基于结构张量的自适应CTV彩色图像恢复模型

讨论一种基于非线性扩散方程的彩色图像去噪方法。在图像去噪的3个基本要求的基础上,总结出调和项模型和彩色总变差去噪模型中的不足,利用图像的局部信息构造函数使得模型在接近图像边缘处各向异性平滑并保持边界。在平坦区域各向同性平滑,防止阶梯效应的产生,并利用角点信息保持了角点形状。实验结果表明,所建模型能够较好地保持图像中目标的几何结构,同时具有良好的去噪能力。     

基于张量的单幅图像超分辨算法

图像的边缘细节信息直接影响图像的视觉质量。为了尽可能地保持图像边缘结构信息,提高超分辨率图像的质量,提出了一种基于张量的单幅图像超分辨算法。该方法利用张量对图像局部几何特征进行描述,然后根据采样点的局部特征估计待插值点的局部特征,最后通过这一估计的特征计算待插值点的灰度值。实验结果表明基于张量的超分辨方法能够较好地保持图像中的边缘结构信息,峰值信噪比(PSNR)、结构相似性系数(SSIM)等客观评价指标和主观视觉效果都比较好。     

混合鲁棒权重和改进方法噪声的两级非局部均值去噪

传统非局部均值去噪算法采用指数型函数计算相似性权重,不能准确反映图像块之间的相似性;现有两级非局部均值去噪算法对方法噪声的获取以及方法噪声中所含信息的利用不够充分。针对上述问题,提出一种混合鲁棒权重和改进方法噪声的两级非局部均值去噪算法。首先采用一种改进的混合鲁棒权重函数来计算图像块的相似性权重;再利用预去噪后的图像构造新的方法噪声,并与两级去噪框架相结合;最后将提出的混合鲁棒权重函数和改进的方法噪声应用到两级非局部均值去噪方法中。实验结果表明,该算法既能准确地反映图像块之间的相似性,也能充分利用方法噪声的信息,且在去噪性能与结构细节保持能力方面均优于传统算法。     

非线性扩散图像去噪中的耦合自适应保真项研究

讨论了一种基于非线性扩散方程的图像去噪方法.在讨论了图像去噪的3个基本要求的基础上,总结了平均曲率运动去噪模型和总变差去噪模型中利用保真项的不足.将利用图像的局部信息构造的自适应保真项引入到方向扩散去噪模型中,克服了原有方法在耦合保真项上的不足,使新的非线性扩散去噪模型能够在有效地去除噪声的同时很好地保持目标尖角、边缘等重要的几何结构.实验结果表明,耦合自适应保真项的扩散方程能够很好地保持图像中目标的几何结构,同时具有良好的去噪能力.     

基于非局部自相似性的遥感图像稀疏去噪算法

基于非局部自相似性的遥感图像稀疏去噪方法研究,在为后续的图像分析、识别以及较高层次的处理提供保证方面具有重要意义。针对遥感图像中存在非局部自相似性和稀疏性,在分析传统稀疏去噪模型的基础上,将具有相似结构的非局部块构建成组,用组作为稀疏表示单元,利用基于组正则化稀疏模型进行图像去噪。此外,针对采用整幅图像进行字典学习具有高计算复杂度,分析组特点,为每个组自适应学习一个字典。最后,为获得有效的去噪结果,利用迭代收缩阈值算法解决L0最小化问题。以"资源三号"遥感图像为数据进行实验,结果表明,该算法能较好地去除遥感图像的噪声,提高图像的峰值信噪比,保持图像结构信息。基于非局部自相似性的遥感图像稀疏去噪算法能够充分利用图像块信息有效的去除图像中的噪声,提高图像质量。     

基于对偶树复小波域图像融合的SAR图像去噪

边缘信息是图像重要的细节信息,保护图像的边缘信息对提高图像质量非常重要.但是在图像去噪的过程中,往往会破坏图像的边缘信息.针对去除噪声和保护边缘信息的双重考虑,提出一种基于对偶树复小波域图像融合的SAR图像阈值去噪.考虑到局部硬阈值和软阈值各自的特点,利用对偶树复小波变换的优点和图像融合的特点,首先在自然对数域对SAR图像进行对偶树复小波分解,然后对小波系数分别执行局部硬阈值去噪和局部软阈值去噪,最后依次通过图像融合,对偶树复小波反变换,指数变换得到去噪以后的图像.实验结果表明,算法融合了两种周值去噪方法的优点,在明显去噪的同时,更好地保护了图像的边缘信息.     

