基于显著性检测与权重映射的可见光与红外图像融合算法

为了解决当前可见光(VI)与红外(IR)图像融合中易出现信息丢失,以及存在伪影等问题,提出了一种显著性检测耦合权重映射结合的VI与IR图像融合算法。分别对VI和IR图像进行二尺度分解,得到基础层和细节层。为了提高VI和IR融合效果,定义了一种显著性特征检测方法,在每个源图像上应用均值滤波以减小像素与其相邻像素之间的强度变化,以完成平滑处理。再借助中值滤波来消除每个源图像中的噪声与伪影,较好地保留图像边缘。并通过取均值和中值滤波输出的差异来计算图像的显著性特征,以突出边缘和直线等显著性信息。然后,通过对显著性检测结果完成归一化处理,以构建权重映射,为细节层分配合适的权重。再将基础层和细节层采用不同的规则进行融合,其中,联合权重映射与细节层,得到最终的细节信息,并借助平均融合规则来完成基础层的融合。最后,利用最终基础层和细节层的线性组合来构造新图像。实验表明,与当前多尺度图像融合技术相比,所提算法仅采用两尺度分解,显著提高了融合效率,而且得到的融合图像具有更好融合质量,有效消除了伪影,在融合过程中的信息丢失量更少。     

基于显著性检测与权重映射的可见光与红外图像融合算法

为了解决当前可见光(VI)与红外(IR)图像融合中易出现信息丢失,以及存在伪影等问题,提出了一种显著性检测耦合权重映射结合的VI与IR图像融合算法。分别对VI和IR图像进行二尺度分解,得到基础层和细节层。为了提高VI和IR融合效果,定义了一种显著性特征检测方法,在每个源图像上应用均值滤波以减小像素与其相邻像素之间的强度变化,以完成平滑处理。再借助中值滤波来消除每个源图像中的噪声与伪影,较好地保留图像边缘。并通过取均值和中值滤波输出的差异来计算图像的显著性特征,以突出边缘和直线等显著性信息。然后,通过对显著性检测结果完成归一化处理,以构建权重映射,为细节层分配合适的权重。再将基础层和细节层采用不同的规则进行融合,其中,联合权重映射与细节层,得到最终的细节信息,并借助平均融合规则来完成基础层的融合。最后,利用最终基础层和细节层的线性组合来构造新图像。实验表明,与当前多尺度图像融合技术相比,所提算法仅采用两尺度分解,显著提高了融合效率,而且得到的融合图像具有更好融合质量,有效消除了伪影,在融合过程中的信息丢失量更少。     

曲波变换域的SAR图像相干斑去噪

合成孔径雷达(SAR)图像固有的相干斑噪声降低了图像的质量,使得图像的可视化和解译变得困难,影响了后续的目标检测、分类和识别等应用。为此提出了一种在快速曲波变换域的SAR图像去噪算法。先将SAR图像分成均质区域、非均质区域和边缘区域。使用均值滤波器对均质区域的像素滤波,对于非均质区域的像素使用曲波硬阈值滤波算法处理,边缘区域的像素直接保留。实验结果表明,此算法能有效的去除SAR图像的噪声并保持图像细节。     

基于强度-梯度映射与多方向中值滤波的红外弱小目标检测算法

为了能够在复杂环境下准确定位出弱小目标,依据目标的高斯形状特性,设计了强度-梯度映射耦合多方向中值滤波的 红外弱小目标检测算法。 首先,根据红外图像在 4 个不同方向的强度均值,对经典的中值滤波进行改进,以有效抑制复杂背景 中的噪声。 再基于弱小目标的中心像素,获取整个红外图像的强度信息。 将红外图像沿着半径方向分割为 4 个子块,并建立每 个子块的极坐标系统,以计算其对应的梯度值。 依据最大与最小梯度值的比率,得到整个红外图像的梯度信息。 再将强度与梯 度信息实施融合,得到背景抑制图像,以增强红外弱小目标。 最后,利用强度-梯度映射中的非零像素均值来计算阈值,对背景 抑制图像实施分割,准确定位弱小目标。 测试数据显示,与已有的红外弱小目标检测方案相比,所提算法具备更高的检测准确 性,可完整地识别出目标,呈现出更为理想的 ROC(receiver operating characteristic)曲线。     

