循环群、二面体群对称性图像的动力系统构图

探讨了从动力系统角度生成具有循环群、二面体群对称性图像的不变函数方法.构造关于平面循环群、二面体群的不变函数作为密度函数,把具有循环群、二面体群对称性混沌函数作为迭代函数系统,生成具有很强艺术效果的循环群、二面体群对称性图像.同时给出了构造群对称性不变函数的理论依据.该方法为平面设计对称图像提供了一种新方法.     

动力系统生成循环群和二面体群演化对称性图像

探讨从动力系统角度生成具有循环群、二面体群演化对称性图像的不变函数方法。把具有循环群、二面体群对称性演化函数作为迭代函数系统,构造相应的不变函数,生成具有很强艺术效果的循环群、二面体群演化对称性图像。该方法为平面设计对称图像提供了一种新方法。     

基于改进粒子群优化算法的二维静态离散小波图像去噪研究

提出了一种结合改进的粒子群优化算法及二维静态离散小波变换实现图像去噪的方法.由于图像在离散小波变换(discrete wavelet transform,DWT)处理下,经过低通、高通滤波器的卷积后,丢失了其中奇数项所含的时移信息,为了更好的满足时间不变性,可以采用二维静态离散小波变换实现图像的分解,然后将改进的粒子群优化算法应用于图像小波阈值去噪.对比实验结果表明,该方法的增强图像效果和去噪性能明显优于传统的小波阈值去噪.     

利用分布式主动智能体检测灰度图像的对称轴

图像的对称性研究是模式识别和计算几何的重要内容,在目标识别、视觉监视和形状表示等研究中有一定的应用价值.提出一种利用分布式主动智能体提取灰度图像中的基本反射对称轴的新方法,它通过对智能体在局部图像环境中定居、发展以及迁徙和死亡等行为的模拟来检测、编组和连接显著的局部对称轴.该方法可以提取任意灰度图像中的基本反射对称轴,并且易于并行实现,关于自然图像的实验结果表明了它的有效性.     

基于图像变换系数稀疏性的去噪处理

为解决传统图像去噪算法存在边缘纹理信息损失的问题,根据图像平滑区域离散余弦变换(DCT)非零系数个数较少的特点,提出了基于图像变换域稀疏表示的去噪算法：首先依据l2范式将图像的相似区域块构成块群;然后对块群中的各块进行DCT。由变换域系数的稀疏性,利用阈值进行首次去噪。为进一步去除噪声,对块群进行主成分分析（PCA）,提取块群PC分量,运用PC分量对块群进行分析处理;最后把处理后的图块结合Kaiser窗口返回到原图像中,得到去噪后的图像。与传统去噪相比,该方法在去噪过程中保留了边缘纹理信息,抑制了该信息对去噪的影响,提高了图像的视觉效果。     

DoG小波的对称性图像分类

提出了一种DoG小波域的循环群、二面体群对称性图像的识别与分类技术。该技术具有很好的噪声（仅讨论加性的白高斯噪声）鲁棒性特点,甚至在高噪声情况下（例如噪声偏差σ=70）,结合修改的脊波变换能实现对噪声图像包含的循环群、二面体群对称性进行识别和分类。     

一种基于形态学的小波自适应去噪算法

针对常规的去噪算法会引起图像边缘模糊,而在保留和增强图像边缘时又会影响图像的去噪效果的缺陷,提出了一种基于形态学的小波自适应去噪算法,利用多种结构元复合形态滤波器对噪声图像预处理,然后对处理后的图像采用小波自适应阈值进行二次滤波去噪,最后对图像进行重构得到去噪后的图像.实验表明,该算法能对受不同程度、类型的噪声污染的图像进行有效地的处理,并且在去噪时能保持更多的图像边缘.     

基于改进型SDA的自然图像分类与检索

将堆叠去噪编码器应用于图像识别中,并针对自然图像检索领域,使用卷积自动编码器改进堆叠去噪编码器,采用非监督贪婪逐层训练算法初始化网络权重,使用反向传播算法优化网络参数.利用改进的堆叠去噪编码器提取自然图像特征,使用softmax分类器分类.最后将提取的特征结合尺度不变特征转换技术实现图像检索.实验证明改进型堆叠去噪编码器大幅降低网络训练时长的同时增强网络的容错能力,提高分类器的分类精度,最终改善图像的检索效果.     

