基于自适应耦合PDE模型的车牌图像去噪研究

针对车牌识别预处理中的图像去噪问题,提出一种自适应耦合偏微分方程(PDE)去噪模型;该模型在各项异性扩散模型的基础上,构造一种新的去除椒盐噪声的扩散项,能够根据噪声图像特点自适应控制扩散速度,有效抑制椒盐噪声,并将新的扩散项与各向异性扩散模型进行耦合,并提出一种新的耦合系数计算方法,根据图像信息自适应计算耦合系数,使得新模型能够在新的扩散项和各项异性扩散模型间自适应转换,有效去除车牌图像中的混合噪声;为了抑制去噪引起的图像边缘模糊问题,引入振动滤波进行逆滤波,增强图像的边缘信息;实验结果表明,自适应耦合PDE模型能更有效去除车牌图像中的混合噪声,保护图像的边缘信息,提高图像的峰值信噪比(PSNR);去噪后的图像更有利于后续的字符分割与识别,有效提高车牌图像的识别准确率。     

基于改进各向异性的水平集医学图像去噪

针对成像复杂、噪声突出的医学图像在去除噪声的同时模糊边缘特征的现象,提出了基于改进的各向异性的水平集去噪模型。在水平集去噪模型的基础上,加入了改进的各向异性扩散因子,其中改进的各向异性扩散因子采用了中值滤波平滑后的梯度模替换原始图像的梯度模,对于医学图像中大量的斑点噪声更加有效,并保留了图像的边缘信息。基于Matlab平台对改进算法进行了验证,实验表明,基于改进各向异性的水平集算法在有效去除噪声的同时,非但没有模糊边缘特征,相反地起到增强边缘信息的效果。改进算法优于各向异性算法和中值滤波等算法,提高了图像的信噪比,降低了图像的均方误差,保留了更多细节信息,使得医学图像更好地用于诊断,以及后续的分割等处理。     

基于PDE的卫星姿态图像分割

为了分析卫星的在轨姿态,需要分割卫星图像序列,本文给出了一种基于偏微分方程(PDE)的卫星姿态图像分割算法.算法首先使用Perona-Malik各向异性扩散模型去除图像的噪声,同时保持图像的边缘;然后以Mumford-Shah模型为基础,根据图像的灰度信息,通过求解水平集方程以获取全局的最优曲线;最后经过形态学处理后得到分割结果.实验结果表明,该算法能够有效地分割卫星姿态图像,从而获取图像特征.     

改进的各向异性扩散图像去噪算法

图像去噪是图像处理中的重要环节,经典的图像去噪算法,如中值滤波、高斯滤波和加权平均滤波等,去噪效果都不是很理想。传统方法在去除噪声的同时,会使图像的边缘也变得模糊。偏微分方程(PDE)是近年比较流行的图像处理方法,它具有各向异性的特点,在去除噪声的同时,能很好地保持图像的边缘。基于现有算法,提出了一种改进的去噪算法。将传统P-M算子中的固定边缘阈值改为随梯度模变化的自适应阈值,并结合图像结构张量构造一个扩散函数。在图像平坦区,改进的P-M模型具有各向同性的特点,有利于平滑噪声;而在图像边缘处,该模型只沿切线方向扩散,有利于保护图像细节。试验表明,改进的P-M模型能很好地改善图像去噪效果,同时也能很好地保持图像的边缘。     

曲率无关方向扩散及改进型Chan-Vese主动轮廓模型

低信噪比条件下的图像分割是图像分割与应用中所面临的难点之一.针对当前非参数化主动轮廓分割模型在低信噪比、高曲率条件下难以准确收敛到目标边缘的问题,以主动轮廓模型中的噪声处理项作为切入点,提出一种基于曲率无关方向扩散的非参数化主动轮廓噪声去除方法.通过曲率无关方向扩散避免了去噪过程对主动轮廓形状的影响,并通过非规则边缘控制函数进一步控制噪声去除过程对信号边缘与噪声的不同作用,在有效去除噪声的同时保证了高曲率轮廓的收敛性;在此基础上,提出一种针对低信噪比图像分割的改进型Chan-Vese主动轮廓模型.最后通过详细的实验证明了该方法和改进Chan-Vese主动轮廓模型的有效性.     

