调整EM算法结合加权小波在COSM中的应用

用基于深度变化成像模型的调整EM算法进行三维显微图像复原,不能更好地复原图像细节,而且耗时长。为提高图像的复原质量,缩短时间,提出把调整EM算法与加权小波相结合的算法。该算法先对加权小波系数进行调整,再用调整EM算法进行迭代复原。实验表明复原效果得到改善,并减少了迭代次数,效率明显提高。     

基于小波和维纳图像复原的像移补偿方法

提出一种基于小波变换和维纳滤波相结合的图像复原方法,有效地消除了航空成像系统的像移模糊.该算法先在小波变换的基础上对各个子频段的小波系数进行维纳滤波,以达到更好的消除模糊的目的.然后对维纳滤波后的图像进行小波逆变换,得到复原图像.经实验验证该算法对因前向像移造成的图像模糊有比较好的复原效果.     

噪声模糊图像复原算法构建及仿真

针对传统图像复原算法对噪声强度较大的模糊图像进行复原时,容易出现图像失真的问题,研究结合经典维纳滤波算法和空间滤波算法,提出一种组合维纳滤波算法的噪声模糊图像复原方法。首先,采用空间滤波算法减弱模糊图像的噪声;然后,采用维纳滤波算法对去噪后的模糊图像进行复原;最后,通过仿真实验对组合维纳滤波算法进行验证。结果表明,相较于单一的维纳滤波算法,所研究组合维纳滤波算法在高斯噪声、椒盐噪声、高斯-椒盐噪声的条件下,PSNR、SNR、ISNR值均提高了0.5 d B以上,具有一定的优越性,可提高复原图像的质量,得到清晰且轮廓分明的复原图像。     

一种改进的运动模糊图像复原算法

根据运动造成图像模糊的特点,本文阐述了匀速直线运动模糊图像的退化模型,介绍了维纳滤波复原方法,提出了一种改进的运动模糊图像复原算法。该算法首先加强Radon变换算法的抗噪性能,利用自相关运算估计点扩展函数的模糊尺度参数,采用改进的K值自动估计算法较准确地估计出K值,再用维纳滤波复原图像。结果表明,这种改进的综合算法能够较为精确地估算出运动模糊图像的模糊参量,取得了较好的复原效果。     

小波变换在三维EM图像复原中的应用

提出了一种新的基于小波变换的三维EM（Expectation Maximum）图像复原算法,并将该算法用于显微光学切片的图像复原中。该算法分别在傅里叶域和小波域内交替进行,在傅里叶域进行解卷积,在小波域进行去噪。实验表明,通过对参数的合理选取,可很好地对三维图像进行复原。同时和已有的调整EM图像复原算法相比,迭代的次数少,效率明显提高。     

基于深度变化成像模型的图像估计

该文提出了一种基于EM算法的最大似然图像复原算法,此算法是基于三维显微光学切片中成像随深度变化的模型实现的。实际成像中,由于样本中物质是变化的,故样本不同位置的折射率不一样,并且会导致其点扩展函数也不同。虽然大多数显微镜具有像差补偿功能,但由于样本的折射率和物镜的折射率不匹配,导致不同深度其点扩展函数也不一样。该文对二维图像和三维图像序列进行实验,结果表明通过此算法能够补偿由于深度变化所带来的模糊,从而将模糊图像复原。     

基于RGB通道自适应的维纳滤波图像去模糊研究

图像去模糊是针对当图像受到模糊,复原出期望的清晰图像的过程。由于图像受到模糊的程度及过程未知,很难利用精确的模糊核对图像进行复原。同时要考虑到图像的三个通道在受到模糊时的影响不一致,对维纳滤波复原图像进行了研究,提出一种基于RGB三通道下自适应的维纳滤波图像去模糊技术研究。首先对图像进行模糊核估计,求出模糊核,然后将图像分为有限个图像块,对图像进行降维,最后,通过求出的模糊核应用到维纳滤波模型中,进行图像复原。与现有的方法比较,基于RGB通道自适应的维纳滤波图像去模糊研究的方法能够得到更好的恢复效果,并有效的抑制了边界出现的振铃现象。     

基于超拉普拉斯模型的运动去模糊算法*

通过分析自然图像梯度统计的长尾分布特性,提出一种基于超拉普拉斯模型的图像运动去模糊算法。该算法使用分步交替迭代最小化办法优化能量方程,并在优化过程中采用了查询表法快速求解图像反卷积。实验结果表明,该算法可以在数秒时间内处理完成一幅中等大小的图像,并获得较优的复原结果,其复原效果和对振铃现象的抑制均优于维纳滤波法和Richardson-Lucy复原法。     

基于Z变换及模糊加权均值滤波的匀速运动模糊图像恢复

针对相对匀速运动造成的图像模糊问题,假设目标在像平面内并行于X轴方向作匀速运动;在较严格数学推导下建立基于Z变换的退化及恢复模型,将差分方程转化为简单的代数方程求解;针对算法容易造成噪声积累使复原图像质量下降的问题,在算法中加入模糊加权均值滤波算子,并给出了完整的算法实现。仿真结果表明,提出的恢复算法在提高模糊图像恢复速度的同时,能有效地抑制噪声、防止噪声的不断扩散,使复原图像的质量得到明显的改善,算法对模糊宽度的变化不敏感,较维纳滤波恢复算法有一定的稳健性及优越性。     

