在公开车标数据集HFUT-VL（vehicle logo dataset from Hefei University of Technology）上取得了99.04%的识别率,在本文构建的模糊车标数据集BVL（blurring vehicle logo dataset）上也取得了97.19%的识别率。而在难度较大的XMU（Xiamen University vehicle logo dataset）上,本文方法在100幅训练样本下也达到了96.87%的识别率,识别效果高于一些具有较好表现的车标识别方法,表现出很强的鲁棒性和抗模糊性。结论 本文方法提高了对成像质量欠缺的车标图像的识别能力,从而提升了整体识别效果,更符合实际应用中车标识别的需求。