基于递推最小二乘自适应滤波算法的图像去噪

递推最小二乘RLS(Recursive of Least Square)算法是自适应滤波算法中的精确分析算法。它具有收敛速率快,精确度高等特点,但是发现目前RLS算法多用于对一维信号的去噪处理。使用递推最小二乘(RLS)算法对二维图像进行去噪,从处理一维信号变成处理二维图像信号,需要对RLS算法进行改进。先迭代得到滤波器参数,形成3×3滤波掩模,再改进算法对图像进行滤波;同时与常数比率维纳滤波和自相关函数的维纳滤波算法的去噪效果进行对比。结论证明在对图像进行较严重的模糊和加噪处理后,其他两种算法对图像的还原能力差,而递推最小二乘自适应滤波(RLS)算法具有优良的图像去噪性能。     

粒子群算法在二维Otsu图像分割中的应用研究

研究图像识别优化提取目标问题,噪声影响使图像目标识别精度差,效率低.传统Otsu算法的阈值的选取大多采用穷尽的搜索方式,运算效率较低,抗噪能力不强,容易产生误分割.为了提高图象分割效率和分割精度,提出一种粒子群优化算法的二维Otsu图像分割方法.方法首先对图像进行去噪处理,绘制出图像的二维直方图,根据二维直方图信息选取适当灰度值作为混沌粒子群算法中的初始粒子,每个粒子代表一个可行的二维阈值向量,通过粒子群之间的协作来获得最优阈值,可采用最优阈值划分像素,实现图像分割.实验结果表明,相对于传统Otsu图像分割算法,不仅得到了更高的图像分割精度,计算量也大大减少,提高分割效率,有利于提高图像处理的实时性,也证实了将粒子群算法用于阈值分割是可行的.     

利用面片法向均值滤波的混合型网格去噪方法

通过对面片法向均值滤波去噪方法的研究,提出了一种改进的混合型去噪算法。通过取值顶点的一环正常边二面角的平均,将顶点分为噪声顶点和一般顶点,然后对噪声顶点利用Laplacian方法进行平移去噪,同时将保持特征的面片法向均值滤波去噪方法作用于一般顶点。实验结果表明：这种混合方法能有效地去除大小噪声,并且在去噪过程中能保持网格的特征。     

A moment-based nonlocal-means algorithm for image denoising

Image denoising is a crucial step to increase image quality and to improve the performance of all the tasks needed for quantitative imaging analysis. The nonlocal (NL) means filter is a very successful technique for denoising textured images. However, this algorithm is only defined up to translation without considering the orientation and scale for each image patch. In this paper, we introduce the Zernike moments into NL-means filter, which are the magnitudes of a set of orthogonal complex moments of the image. The Zernike moments in small local windows of each pixel in the image are computed to obtain the local structure information for each patch, and then the similarities according to this information are computed instead of pixel intensity. For the rotation invariant of the Zernike moments, we can get much more pixels or patches with higher similarity measure and make the similarity of patches translation-invariant and rotation-invariant. The proposed algorithm is demonstrated on real images corrupted by white Gaussian noise (WGN). The comparative experimental results show that the improved NL-means filter achieves better denoising performance.     

