基于图的数字全变差模型及其带噪图像任意精度放大

分析了利用Sobolev空间Tikhonov正则化模型对带噪图像进行放大的不足，基于图像的修复模型，提出带噪图像放大的数字全变差模型．利用有向图构造出兼顾噪声去除和图像放大的数字TV滤波器，并利用该滤波器提出一种新颖的图像放大算法．作为算法对比，利用Sobolev空间Tikhonor正则化模型，提出相对应的数字Tikhonov放大算法．结果表明：数字TV放大算法明显优于数字Tikhonov放大算法，不仅较好地抑制了噪声的影响，而且使得任意精度放大的图像边缘清晰、过渡自然，特别适合于目标边缘明显的一类非纹理的医学图像的放大。     

基于方向波域混合高斯模型的SAR图像去噪

为了解决传统去噪方法处理SAR(Synthetic Aperture Radar)图像存在的失真、图像边缘模糊等问题,提出一种新的去噪算法。首先对经过对数变换后的SAR图像进行方向小波变换,并对无噪图像的方向小波系数建立混合高斯模型,再用矩估计法对其进行参数估计,最后通过贝叶斯滤波器去除噪声。实验结果表明,该算法可以得到较好的去噪效果,并且有效地解决传统去噪算法在图像失真、边缘模糊等问题存在的不足。     

基于提升Directionlet域高斯混合尺度模型SAR图像噪声抑制

提出了一种新的SAR图像相干斑噪声抑制方法.该方法将高斯混合尺度(GSM)模型引入Directionlet变换域,构造了基于提升Directionlet分解系数的邻域模型,并利用Bayes最小均方估计进行局部去噪.作为一种新的多尺度几何分析工具,Directionlets通过多方向选择来捕捉图像中各向异性特征,滤波器结构为可分离设计;采用提升方案进一步减小变换的运算量.文中对相邻位置和尺度的系数建立GSM模型,能较好地描述系数的边缘分布,充分体现邻域间系数的相关性.对大量真实SAR图像的去噪实验表明,文中方法取得了比空域滤波及小波方法更优的去噪性能,同时在图像边缘等细节特征保持方面具有明显优势.     

基于提升Directionlet域高斯混合尺度模型的SAR图像噪声抑制

提出了一种新的SAR图像相干斑噪声抑制方法.该方法将高斯混合尺度（GSM）模型引入Directionlet变换域,构造了基于提升Directionlet分解系数的邻域模型,并利用Bayes最小均方估计进行局部去噪.作为一种新的多尺度几何分析工具,Directionlets通过多方向选择来捕捉图像中各向异性特征,滤波器结构为可分离设计;采用提升方案进一步减小变换的运算量.文中对相邻位置和尺度的系数建立GSM模型,能较好地描述系数的边缘分布,充分体现邻域间系数的相关性.对大量真实SAR图像的去噪实验表明,文中方法取得了比空域滤波及小波方法更优的去噪性能,同时在图像边缘等细节特征保持方面具有明显优势.     

局部自适应混合模型的遥感图像去噪算法

遥感图像的噪声分析和去除作为经典问题一直受到关注并成为遥感图像处理的一个重要研究领域。传统的去噪方法在一定程度上可以去除图像中的噪声,但往往在去噪的同时会使图像的边缘和细节信息模糊化。针对P-M模型在去除遥感图像高斯噪声时所存在的对图像强边缘和细节附近的噪声难以去除,以及ROF模型通常会导致平坦区域出现“假边缘”,甚至会产生块状效应等问题,提出一种基于局部自适应的混合模型。该模型针对图像局部区域所包含纹理信息的不同,自适应地调整约束权函数,使模型在平滑局部区域能更多地发挥P-M模型的特点,而在纹理丰富或边缘区域则更多地发挥ROF模型的特性,使模型在有效地去除高斯噪声的同时,很好地保护了遥感图像中的边缘特征和细节纹理信息。实验结果表明,对相同的高斯噪声所提出的混合模型去噪后图像的SNR较P-M和ROF模型分别提高了3dB和2dB。     

结合中值滤波的彩色自蛇模型在遥感图像放大的研究

研究了彩色自蛇模型的形成过程,对遥感TM图像进行了后处理放大处理,采用最邻近点插值、双线性插值、三次样条插值、双立方插值、双二次插值。针对插值放大后的图像的边缘出现锯齿化和模糊化问题,由于彩色自蛇模型本身不仅具有边缘锐化功能,它可以消除边缘锯齿化和边缘模糊化问题,而且具有去噪的能力。采用彩色自蛇模型进行后处理,并对处理后的残余斑点进行研究,结果采用了中值滤波的方式取得更好的效果,并对含噪的遥感图像也有较好的放大效果,实验结果证明该方法适于遥感图像的放大处理。     