具有自适应窗口的双变量模型图像去噪方法

针对小波域去噪方法BiShrink-local(双变量萎缩局部方差估计)会造成图像的细节信息丢失的问题,给出一种具有自适应窗口的双变量模型图像去噪方法.该方法一方面继承原方法的优点,另一方面又利用区域生长原理,通过判断图像的小波系数值是否属于同质,从而更好地区分噪声和细节信息.通过实验表明,该方法能对含有高斯噪声的图像进行较好地去噪,同时在保持细节方面优于原来的方法.     

基于改进型的非局部均值滤波算法在医学图像处理中的研究与应用

常规非局部均值算法易受噪声对图像的自相似度计算精度的影响,去噪结果对原始图像的边缘细节信息损伤较多.采用改进的Facet算子提取图像的边缘特征,根据图像内部像素分布情况,在不同的区域采用不同的自相似度计算方法,设置一种变尺寸的搜索窗口,最大限度地搜寻相似性邻域,降低噪声对自相似度计算精度的影响,有效保持图像边缘信息.数据测试结果表明,改进的非局部均值滤波算法能够有效保持边缘纹理信息,去噪效果要优于常规非局部均值滤波算法.     

基于高阶奇异值分解和均方差迭代的图像去噪

目的 图像去噪是图像处理的难题,其难点是在尽量滤除噪声的同时对图像信息进行保持。针对该难点,本文提出了一种将非局部相似性和高阶奇异值分解(HOSVD)相融合,并利用均方差(MSE)迭代对图像进行去噪的iHOSVD算法。方法 首先利用非局部相似块聚类和高阶奇异值分解构建数据自适应的3维变换基及其变换系数;其次,对变换系数进行阈值处理后进行3维反变换,从而达到非局部协同滤波的目的;最后,由于一次去噪操作无法达到理想的去噪效果,采用一种基于均方差最优的迭代方法对图像进行去噪,并证明该迭代是一个权衡偏差和方差使得均方差达到最优的过程。结果 实验结果表明,iHOSVD算法既能够有效地去除噪声,又能够很好地保持纹理细节信息。结论 本文所提的图像去噪iHOSVD算法结合了非局部协同滤波与数据自适应去噪的思想,通过对3种高水平去噪算法BM3D、NCSR和PLOW的比较实验发现,不仅表现了较强的图像去噪能力,而且在图像纹理细节保持方面效果最好,适用于纹理信息较强的图像。     

基于非局部自相似性的谱聚类图像去噪算法

常见的图像去噪方法只是单独地利用了无噪图像或含噪图像的先验信息,并没有将这两种图像的先验信息有效地结合起来。针对这个问题,提出一种 联合无噪图像块的先验信息和含噪图像块的非局部自相似性进行去噪的图像去噪算法。首先,对无噪图像块进行谱聚类,通过谱聚类进行学习,图像中的相似块被聚集到同一类,并将学习得到的聚类信息用于含噪图像块的聚类;然后,向量化同一类中的含噪图像块并聚集形成一个矩阵,该矩阵中包含的原始图像数据构成一个低秩矩阵;再通过一个低秩逼近过程估计出相应的原始图像数据;最后,根据逼近得到的原始图像数据重建图像。实验结果表明,相较于已有的自适应正则化的非局部均值去噪算法以及基于主成分分析和局部像素聚类的两级图像去噪算法,提出的算法不仅可以获得较大的峰值信噪比,而且还能较好地保存图像的细节,取得了更好的去噪效果。     

