基于小波域隐马尔可夫树模型的图像复原

从图像复原的Bayesian方法出发,提出一种基于小波域隐马尔可夫树(HMT)模型的线性图像复原算法,小波域HMT模型采用混合高斯模型刻画各子带系数的概率分布,并通过小波系数隐状态在多个尺度之间的Markov依赖性来刻画自然图像小波系数随尺度减小而指数衰减的特性,由于小波域HMT模型准确刻画了自然图像小波变换的统计特性,该文算法以此作为自然图像的先验模型,将图像复原问题转化为一个约束优化问题并用最速下降法对其进行求解,同时,提出了一种规整化参数和HMT模型参数的自适应选择方法,实验结果表明,基于小波域HMT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视觉效果方面都有明显的提高。     

基于小波域局部高斯模型的图像超分辨率

提出了一种基于小波域局部高斯模型的图像超分辨率算法。小波域局部高斯模型采用单一的高斯函数刻画子带系数的局部概率分布，由于该模型具有很好的局部自适应性，可以较好地反映图像的局部结构信息，因此以此作为自然图像的先验模型，将图像超分辨率问题转化为小波域约束优化问题，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超分辨率算法较好地再现了图像的各种边缘信息，重构出的高分辨率图像在信噪比和视觉效果方面都有较明显的提高。     

基于水下图像光学成像模型的清晰化算法

针对水下图像的纹理细节模糊、对比度低以及图像光照不均问题,通过分析水下图像的成像过程,提出一种水下图像清晰化算法。在小波域的低频子带上结合水下图像光学成像模型,先利用高斯模糊对介质散射光进行估计与去除,再采用基于局部复杂度的方法调整衰减因子,对衰减低频子图进行自适应增强;在高频子带上采用非线性变换的增强方法,进一步增强了高频信息并有效地抑制了噪声的放大。实验结果表明该算法对解决水下图像模糊和光照不均问题具有较好的效果,与基于小波变换的水下降质图像复原算法相比,具有较高的实时性。     

基于小波域层次Markov模型的图像分割

针对两个状态的有限高斯混合模型逼近小波系数的不足和小波域隐马尔可夫树标号场相互独立的缺点,提出了一种基于小波域层次马尔可夫模型的图像分割算法,这种模型用有限通用混合模型逼近小波系数的分布,使有限高斯混合模型只是其一种特殊情况;在标号场的先验模型确定上,利用马尔可夫模型描述标号场的局部作用关系,给出标号场的具体表达式,克服了小波域马尔可夫树模型标号场相互独立的不足,然后利用贝叶斯准则,给出相应的分割因果算法。该模型不仅具有空域马尔可夫模型有效的递归算法的优点,同时具有小波域隐马尔可夫树模型中的马尔可夫参数变尺度行为。最后用真实的图像和合成图像同几种分割方法进行了对比实验,实验结果表明了本文算法的有效性和优异性。     

基于Bivariate模型的非抽取小波域图像复原

将Bivariate模型引入到图像复原中,以Bivariate概率分布函数作为自然图像小波系数向量的先验模型。从图像复原的Bayesian理论出发,提出基于Bivariate概率分布函数非抽取小波域的图像复原算法,并从自适应规整化的角度来分析该算法的有效性。通过对4幅标准测试图像复原实验,并将该算法复原结果与其他3种人们熟知的图像复原算法效果进行对比来证明该算法的有效性。     

基于小波域CHMT模型的超分辨率图像重建

从图像重建的Bayesian方法出发,提出一种基于小波域分类隐马尔可夫树(CHMT)模型的超分辨率图像重建算法.将CHMT模型作为自然图像小波域的先验知识,采用混合高斯模型刻画备子带系数的概率分布,将起分辨率图像重建问题转化为一个约束最优化问题,并采用共轭梯度算法进行求解.同时,提出了自适应的规整化参数选择方法.实验结果表明,该算法具有较低的计算复杂度,在峰值信噪比和视觉效果方面都有所提高.     