基于非局部算法的序列图像超分辨率重构

提出了一种基于非局部算法的多帧图像超分辨率重构算法,该方法无需进行图像校正。为克服传统图像复原算法基于图像局部点领域的影响,指出可以使用非局部去噪模型的优越边缘保持性和去噪性来重构高分辨率图像。实验证明,该算法在低信噪比情况下,可以取得较好结果,有效解决了低信噪比条件下图像复原的一个难点。     

改进结构的Contourlet变换及其图像去噪应用

针对Contourlet变换基图像不具备局部频率特性的缺点,分析了在频域楔形支撑区域外部出现潜在混叠的原因,并结合易操纵金字塔结构的优良特性,提出一种改进结构的Contourlet变换.该变换采用易操纵金字塔替换了原变换的拉普拉斯金字塔,保证了其平移不变性.非线性逼近实验和基图像分析的结果表明,该变换能够稀疏表示图像,避免了频域出现混叠.去噪实验结果表明,改进结构的Contourlet变换可以有效地提高去噪图像的峰值信噪比和去噪图像质量.     

基于复方向滤波器组和HMT的图像去噪

提出一种基于金字塔对偶树方向滤波器组(PDTDFB)分解系数模的HMT模型,该模型结合PDTDFB理论、复数的模和HMT的特点,利用PDTDFB对图像分解后复系数的模建立HMT模型,由EM算法训练模型获得去噪后的模,恢复复系数、重构图像。实验结果证实,与其他几种典型的去噪算法定性比较,该模型去噪效果有不同程度的提高,更好地保留了图像的边缘信息。     

一种基于视觉特性的遥感图像分割

SAR图像存在乘性相干斑的影响，传统的图像分割方法不能很好保持图像的结构信息．文章研究了基于视觉特性的组合分割方法，该方法通过塔型方向滤波器组进行去噪，发展了各向异性的核期望转移滤波器，核的形状、尺度和方向都能自适应图像的局部结构，最后结合边缘检测对图像分割进行修正．分析和实验表明该方法对SAR图像是有效的．     

基于狄利克雷过程混合模型的内外先验融合

近年来,使用高斯混合模型作为块先验的贝叶斯方法取得了优秀的图像复原性能,针对这类模型分量固定及主要依赖外部学习的缺点,提出了一种新的基于狄利克雷过程混合模型的图像先验模型。该模型从干净图像数据库中学习外部通用先验,从退化图像中学习内部先验,借助模型中统计量的可累加性自然实现内外部先验融合。通过聚类的新增及归并机制,模型的复杂度随着数据的增大或缩小而自适应地变化,可以学习到可解释及紧凑的模型。为了求解所有隐变量的变分后验分布,提出了一种结合新增及归并机制的批次更新可扩展变分算法,解决了传统坐标上升算法在大数据集下效率较低、容易陷入局部最优解的问题。在图像去噪及填充实验中,相比传统方法,所提模型无论在客观质量评价还是视觉观感上都更有优势,验证了该模型的有效性。     

基于模糊函数估计和变分泛函数优化的含噪声模糊图像复原算法

针对摄影图像中常见的噪声和模糊同时退化图像的问题,提出一种Radon变换估计模糊函数结合变分泛函优化的图像复原算法。算法首先利用方向滤波器对图像去噪,然后利用Radon变换以去除方向滤波在模糊函数估计中引起的偏差,再利用模糊函数通过去卷积操作去除模糊,最后在去模糊的基础上利用 L0梯度范数的变换泛函的优化算法,去除剩余噪声从而对图像进行复原。实验表明,该算法可以有效地恢复摄影图像中的场景。     

基于区域混合活动轮廓模型的医学图像分割

针对变分水平集算法在图像分割过程中计算量较大且收敛速度慢的现象, 在一些基于区域的活动轮廓模型基础上提出了一种新的基于区域混合模型的非凸正则化活动轮廓模型。该模型构造了一个新的能量泛函,该能量泛函结合了考虑图像局部聚类性质的LBF模型和测地线模型,增加了非凸正则化项,加快了轮廓曲线的收敛速度,可以很好地保持区域形状并能防止边缘过平滑,然后通过经典有限差分法求得能量泛函的极小值。最后,在合成图像和医学图像上做了仿真实验,结果表明,该算法具有较快的收敛速度 和很好的鲁棒性,分割结果也较准确。     