基于小波变换的权重自适应图像分割模型

针对灰度不均匀且含噪声图像的分割问题,提出了全局和局部灰度信息的权重参 数自适应水平集分割模型。首先,利用图像的全局和局部灰度信息构造全局能量项和局部能量 项;然后,利用小波变换和小波阈值去噪方法,构造对噪声不敏感的边缘信息刻画矩阵,定义包含 图像边缘信息的自适应权重系数矩阵;最后,利用定义的权重系数矩阵组合全局和局部能量项, 得到分割模型的能量泛函。使用变分法得到了水平集函数演化方程,利用有限差分法实现数值 求解。实验结果表明,该模型兼有 Chan-Vese 模型和 Local Binary Fitting 模型的优点,能够有效 地分割灰度不均匀含噪图像,并对活动轮廓曲线的初始位置和初始形状具有很强的鲁棒性。     

基于边缘信赖度和形状相似性的超声图像分割方案

为了对低信噪比的超声图像进行有效分割,提出了一种新的超声图像分割方案,该方案由各向异性扩散方程和蛇模型组成。首先通过对蛇模型算法进行改进,并利用预先知道的形状信息,提出了一种基于形状相似性的参数自调整蛇模型;同时还对各向异性扩散方程进行了修正,提出了基于边缘信赖度的改进算法,以提高各向异性扩散方程的去噪能力。实验结果表明,该方法不但缓解了由于超声图像信噪比过低而影响分割的问题,同时实现了蛇模型的参数自适应设置,可见是一种有效的图像分割算法。     

基于PM模型的曲面去噪变分水平集方法

PM（perona-malik）模型是一种经典的非线性图像扩散模型,该模型能根据设定的阈值对图像光滑区域进行扩散,并能自适应地保持图像边缘。本文将曲面法矢量与一般灰度图像的强度进行类比,将经典的图像扩散的PM模型转化为曲面几何噪声处理的自适应扩散变分模型,在使曲面光滑的同时,能够保持曲面边缘。曲面采用隐函数的零水平集表达,能量泛函中的数据项用初始水平集函数的Heaviside函数与演化后水平集函数的Heaviside函数差的平方表达,能量泛函中的光滑项基于几何曲率定义。此外,在能量泛函中增加了水平集函数为符号距离函数的惩罚项,避免了水平集函数需要不断重新初始化的问题。数值实验验证了所提出模型的曲面噪声去除及曲面边缘保持效果。     

基于各向异性改进的水平集超声图像去噪算法

针对各向异性扩散可能出现的阶梯效应以及扩散门限难以准确确定、水平集函数只能根据图像梯度区分图像边缘及同质区域的问题,将各向异性扩散中的边缘增强项引入到水平集方程中,同时自适应地估计扩散门限,在去除噪声的同时保持和增强边缘。该方法结合了水平集函数和各向异性扩散的优点,理论分析和实验结果均表明了该算法的去噪效果更好。     

改进的二阶总广义变分图像前后景分割模型

针对总变分TV图像前后景分割模型易导致阶梯效应的缺陷,提出了二阶总广义变分TGV图像前后景分割模型。为进一步提升图像分割质量,在TGV前后景分割模型的正则项中引入边缘指示函数,使其在图像边缘区域减弱扩散,较好地保护边缘;在图像平滑区域增强扩散,有效地消除噪声。为突出前景信息,用矩形框标出图像的前景信息,对框内部、外部和边缘的像素做距离映射,并根据能量最小化原则,在二阶TGV模型的数据项中引入此距离映射函数,使模型总能量更小。最后,提出了一种有效的原始对偶分割算法来求解模型。实验表明,新模型不但能够去除阶梯效应现象,保持图像的边缘信息,还使得模型总能量更小,分割得到的图像视觉效果更好。     