复小波域最大后验概率图像复原

提出了一种双树复小波变换域最大后验概率图像复原方法。该方法通过在最大后验概率图像迭代复原过程中构建噪声残差,并采用双树复小波变换零均值高斯模型对参差进行降噪处理,从而避免了原泊松最大后验概率图像复原过程中噪声放大的问题,实现了迭代复原的正则化目的。对比实验结果表明,该图像复原方法能很好解决恢复迭代中噪声放大的问题,同时,在视觉效果、PSNR、ISNR等指标上均比Wiener、Pisson-MAP等算法好。     

基于小波域学习的单幅图像超分辨率复原

提出了一种有效的高分辨率图像复原方法,将单幅图像的超分辨率复原转换到小波域中,对小波域的3个高频信息块分别进行处理,再通过基于学习的超分辨率复原方法来实现单幅图像的复原。实验表明,通过该算法恢复的高分辨率图像具有更好的视觉效果与峰值信噪比。     

基于小波包变换的非局部均值去噪方法

在非局部均值滤波的基础上,为了更有效地去除图像噪声,提出一种基于小波包变换的非局部均值去噪算法。首先对图像进行小波包变换,通过小波域系数估计图像的高斯噪声参数,然后计算经小波包分解后高频子带内小波系数的相似度,并以此作为权值来对小波系数进行调整,最后通过小波包逆变换对图像进行重建。实验结果表明与传统的非局部均值去噪算法相比较,该算法能在去噪的同时有效地保持图像的边缘细节等信息,取得更好的去噪效果。     

二元树复小波域的局部高斯混合模型图像降噪

在复小波域上对观测图像进行一种基于高斯混合模型的后验概率分类,并在每类小波系数的局部邻域估计出局部高斯混合模型的参数,这种参数估计是局部自适应的;然后用该局部高斯混合模型对各个子带系数进行贝叶斯框架下的最大后验概率(MAP)估计,以达到降低噪声的目的．由于这种小波变换具有近似的平移不变性和良好的方向选择性,因此在降噪的同时可以很好地消除主要边缘处的“震铃”效应．实验结果表明;文中算法无论从峰值信噪比还是从主观视觉效果上都要优于一些传统的降噪算法．     

基于变分PDE的非线性数字混合滤波器

从局部扩散角度分析了经典变分PDE复原模型的不足,给出一种基于全变差模型和调和模型的混合图像复原模型,并导出了相应的数字混合滤波器.该滤波器可以根据图像的局部梯度特征自适应选取滤波器系数,能在去噪的同时保留边缘,并削弱平滑区域的阶梯效应,具有较好的综合性能.针对该混合滤波器,还设计出相应的图像修补和放大算法.大量仿真实验表明,该滤波器可以很好地应用于图像的去噪、修补和放大.     

基于物联网技术的小波域分块压缩感知算法的图像重构系统设计

针对低照明度重构图像分辨率不高、重构时间长的问题,提出了基于小波域分块压缩感知算法的图像重构系统。建立低照明度图像采样模型,采用图像的景深自适应调节方法进行小波域分块压缩感知和信息融合处理。利用多尺度的Retinex算法进行小波域分块压缩感知和信息提取,提取图像的信息熵特征量。采取图像自适应增强方法进行低照度图像增强处理,使用物联网技术进行低照明度图像的三维信息重构,结合细节增强方法进行低照度图像增强处理,完成重构系统设计,实现透射率图的轮廓检测和特征重构。仿真结果表明,采用该方法进行低照明度图像重构的分辨率较高,边缘感知能力较好,且重构耗时较短,实际应用效率较高。     

基于D-S证据理论的多源图像分割算法

针对多源图像分割问题,提出了一种可靠的分割算法.采用被污染的高斯分布描述待分割图像,MRF模型描述分割图像的先验分布,并利用D-S证据理论融合多源数据的不确定性,依据置信度最大的原则,确定多源图像数据的分割标记类别.用仿真图像和多源遥感图像的分割结果,证明了该算法提供了更准确、可靠的分割结果.     