基于无监督深度图像生成的盲降噪模型

鉴于有监督神经网络降噪模型的数据依赖缺陷,提出了一种基于无监督深度生成（UDIG）的盲降噪模型。首先,利用噪声水平评估（NLE）算法测定给定噪声图像中的噪声水平值并输入到主流FFDNet降噪模型中,所得到降噪后的图像（称为初步降噪图像）作为UDIG降噪模型的输入。其次,选用编码器—解码器架构作为UDIG模型的骨干网络并用UDIG模型的输出图像（即生成图像）分别与初步降噪图像、噪声图像之间的均方误差之和构建混合loss函数;再次,以loss最小化为优化目标,通过随机梯度下降（SGD）网络训练算法调整网络模型的参数值从而获得一系列生成图像;最后,当残差图像（噪声图像与生成图像之间）的标准差逼近之前NLE算法所测定的噪声水平估计值时及时终止网络迭代训练过程,从而确保生成图像（作为降噪后图像）的图像质量最佳。实验结果表明：与现有的主流降噪模型（算法）相比,UDIG降噪模型在降噪效果上具有显著优势。     

两阶段多层感知的随机脉冲噪声比例预测

目的 基于卷积神经网络（CNN）在图块级上实现的随机脉冲噪声（RVIN）降噪算法在执行效率方面较经典的逐像素点开关型降噪算法有显著优势,但降噪效果如何取决于能否对降噪图像受噪声干扰程度（噪声比例值）进行准确估计。为此,提出一种基于多层感知网络的两阶段噪声比例预测算法,达到自适应调用CNN预训练降噪模型获得最佳去噪效果的目的。方法 首先,对大量无噪声图像添加不同噪声比例的RVIN噪声构成噪声图像集合;其次,基于视觉码本（visual codebook）采用软分配（soft-assignment）编码法提取并筛选若干能反映噪声图像受随机脉冲噪声干扰程度的特征值构成特征矢量;再次,将从噪声图像上提取的特征矢量及对应的噪声比例分别作为多层感知网络的输入和输出训练噪声比例预测模型,实现从特征矢量到噪声比例值的映射（预测）;最后,采用粗精相结合的两阶段实现策略进一步提高RVIN噪声比例的预测准确性。结果 针对不同RVIN噪声比例的失真图像,从预测准确性、实际降噪效果和执行效率3个方面验证提出算法的性能和实用性。实验数据表明,本文算法在大多数噪声比例下的预测误差小于2%,降噪效果（PSNR指标）较其他主流降噪算法高24 dB,处理一幅大小为512×512像素的图像仅需3 s左右。结论 本文提出的RVIN噪声比例预测算法在各个噪声比例下具有鲁棒的预测准确性,在降噪效果和执行效率两个方面较经典的开关型RVIN降噪算法有显著提升,更具实用价值。     

基于自监督约束的双尺度真实图像盲去噪算法

现存的图像去噪算法在处理加性高斯白噪声上已经取得令人满意的效果,然而其在未知噪声强度的真实噪声图像上泛化性能较差.鉴于深度卷积神经网络极大地促进了图像盲去噪技术的发展,针对真实噪声图像提出一种基于自监督约束的双尺度真实图像盲去噪算法.首先,所提算法借助小尺度网络分支得到的初步去噪结果为大尺度分支的图像去噪提供额外的有用信息,以帮助后者实现良好的去噪效果.其次,用于去噪的网络模型由噪声估计子网络和图像非盲去噪子网络构成,其中噪声估计子网络用于预测输入图像的噪声强度,非盲去噪子网络则在所预测的噪声强度指导下进行图像去噪.鉴于真实噪声图像通常缺少对应的清晰图像作为标签,提出了一种基于全变分先验的边缘保持自监督约束和一个基于图像背景一致性的背景自监督约束,前者可通过调节平滑参数将网络泛化到不同的真实噪声数据集上并取得良好的无监督去噪效果,后者则可借助多尺度高斯模糊图像之间的差异信息辅助双尺度网络完成去噪.此外,还提出一种新颖的结构相似性注意力机制,用于引导网络关注图像中微小的结构细节,以便复原出纹理细节更加清晰的真实去噪图像.相关实验结果表明在SIDD,DND和Nam这3个真实基准数据集上,所提的基于自监督的双尺度盲去噪算法无论在视觉效果上还是在量化指标上均优于多种有监督图像去噪方法,且泛化性能也得到了较为明显的提升.     