基于改进约束最小二乘方法的图像复原算法

约束最小二乘方法(约束最小二乘方滤波器)在图像复原的应用过程中普遍只要求噪声方差和均值的知识,对处理的每一幅图像都能产生最优效果,因而得到了广泛应用。文中提出的图像复原算法就是基于约束最小二乘方法的,并对其进行了改进。通过实验证明,用该改进的图像复原处理方法复原的图像比用维纳滤波方法复原的图像更加平滑,复原图像的信噪比也更大。另一方面,改进的约束最小二乘方法复原的图像比平滑约束最小平方法复原的图像具有更加突出的边缘,而且同样具有更高的信噪比。适当应用该方法,能够体现出维纳滤波和平滑约束最小平方滤波这两种基本的约束最小二乘方滤波相结合的效果优势。     

模糊图像恢复的投影重开始共轭梯度法

针对点扩散函数为线性位移不变的图像恢复问题提出了一种重开始的投影共轭梯度法．该方法结合正则化技术,分两层迭代,采用阻尼Morozov偏差原则作为停机准则,在运算中利用快速傅立叶变换减少计算复杂度．并对二维遥感灰度图像和彩色图像分别进行数值实验,验证了该方法可以有效的再现原始图像,证明了算法的有效性．     

一种基于EM算法的图像分割改进技术

图像分割是计算机视觉的基础,该文结合EM算法和PCA降维技术,给出了一种有效快速的进行图象分割的方法。该方法利用高斯混合模型对原始图像进行建模,通过EM算法将分割问题转化为参数最大似然估计的问题,同时采用PCA降维技术和随机采样来降低计算量。通过人工合成图象及真实图象的实际测试结果,验证了该算法的有效性和快速性。     

一种基于正则化参数自适应选择的快速近似求逆的图像恢复新算法

本文根据正则化恢复中正则化参数应具有的性质,提出了一种基于正则化参数自适选择方案的新的空域迭代恢复算法。     

过完备字典稀疏表示下的RAMP重构算法

压缩感知理论将采样理论与压缩理论合二为一,成为最近几年来的研究热点。主要依据图像的稀疏性或是可压缩性的特点,使用K-均值奇异值分解（K-Means Singular Value Decomposition,K-SVD）算法训练获得过完备字典,使用高斯随机矩阵作为测量矩阵,最后通过正则化自适应匹配追踪算法作为压缩感知重构算法,提出了K-SVD过完备字典的正则化自适应匹配追踪算法（KSVD Regularized Adaptive Matching Pursuit,KSVD-RAMP）。通过对重构图像的峰值信噪比、重构时间、相对误差等客观评价指标以及主观视觉上对所提算法以及传统的贪婪算法做对比。实验结果表明,该算法比基于离散小波稀疏表示的RAMP算法的峰值信噪比提升了2~6 dB。因此,该算法重构出的图像不管在视觉效果上,还是在客观评价指标上都有一定的改善。     

基于紧框架的二阶总广义变分图像修复模型

针对传统总广义变分（TGV）小波修复模型采用单一小波基变换,仅对纹理细节信息较少且结构简单的图像有很好修复能力的缺点,提出一种紧框架域下的总广义变分正则化修复模型。不同于经典小波变换,紧框架系统具有冗余、时移不变和线性相位等图像处理过程中较为重要的特性。新模型通过引入多层紧框架分解系数的低阶与高阶导数项建立正则化项,获取图像不同尺度多方向上的特征信息来对图像进行约束。模型的数值实现采用分裂技术与原始-对偶方法相结合的优化算法（PDSBA）,交替迭代求解两个易于处理的子问题,提高了图像修复过程的处理效率。相比于传统模型,所提模型不仅具有保边性能,而且对含有较多细节或纹理信息的图像也有较好的修复效果。实验结果显示,三个修复性能指标：峰值信噪比（PSNR）、平均绝对误差（MAE）和结构相似测度（SSIM）均获得显著提升。     

一种变步长迭代正则化图像复原的新算法

针对现有迭代正则化方法复原质量不高的问题 ,提出了变步长迭代正则化图像复原方法 ,并在三种不同的正则参数下对该方法的恢复性能进行了检验。实验结果表明 ,该方法不仅提高了图像复原的质量 ,极大地减少了迭代算法的运行时间 ,而且当噪声能量增大时 ,迭代过程中解的稳定性也不会受到影响 ;更重要的是它对正则参数的选择不敏感。     

基于细胞神经网络的图像复原新方法

针对图像复原方法普遍运算量大的问题,提出了一种利用细胞神经网络进行图像复原的新方法,并首先提出了易于硬件实现的基于边缘方向判据的正则化复原方法;然后通过细胞神经网络的能量函数设计合适的网络参数来对该正则化函数进行细胞神经网络实现。仿真结果表明,该新方法是有效的,复原效果优于有约束的最小二乘复原法和已有的细胞神经网络图像复原法,而且由于细胞神经网络的并行性和硬件易实现性,使该新方法可以实时进行图像复原。     

一种改进的正则图象

把正则图象的误差分成两部分：一部分为逼近误差，它是和原图象相关的确定型误差，另一部分为噪声传递误差，它是和噪声相关的随机型误差．通过正则图象代替原图象，求得逼近误差的近似值，然后将逼近误差近似值补给正则解，得到改进型正则解．对正则解以及逼近误差的计算，提出了快速算法，并有严密的理论推导．实验结果表明改进型正则图象的恢复效果优于传统正则解．在一敷的正则化方法中，可以借鉴本文提到的方法改进正则解．     

基于[t]分布混合模型的半监督网络流分类方法

针对传统高斯分布容易受到数据样本边缘值和离群点噪声的影响,改用t分布替代原有的高斯混合模型,并使用期望最大化（Expectation Maximization,EM）算法对网络流数据样本进行t分布混合模型的建模。为降低EM算法的迭代次数,对t分布混合模型进行了改进,用理论和实验验证了算法的有效性,并对网络多媒体业务流进行了分类研究。实验表明,提出的算法有较高的分类准确率,拟合的模型要优于传统的K-Means算法和传统的高斯混合模型的EM算法。