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.     

基于半监督学习的单幅图像去雨算法

在雨天采集的图像通常存在背景物体被雨纹遮挡、图像变形等影响图像质量的现象,对后续图像分析及应用造成严重影响。近年来,已经提出了许多基于深度学习的去雨算法并获得了较好的效果。由于真实雨图的无雨纹干净背景图采集非常困难,大多数算法都采用监督学习即在含有配对标签的合成雨图数据集上进行模型训练。由于合成雨图和真实雨图中雨纹的亮度、透明度、形状等存在巨大差异,基于监督学习的去雨算法对真实雨图的泛化能力普遍较差。为提高去雨模型对真实雨图的去雨效果,提出了一种基于半监督学习的单幅图像去雨算法。该算法在模型训练过程中加入合成雨图和真实雨图并最小化两个输入图像转换成的特征向量的一阶信息和二阶统计信息差异,使两者特征分布一致。同时,针对雨纹复杂多样的特点,引入多尺度网络以获取更丰富的图像特征,并提高模型性能。实验结果表明,所提算法在Rain100H合成雨图测试集上相较JDNet、Syn2Real等算法在峰值信噪比（PSNR）和结构相似度（SSIM）上分别至少提升了0.66 dB、0.01,在去除雨纹的同时能最大限度保留图像细节和颜色信息;并且由于减少了分布差异,该算法在真实雨图测试集上的去雨效果明显优于现有的JDNet、Syn2Real等去雨算法,具有较强的泛化能力。所提算法可以应用于现有的基于监督学习的去雨算法并显著提高其去雨效果,拥有较高的独立性。     

改进的局部最大熵图象恢复方法

首先讨论了图象退化过程和引起图象退化的因素及恢复方法,并利用能量和图象局部统计特征,对局部最大熵图象恢复方法进行了改进,实验表明,改进后的恢复方法不但具有与局部区域大小无关的特点,而且在改善图象灰度均匀性和对比度的同时,可人为控制图象的细节保持程度。该算法运算量小、灵活。     

基于小波域HMT模型的序列图像超分辨率重建*

鉴于基于小波域隐马尔可夫树的噪声抑制性和较好的边缘保持性,提出一种基于小波域隐马尔可夫树的序列图像的超分辨率重建算法。针对小波系数进行统计建模,讨论了不同尺度小波系数之间的隐马尔可夫树结构,利用了序列图像的运动信息,运用极大后验概率估计和贝叶斯原理,将小波域HMT作为图像先验知识并给出了超分辨率重建算法,最终通过EM算法和共轭梯度算法的交替迭代进行优化计算。实验结果表明方法的重建效果得到了明显的改进。     

Image Segmentation Based on Adaptive Cluster Prototype Estimation

An image segmentation algorithm based on adaptive fuzzy c-means (FCM) clustering is presented in this paper. In the conventional FCM clustering algorithm, cluster assignment is based solely on the distribution of pixel attributes in the feature space, and does not take into consideration the spatial distribution of pixels in an image. By introducing a novel dissimilarity index in the modified FCM objective function, the new adaptive fuzzy clustering algorithm is capable of utilizing local contextual information to impose local spatial continuity, thus exploiting the high inter-pixel correlation inherent in most real-world images. The incorporation of local spatial continuity allows the suppression of noise and helps to resolve classification ambiguity. To account for smooth intensity variation within each homogenous region in an image, a multiplicative field is introduced to each of the fixed FCM cluster prototype. The multiplicative field effectively makes the fixed cluster prototype adaptive to slow smooth within-cluster intensity variation, and allows homogenous regions with slow smooth intensity variation to be segmented as a whole. Experimental results with synthetic and real color images have shown the effectiveness of the proposed algorithm.