改进的基于样例修补的目标移除方法

借助结构张量具有表达图像局部结构的性质，提出一种改进的区域填充图像修补方法．通过结构张量可以使图像的任意像素点的各个色彩分量获得一致的进化方向，其特征向量主导的目标块填充次序使得信息传播方式具有各向异性的特点．在真实自然图像上移除巨大目标物的比较实验表明：文中方法比Criminisi的基于样例修补目标移除方法具有更合理的、视觉上更真实的修补效果．     

一种基于张量和洛仑兹几何的降维方法

统的基于向量的降维算法,将大小为m×n的灰度图像,作为Rm×n中的向量进行处理.但这种表示方法往往造成图像像素空间局部信息的丢失,因此不能很好地描述图像的结构信息.本质上,灰度图像可以看成是一个二阶张量,而图像的各种特征(如Gabor和LBP特征等)往往需要用更高阶的张量来描述.本文从图像特征的张量表示出发,将新近提出的洛仑兹投影判别法(Lorentziandiscriminant projection, LDP)推广到张量空间中,提出张量LDP.对于灰度图像,该方法直接利用图像的灰度矩阵(二阶张量)进行运算,从而很好地保持了图像像素的局部结构信息.另外,该方法还可以自然地推广到高维张量空间来处理更复杂的图像特征,如Gabor和LBP特征等.经人脸和纹理识别实验的验证,该算法效率高且能达到较高的识别率.     

Non-local adaptive structure tensors : Application to anisotropic diffusion and shock filtering

Structure tensors are used in several PDE-based methods to estimate information on the local structure in the image, such as edge orientation. They have become a common tool in many image processing applications. To integrate the local data information, the structure tensor is based on a local regularization of a tensorial product. In this paper, we propose a new regularization model based on the non-local properties of the tensor product. The resulting non-local structure tensor is effective in the restitution of the non homogeneity of the local orientation of the structures. It is particularly efficient in texture regions where patches repeat non locally. The new tensor regularization also offers the advantage of automatically adapting the smoothing parameter to the local structures of the tensor product. Finally, we explain how this new adaptive structure tensor can be plugged into two PDEs: an anisotropic diffusion and a shock filter. Comparisons with other tensor regularization methods and other PDEs demonstrate the clear advantage of using the non-local structure tensor.     

An efficient local Chan-Vese model for image segmentation

In this paper, a new local Chan-Vese (LCV) model is proposed for image segmentation, which is built based on the techniques of curve evolution, local statistical function and level set method. The energy functional for the proposed model consists of three terms, i.e., global term, local term and regularization term. By incorporating the local image information into the proposed model, the images with intensity inhomogeneity can be efficiently segmented. In addition, the time-consuming re-initialization step widely adopted in traditional level set methods can be avoided by introducing a new penalizing energy. To avoid the long iteration process for level set evolution, an efficient termination criterion is presented which is based on the length change of evolving curve. Particularly, we proposed constructing an extended structure tensor (EST) by adding the intensity information into the classical structure tensor for texture image segmentation. It can be found that by combining the EST with our LCV model, the texture image can be efficiently segmented no matter whether it presents intensity inhomogeneity or not. Finally, experiments on some synthetic and real images have demonstrated the efficiency and robustness of our model. Moreover, comparisons with the well-known Chan-Vese (CV) model and recent popular local binary fitting (LBF) model also show that our LCV model can segment images with few iteration times and be less sensitive to the location of initial contour and the selection of governing parameters.     