基于全变分模型的自适应FCM图像分割

针对模糊C均值(FCM)算法对噪声敏感的缺点,在FCM目标函数中引入全变分惩罚函数,提出一种基于全变分模型的FCM图像分割方法。该方法根据图像的纹理变化,自适应调整图像保真项的惩罚因子,同时在考虑分割代价的情况下,使迭代循环过程中的图像噪声得到平滑。实验结果表明,该方法能提高图像的分割效果,有效解决噪声抑制与精确分割之间的矛盾。     

一种新的图像去模糊清晰化方法

针对在实际环境中很难得到图像去模糊所需要的大量先验知识,诸如退化模式、 点扩散函数等,提出了一种新的图像去模糊清晰化方法。首先利用高斯差分算子获得图像轮廓 信息,然后根据轮廓信息预测清晰图像过渡区,再利用清晰图像过渡区、退化图像和点扩散函 数之间的关系建立目标函数,为了克服噪声的影响,在目标函数中加入了非负性惩罚项和空间 相关性约束项,并使用滞后迭代的极小化方法来求解点扩散函数;最后通过已有的非盲目图像 复原算法复原图像。实验结果表明,该方法无需知道图像退化模式,对各种因素引起的退化图 像都能有效地复原。     

深度迁移学习的相干斑噪声图像标注算法研究

由于相干斑噪声会导致图像特征提取困难,普通的图像处理算法无法对相干斑噪声图像进行有效分类标注。针对其图像特征设计了具有正则与拟合项的求解模型,并提出了深度迁移学习标注算法。在正则项中引入滤波算法和惩罚策略,用于过滤相干斑噪声;拟合项控制估计结果向真实结果的逼近。为满足深度学习网络处理的凸特性要求,对模型采取非凸优化。在深度学习过程中,将图像标注整体分为两个子任务,通过参数迁移进行并行处理。在各个子任务的最末层,分别设计相应的损失函数,对各个特征标签采取计分评价,改善网络学习的搜索能力和收敛性。通过和数据库的仿真,验证了深度迁移学习标注算法能够有效过滤图像中的相干斑噪声,获得更好的图像标注准确性和稳定性。     

Improved PVO-based reversible data hiding

This work extends a recently proposed reversible data hiding (RDH) scheme of Li et al. which is based on pixel-value-ordering and prediction-error expansion. In Li et al.ʼs method, the maximum and minimum of a pixel block are predicted and modified to embed data. The pixel value order of each block is unchanged after data embedding and the property guarantees the reversibility. In this work, instead of the difference between the maximum and second largest value of a block (or, the minimum and second smallest value of a block) considered in Li et al.ʼs method, new differences are computed and new histogram-modification-strategy is utilized. Take the maximum for example, the new difference is defined considering the pixel locations of the maximum and second largest value. In this way, the blocks where the maximum equals to the second largest value can be exploited to embed data while these blocks suitable for RDH are not utilized in Li et al.ʼs work. This can better exploit image redundancy and achieve a superior embedding performance. Extensive experiments verify that the proposed method outperforms Li et al.ʼs and some other state-of-the-art works.     

基于图像片马尔科夫随机场的脑MR图像分割算法

传统的高斯混合模型（Gaussian mixture model,GMM）算法在图像分割中未考虑像素的空间信息,导致其对于噪声十分敏感.马尔科 夫随机场（Markov random field,MRF）模型通过像素类别标记的Gibbs分布先验概率引入了图像的空间信息,能较好地分割含有噪声的图 像,然而MRF模型的分割结果容易出现过平滑现象.为了解决上述缺陷,提出了一种新的基于图像片权重方法的马 尔科夫随机场图像分割模型,对邻域内的不同图像片根据相似度赋予不同的权重,使其在克服噪声影响的同时能 保持图像细节信息.同时,采用KL距离引入先验概率与后验概率关于熵的惩罚项,并对该惩罚项进行平滑,得到 最终的分割结果.实验结果表明,算法具有较强的自适应性,能够有效克服噪声对于分割结果的影响,并获得较高的分割精度.     