一种基于图像区域分割的小波去噪方法

提出一种基于区域分割的图像去噪方法。该方法利用具有平移不变性的DWT去噪法和NeighShrink_ SURE去噪法对平滑图像和纹理图像分别具有良好去噪效果,遂将含噪图像进行区域分割得到平滑、突变和过渡三个区域,最终去噪图像的三个区域分别由两种方法得到的去噪图像加权来确定。实验结果显示,该方法利用了前两种算法的优点,得到了具有较高峰值信噪比、较完整保留图像细节而且具有更佳视觉效果的去噪图像。     

基于自适应块组割先验的噪声图像超分辨率重建

要增强噪声图像的分辨率,传统的串联方式依次进行去噪与超分辨率重建两个步骤,但去噪算法去除噪声的同时也损失了部分细节信息,影响了后续超分辨率重建的质量.为了使低分辨率噪声图像中所有细节信息都能参与超分辨率重建,本文以非局部中心化稀疏表示（Nonlocally centralized sparse representation,NCSR）模型为基础,提出了基于自适应块组割（Patch-group-cuts,PGCuts）先验的噪声图像超分辨率重建方法,同时实现去噪和超分辨率重建功能.块组割先验基于新颖的三维邻域系统和块组模型,能够达到图像去噪、边缘平滑和边缘清晰等效果.重建时以边缘强度为参考对块组割先验进行自适应约束,由于块组割在平滑区域约束力较低,采用分区域融合的方式进一步抑制噪声.本文对合成的低分辨率噪声图像和真实的低分辨率噪声图像进行了重建实验,实验表明,基于自适应块组割先验的噪声图像超分辨率重建算法,在丰富细节的同时能抑制噪声的干扰,不但具有较高的峰值信噪比和结构相似度等客观评价值,而且在非光滑区域具有很好的主观重建效果.     

非局部降噪快速模糊C-均值聚类算法

传统的模糊C-均值聚类算法未利用图像的空间信息,在分割迭加了噪声的MR图像时分割精度较差。采用了既能有效去除噪声又能较好地保持图像边缘特征的非局部降噪方法,结合基于图像灰度直方图聚类分析的快速模糊C-均值聚类算法,得到了一种具有较高分割精度的图像快速分割算法。通过对模拟图像、仿真脑部MR图像和临床脑部MR图像的分割实验,表明提出的新算法比已有的快速模糊C-均值聚类算法有更精确的图像分割能力。     

采用训练策略实现的快速噪声水平估计

目的 大多数图像降噪算法都属于非盲降噪算法,其获得良好降噪性能的前提是能够准确地获知图像的噪声水平值。然而,现有的噪声水平估计（NLE）算法在噪声水平感知特征（NLAF）提取和噪声水平值映射两个核心模块中分别存在特征描述能力不足和预测准确性有待提高的问题。为此,提出了一种基于卷积神经网络（CNN）自动提取NLAF特征,并利用增强BP （back propagation）神经网络将其映射为相应噪声水平值的改进算法。方法 在训练阶段,首先通过训练卷积神经网络模型并以全连接层中若干与噪声水平值相关系数较高的输出值构成NLAF特征矢量;然后,在AdaBoost技术的支撑下,利用多个映射能力相对较弱的BP神经网络构建一个非线性映射能力更强的增强BP神经网络预测模型,将NLAF特征矢量直接映射为噪声水平值。在预测阶段,首先从给定噪声图像中随机选取若干个图块输入到卷积神经网络模型中,提取每个图块的若干维NLAF特征值后,利用预先训练的BP网络模型将其映射为对应的噪声水平值,然后以估计值的中值作为图像噪声水平值的最终估计结果。结果 对于具有不同噪声水平和内容结构的噪声图像,利用所提算法估计出的噪声水平值与真实值之间的估计误差小于0.5,均方根误差小于0.9,表现出良好的预测准确性和稳定性。此外,所提算法具有较高的执行效率,估计一幅512×512像素的图像的噪声水平值仅需约13.9 ms。结论 实验数据表明,所提算法在高、中、低各个噪声水平下都具有稳定的预测准确性和较高的执行效率,与现有的主流噪声水平估计算法相比综合性能更佳,可以很好地应用于要求噪声水平作为关键参数的实际应用中。