基于非局部结构张量的SSIM图像质量评价方法

针对基于局部运算的图像质量评价方法的局限性,提出一种基于非局部结构张量的SSIM图像质量评价方法。图像在各像素点的非局部结构张量的主特征值大小很好地反映了该像素点的结构强度信息,特别是纹理结构等细节信息; 主特征向量的方向反映了该像素点的结构方向信息。利用退化图像和参考图像的非局部结构张量的主特征值相似度刻画结构强度相似度,利用主特征向量夹角的余弦刻画结构方向相似度。数值实验结果显示,利用文中方法对TID2008数据库中的图像进行评价的平均运算时间为778.43s,且评价结果与主观评价接近。     

基于三维结构张量的图像模糊度评价方法

根据图像二维结构张量的特性和清晰图像及其模糊副本之间存在较大差异的特点,构造单幅图像的三维结构张量,其特征值大小反映了图像的局部几何结构信息,并与图像的清晰度有关,据此提出基于三维结构张量的图像模糊度评价方法。对输入图像进行不同尺度的低通滤波,得到输入图像的2个副本,并将其分成互不重叠的块。通过计算各块的三维结构张量得到模糊度参数,将各块的模糊度参数和关注度系数加权得到整幅图像的模糊度参数,以模糊度参数的指数函数形式计算图像的模糊度。实验结果表明,该方法计算出的模糊度相对于图像的模糊程度是单调的,具有良好的抗噪性,并且符合人眼视觉系统特性。     

结构张量的改进Criminisi修复

目的 针对传统基于样本块的图像修复算法中仅利用图像的梯度信息和颜色信息来修复破损区域时,容易产生错误填充块的问题,本文在Criminisi算法的基础上,利用结构张量特性,提出了一种改进的基于结构张量的彩色图像修复算法。方法 首先利用结构张量的特征值定义新的数据项,以确保图像的结构信息能够更加准确地传播;然后利用该数据项构成新的优先权函数,使得图像的填充顺序更加精准;最后利用结构张量的平均相干性来自适应选择样本块大小,以克服结构不连续和错误延伸的缺点;同时在匹配准则中,利用结构张量特征值来增加约束条件,以减少错误匹配率。结果 实验结果表明,改进算法的修复效果较理想,在主观视觉上有明显的提升,其修复结果的峰值信噪比（PSNR）和结构相似度（SSIM）都有所提高;与传统Criminisi算法相比,其峰值信噪比提高了1~3 dB。结论 本文算法利用结构张量的特性实现了对不同结构特征的彩色破损图像的修复,对复杂的线性结构和纹理区域都有较理想的修复,有效地保持了图像边缘结构的平滑性,而且对大物体的移除和文字去除也有较好的修复效果。     

基于梯度域融合的图像视觉效果改善

针对同一场景不同图像之间可存在互补优缺点的特点,提出了采用梯度域融合的方法改善图像视觉效果的增强方法。首先将待融合各图像的结构张量按一定比例进行融合,在权重的设计中考虑了各通道图像的局部对比度。之后求出目标梯度场,其结构张量在Frobenius范数意义下逼近前述融合后得到的结构张量。最后采用最小二乘拟合从目标梯度场重建出增强后的图像。方法可应用于同一图像不同增强方法结果之间、相同场景采用不同对焦距离或不同曝光时间所拍摄照片之间等的融合。实验结果表明,融合后的图像能保持各输入通道图像中显著的有意义细节和结构信息,有效改善增强图像的视觉效果。     

Semi-supervised tensor learning for image classification

In this paper, we propose a new tensor-based representation algorithm for image classification. The algorithm is realized by learning the parameter tensor for image tensors. One novelty is that the parameter tensor is learned according to the Tucker tensor decomposition as the multiplication of a core tensor with a group of matrices for each order, which endows that the algorithm preserved the spatial information of image. We further extend the proposed tensor algorithm to a semi-supervised framework, in order to utilize both labeled and unlabeled images. The objective function can be solved by using the alternative optimization method, where at each iteration, we solve the typical ridge regression problem to obtain the closed form solution of the parameter along the corresponding order. Experimental results of gray and color image datasets show that our method outperforms several classification approaches. In particular, we find that our method can implement a high-quality classification performance when only few labeled training samples are provided.