A robust active contour model driven by fuzzy c-means energy for fast image segmentation

In this paper, we propose a robust region-based active contour model driven by fuzzy c-means energy that draws upon the clustering intensity information for fast image segmentation. The main idea of fuzzy c-means energy is to quickly compute the two types of cluster center functions for all points in image domain by fuzzy c-means algorithm locally with a proper preprocessing procedure before the curve starts to evolve. The time-consuming local fitting functions in traditional models are substituted with these two functions. Furthermore, a sign function and a Gaussian filtering function are utilized to replace the penalty term and the length term in most models, respectively. Experiments on several synthetic and real images have proved that the proposed model can segment images with intensity inhomogeneity efficiently and precisely. Moreover, the proposed model has a good robustness on initial contour, parameters and different kinds of noise.     

自适应阈值HMRF模型超分辨率重建

针对Huber-Markov随机场作为图像先验进行MAP超分辨率重建时先验约束的有效性问题,通过分析重建过程中Huber惩罚函数与图像空间灰度变化分布特性的相互关系,提出一种根据图像空间灰度变化统计特性,在超分辨率重建迭代过程中动态确定Huber函数阈值的方法。实验结果表明,该方法可根据不同图像的边缘特性,自适应确定Huber惩罚函数阈值,在有效抑制噪声的同时,保持重建图像的边缘和细节信息。     

A gradient-based adaptive error diffusion method with edge enhancement

This paper presents a gradient-based adaptive error diffusion method with edge enhancement effect while preserving the smoothness effect. The proposed method not only can modulate the threshold in halftoning dynamically but also can determine the weights of the error diffusion filter adaptively to diffuse the quantization error to neighboring pixels properly. Under six testing images, experimental results demonstrate that our proposed new error diffusion method has a good compromise between the edge enhancement effect in the halftone image and the image quality effect in the corresponding inverse halftone image when compared to the methods by Floyd–Steinberg, Eschbach and Knox, Hwang et al., Li, and Feng et al., but it has some execution-time degradation.     

结合分水岭算法的水平集医学图像分割方法

由于医学图像中的复杂目标通常难以被完全分割,提出标记分水岭与改进型Li模型的组合图像分割算法。改进型Li模型构造了符号压力函数来取代传统的停止函数,解决了曲线单向演化的问题。标记分水岭具有较强的抑制噪声的能力,对医学图像的弱边缘具有较强的捕获能力。所以首先运用标记分水岭算法对图像进行预分割,快速准确定位目标区域边缘信息。再引入改进型Li模型算法,通过符号压力函数来指引曲线演化方向,控制演化速度大小,实现对复杂目标的完全分割。实验结果表明:全局信息和边缘信息都能被获得,该组合算法对医学图像中的复杂目标的分割效果较满意。     

基于加权边缘弱化引导滤波的人脸光照补偿

光照的变化是影响人脸识别结果的重要因素之一,针对这一问题,提出一种基于加权边缘弱化引导滤波的人脸光照补偿方法。首先为引导滤波损失函数添加一个可区分边缘细节的惩罚项,然后为惩罚项加权,加权系数由正面光照样本的类间平均脸计算得到,最后将滤波后的图像作为自商图中的平滑图,得到光照补偿图像。实验结果表明,该方法弱化了人脸平滑区域由光照造成的边缘细节噪声,且使用光照补偿图像作为人脸识别输入,能有效提高人脸识别准确率,特别在光照大范围变化时,识别准确率提升程度更高。