分块平均的噪声图像边缘检测

边缘检测是图像处理中很重要的组成部分,其效果好坏直接影响到后面的图像分析。针对传统的边缘检测算子对噪声的干扰较大,本文提出一种被噪声污染的图像边缘检测的新方法。将模板窗口平均分成不同方向的8块,计算不同方向的平均灰度值的绝对差,然后判断窗口中心像素是否为边缘点。实验结果表明,该边缘检测算子在抑制噪声对图像边缘的影响和保持图像细节方面,优于传统的边缘检测算子。     

基于方向的多阈值自适应中值滤波改进算法

为了在有效滤除椒盐噪声的同时更好地保持图像细节,提出一种基于滤波值二次修正的图像椒盐噪声滤波算法。该算法首先利用基于阈值的自适应中值滤波改进算法实现对噪声点的检测与初级滤波,然后对滤波值采用基于方向信息的多阈值自适应滤波算法,实现对初级滤波值的二次修正。算法结合了基于阈值的自适应中值改进算法良好地噪声检测性能及基于方向信息的多阈值自适应滤波算法的细节保护能力。实验结果表明,在客观评价指标和主观视觉效果方面,新算法均取得了优于传统自适应中值滤波算法及其改进算法的效果。     

基于LoG算子的双滤波边缘检测算法

边缘检测是图像处理中的重要步骤,为了有效抑制噪点并保留边缘信息,分析了高斯滤波不具有自适应性的缺陷,根据噪声灰度值不连续的特性,在改进传统均值滤波的基础上,提出了一种加权系数自适应的均值滤波,并通过与LoG算子相结合,得出一种基于LoG算子的双滤波边缘检测算法。通过实验对比发现,该算法可有效的消除噪点的干扰,又能保证获取边缘的准确性,并且与LoG算子、Canny算子等算法相比较,在保持检测速度基本不变的情况下具有更好的检测精度。     

关于图像方向性边缘检测算法的研究

该文基于模糊分类和像素方向性提出对图像边缘进行二次确定，同时参数控制去噪及锐化真正边缘。该算法计算量小，边缘明显变细，噪声和伪边缘减少，对边缘细微图像检测效果理想。     

基于边缘像素约束规则与双特征模型的图像修复算法

为了解决当前基于样本块的图像修复算法主要是常采用固定尺寸的样本块进行重构,在面对丰富的边缘细节信息时,导致重构图像中出现振铃效应以及不连贯效应等不足,提出了一种基于边缘像素约束与双特征模型的图像修复算法。首先,将图像信息熵引入Criminisi算法中,改进了优先级计算函数,确定图像修复的顺序。然后,利用Sobel算子对图像进行边缘检测,利用边缘像素所对应的灰度信息来建立边缘像素约束规则,通过边缘像素点的灰度值之差动态选择合适尺寸的样本块。最后,通过联合SSD和SSIM模型,设计双特征模型,对待修复块以及匹配块进行相似性度量,确定最佳匹配块对损坏区域块进行填充,完成图像修复。实验结果显示,与当前图像修复算法相比,所提算法具有更高复原质量与效率。所提算法具备较好的图像修复能力,在图像处理领域具有良好的参考价值。     