基于稀疏表示与非局部相似的图像去噪算法

针对受加性高斯白噪声(AWGN)与椒盐噪声(SPIN)以及随机值冲击噪声(RVIN)组成的混合噪声污染的图像进行去噪的问题,提出一种在现有加权编码算法的基础上将图像稀疏表示和非局部相似先验融合的改进算法。首先,利用基于字典的图像稀疏表示构建去噪变分模型,对模型中的数据保真项设计一个权重因子来抑制冲击噪声的干扰;其次,利用非局部平均思想对混合噪声图像进行初始去噪,在得到的图像中构建掩膜矩阵将冲击噪声点排除进而求取非局部相似先验知识;最后,将非局部相似先验与稀疏先验融合进变分模型的正则项中,求解变分模型得到最终去噪图像。实验结果表明,在不同的噪声比率下,所提算法与模糊加权非局部平均算法相比,峰值信噪比(PSNR)提高了1.7 dB,特征相似性指数(FSIM)提高了0.06;与加权编码算法相比,PSNR提高了0.64 dB,FSIM提高了0.03。该算法对于纹理较强的图像可以显著提升去噪效果,能有效地保留图像的本真信息。     

基于小波域局部高斯模型的图像复原

图像复原的目的是将原始图像从观测到的降析图像中恢复出来.提出了一种基于小波域局部高斯模型的线性图像复原算法.小波域局部高斯模型采用高斯函数刻画子带系数的局部概率分布,由于这一模型具有很好的局部自适应性,并能正确地反映图像的局部结构信息,因此算法以此作为自然图像的先验模型,把图像复原问题转化为一个约束优化问题并用共轭梯度法对其进行求解.实验结果表明,基于小波域局部高斯模型的图像复原算法较好地再现了各种边缘信息,复原出的图像在信噪比和主观视觉效果方面都有显著的提高.     

Variational PDE based image restoration using neural network

Two variational partial differential equations as regularisation terms are proposed for the image restoration model based on the modified Hopfield neural network. One is based on a harmonic model and the other is based on a total variation model. The performance of these regularisation terms is analysed from the viewpoint of nonlinear diffusion. It can be shown that the two proposed restoration models have edge-preserving performance superior to that of the traditional restoration model. Two algorithms have been proposed on the basis of the harmonic restoration model and the total variation model. Experimental results show that the proposed algorithms are more effective than the traditional algorithm     

图像去噪中的纹理保护方法研究

基于偏微分方程及变分极值最小化的图像平滑方法可以有效地去除噪声,而且能够保护边缘信息,但由于噪声及纹理难以区分,使得纹理信息无法保留。提出一种纹理保护滤波算法,该算法利用图像分解模型将图像分解为几何结构分量及噪声/纹理分量,计算后者的局部方差,与传统变分能量最小化方法中的偏差惩罚项结合形成随纹理变化的约束,得到的模型在纹理区域滤波减少,从而保护了纹理信息。实验在视觉效果上得到了预期的结果,信噪比的计算对比也可以证明算法的有效性。     

Adaptive noise smoothing filter for images with signal-dependent noise

In this paper, we consider the restoration of images with signal-dependent noise. The filter is noise smoothing and adapts to local changes in image statistics based on a nonstationary mean, nonstationary variance (NMNV) image model. For images degraded by a class of uncorrelated, signal-dependent noise without blur, the adaptive noise smoothing filter becomes a point processor and is similar to Lee's local statistics algorithm [16]. The filter is able to adapt itself to the nonstationary local image statistics in the presence of different types of signal-dependent noise. For multiplicative noise, the adaptive noise smoothing filter is a systematic derivation of Lee's algorithm with some extensions that allow different estimators for the local image variance. The advantage of the derivation is its easy extension to deal with various types of signal-dependent noise. Film-grain and Poisson signal-dependent restoration problems are also considered as examples. All the nonstationary image statistical parameters needed for the filter can be estimated from the noisy image and no a priori information about the original image is required.     

基于边缘先验模型的运动去模糊

从单幅运动模糊图像复原出清晰的图像,一直是数字图像处理领域中富有挑战的问题.基于边缘先验模型和小波分析提出了一种运动模糊退化图像的复原算法.在去模糊之前,对图像进行预处理,将噪声去除,用冲击滤波器增强边缘,并采用canny边缘检测获取清晰边缘作为先验模型,以此估计模糊核;然后在紧小波框架系统下,将清晰图像的稀疏性最大化,采用改进的分裂Bregman方法求解最优化问题,最终得到清晰的图像.实验结果表明,相对于传统的盲复原算法,提出的方法可以有效地去除运动模糊.