基于差异结构描述符与自适应侧抑制的红外弱小目标检测算法

为了提高复杂背景下的弱小目标的检测精度,提出了基于差异结构描述符与自适应侧抑制的红外弱小目标检测技术。首先,引入非局部均值滤波,对红外图像进行预处理,降低噪声的干扰;随后,计算输入滤波红外图像的梯度值,引入奇异值分解方法,在梯度域内获取特征信息,从而确定主方向;为了能够根据红外图像的信息变化来自适应增强弱小目标与抑制背景,利用奇异值分解获取的主方向来计算侧抑制系数;并利用特征信息,构建差异结构描述符,联合改进的侧抑制系数,形成了一个自适应侧抑制滤波器,降低其对噪声的敏感性,以更好地对红外图像中的每个像素进行处理;最后,定义像素灰度补偿函数,完成弱小目标检测。实验结果显示:与当前红外弱小目标检测技术相比,在噪声与复杂背景情况下,所提算法能够准确完整地检测出弱小目标,具有更高的信杂比增益与背景抑制因子,呈现出更理想的ROC曲线。     

基于非局部空间约束的可靠性核FCM算法的图像分割

针对图像易受到噪声破坏的现象,导致传统的模糊C均值(fuzzy c-means, FCM)算法分割效果差的问题,提出基于非局部空间约束的可靠性核FCM算法,旨在有效的去除噪声干扰和保留图像细节。首先在FCM的目标函数中引入了一个非局部空间约束项,并在此基础上利用一个正则化参数来增强图像细节保留的能力;其次引入一个不确定性的聚类模型,以降低噪声点和边缘点的影响;最后使用高斯核距离代替欧氏距离,进一步提高算法对噪声的鲁棒性。利用含噪声的合成图像、自然图像和遥感图像进行实验,结果表明所提算法的抗噪性能较好,同时也能保留更多的图像细节。其中,对于被高斯噪声和椒盐噪声破坏的灰度图像,所提算法的平均精度分别为99.92%和99.97%,提高了4.02%和1.47%。     

改进的基于curvelet域的SAR图像降斑方法

为克服curvelet硬阈值SAR图像降斑方法的不足,本文提出一种结合图像边缘方向特性的降斑方法。该方法利用曲波域内同一位置处不同方向上的curvelet系数提取图像的边缘方向特征,在curvelet硬阈值方法基础上做基于边缘方向特性的去噪处理,进一步抑制残余的噪声系数。为防止破坏图像中弱的细节边缘,引入一种边缘保持机制。实验结果表明,同curvelet硬阈值方法相比,本文的改进算法在提高SAR图像斑噪抑制能力的同时较好地保持了图像的边缘特征。     

增强型Shearlet域SAR图像去噪

针对合成孔径雷达(SAR)图像固有的相干斑噪声,提出了一种增强型Shearlet域SAR图像滤波去噪算法。该算法首先分析SAR图像的局部特性,利用局部特性,将图像分成均质区域、非均质区域和边缘区域。对均质区域,用均值滤波器进行滤波去噪;对非均质区域,用Shearlet变换处理去噪;对边缘区域,进行直接保留。实验结果证明,该算法不仅能够显著消除相干斑噪声,明显的提高视觉效果,而且能够很好的保持边缘细节和纹理信息。     

一种图像边缘检测的分形误差算法

为了解决传统图像边缘检测的不足,提出了一种基于分形误差的检测算法。首先将图像数据由灰度空间转换为分形特征空间,然后通过目标与背景所体现出的不同分形模型差异来达到边缘检测的目的。实验结果表明,该算法具有抗噪声、小目标或多目标检测等优点。     

基于区域生长的噪声图像细节保护滤波器

本文提出了两种同时受脉冲噪声和高斯白噪声污染图像的基于区域生长的细节保护滤波器。本方法由于利用了图像的空间结构信息及像素的幅序信息,因而能较好地解决图像细节保护与噪声滤除物矛盾。在区域生长算法中采用了自适应阈值,能自适应地解决参与滤波运算的像素。文中还给出了模拟实验的结果。     

基于空-频域映射与虚警抑制的弱小目标检测算法

为了有效控制红外弱小目标检测过程中的虚警率,提高复杂云背景下的目标检测准确度,提出了基于空域-频域映射与虚警抑制的弱小目标检测算法。根据红外中心像素不同方向上的强度值,构建了方向最大中值滤波器,有效消除噪声;并利用中心像素与其邻域像素的强度差异,形成背景抑制滤波,充分增强弱小目标;考虑云区域的特有属性,联合非线性滤波,定义了云区域识别机制,提取空域映射;引入Butterworth差异低通滤波器,对去噪图像中的显著目标完成初步识别;基于其幅度信息,进行显著目标的精细检测;再利用细显著性检测结果,计算阈值,利用二值分割方法来获取去噪红外图像的频域映射;联合空域映射与频域映射,提取红外图像中的候选目标;根据真实动目标与虚警之间的运动特征差异,利用多尺度改进的管道滤波来抑制虚警,准确识别出真实目标。实验数据表明,相对于已有的弱小目标识别方案,所提方案能够准确地识别出真实目标,拥有更好的ROC特性曲线。     

面向视觉假体的复杂图像处理技术

为了更准确地提取视觉假体采集的复杂图像中的信息,提出了一种基于视觉显著性的复杂图像视觉焦点检测和基于多尺度信息融合的图像边缘特征提取算法。算法首先利用GB算法计算复杂图像显著性图,然后利用双阈值分割和形态学方法提取出复杂图像中的视觉焦点区域。其次,针对传统边缘检测中单尺度微分算子的不足,提出了融合多尺度Sobel的边缘检测方法。提出的复杂图像处理策略既简化了图像信息编码的复杂度,又提高了边缘提取算法的噪声稳健性。     

一种基于数学形态学的灰度图像边缘检测方法

图像边缘包含图像的绝大部分有用信息,因而图像识别、匹配等具有很大的研究价值。传统的边缘检测算法去噪能力差、边缘定位能力低,而一般数学形态学算法提取的边缘清晰度不高,且不够平滑,难以满足图像处理的需要。采用序列多尺度结构元素分别对图像进行滤波,再灰度累加取均值,有效滤除噪声的基础上,尽量突出有效的边缘信息,去掉无效的细节信息。通过仿真验证,边缘定位精度高且平滑连贯,效果良好。     

改进型多项式匹配图像去噪算法的研究与应用

为进一步改善常规多项式匹配算法的去噪能力,针对常规多项式匹配算法容易模糊图像边缘/纹理等细节问题,提出一种基于边缘保护的改进多项式匹配滤波的算法。该方法在常规多项式匹配算法基础上,改进滤波窗口的选择方式,沿着图像纹理走向方向提取自适应滑动滤波窗口,选择具有最小匹配误差的窗口进行匹配滤波并作为最终输出结果。然后分别在灰度图像和实际CT图像进行测试,经数据验证表明,该方法在有效压制噪声的前提下能够保持边缘/纹理信息,峰值信噪比平均提升80%以上,均方根误差减少80%以上。认为和常规多项式滤波方法、中值滤波方法、双边滤波方法、边缘保持滤波方法、三维块匹配去噪算法和去噪卷积神经网络方法相比,改进方法能够有效提升图像视觉效果,满足图像应用要求,具有良好的应用前景。     

基于小波变换的图像去噪

消除噪声是图像处理中一个非常重要的预处理步骤,然而,噪声消除与边缘保持构成了相互影响的一对矛盾。由于图像噪声存在不确定性,采用模糊理论进行噪声消除可取得较好的去噪效果。小波变换具有多分辩率的时频分析特性,不仅适用于平稳信号的分析处理,尤其适用于非平稳动态信号的分析处理。本论文将模糊理论与小波变换两者有机地结合起来,提出了WCFM去噪算法和AFTF去噪算法。与相关的去噪算法相比,本文提出的改进算法不仅有效地消除了噪声,而且还具有保持图像边缘细节的优势。通过仿真实验,验证了算法的有效性。