曲率驱动与边缘停止相结合的图像放大

基于非线性扩散在保留图像重要特征方面表现出的良好性能,提出将曲率作为一个控制传导率因素的曲率驱动与边缘停止相结合的非线性扩散模型(C&E模型)应用于图像放大。该模型在实现热扩散时不仅能够连接等照度线和强化边缘,而且强调保护小曲率和大梯度。针对这一模型进一步讨论了其应用于图像放大的初始化条件和数值实现方案。实验结果证明,具有曲率运动、边缘冲击特性和平滑去噪性能的CB-E模型较线性扩散方法能更好地放大图像。     

曲率驱动的基于亥姆霍兹涡量方程的图像修复模型

图像修复模型根据已知区域信息自动修复目标区域,且保证修复后的图像满足人眼视觉系统的要求,目标区域轮廓自然.理论分析证明,流体力学中无粘亥姆霍兹涡量方程可以实现图像修复.根据曲线和曲面运动方程,使用曲率驱动亥姆霍兹修复模型中的等照度线传输方向.曲率是图像几何特征作用的结果,所以新模型可以很好地保持图像中的线性特征.图像中涡量为平滑程度的度量,二维图像域中涡量具有扩散性,对涡量方程的结果做各向异性扩散,使等照度线间的图像信息交互.亥姆霍兹涡量方程修复模型中的各个参数及扩散过程是涡量扩散性和耗散性以及图像几何特征作用的结果,扩散后的修复模型稳定且不存在错误的传输方向.理论和实验证明了曲率驱动的亥姆霍兹涡量方程模型在图像修复中的有效性.     

图像修复的CDD模型新算法

CDD图像修复模型是在TV模型的基础上引入曲率项来满足视觉的“连接性”原则. 考虑到该模型各参考点梯度模值大小的不同及扩散效率的不足,本文结合退化扩散模型提出了一种新的CDD模型图像修复算法. 该算法利用待修复区域像素点的梯度和等照度线的曲率信息来控制各参考点对破损区域的贡献值,并进一步作加权处理. 最后将该模型的偏微分方程离散化,给出了模型的数值实现方法. 实验结果表明该算法能保证图像边缘的视觉连通性,并在相同迭代次数的情况下,修复效果明显优于CDD算法,是一种有效的新方法.     

梯度与曲率变形力相结合的图像配准方法

针对Demons算法将形变配准视作扩散问题,仅靠梯度信息确定浮动图像的位移,在梯度非常小时图像形变方向不能确定,会导致错误的配准变换这一弊病,将等照度线曲率作为一个控制形变的驱动力因素引入Demons扩散方程,建立了一个具有梯度与曲率双重驱动力的非线性扩散模型,将其应用于图像配准。实验结果表明,这一模型较经典Demons算法具有更好的配准性能。     

基于CDD模型的快速图像修复算法

为对图像的缺损部分进行快速自动修复,提出了一种基于曲率驱动修复模型的快速图像修复算法.曲率驱动修复模型由于引入了曲率项,使其偏微分方程为高阶,修复时需要数值求解偏微分方程,大量迭代运算导致修复速度非常缓慢.为加快修复速度.算法将模型的偏微分方程数值化,进一步改造成加权平均形式,利用邻近已知像素直接合成损坏像素,加权系数由曲率和梯度共同确定,使修复按照图像等照度线方向进行,在曲率大的地方将等照度线拉伸,同时由待修复点邻域内已知像素的梯度方差确定修复次序.实验结果表明,显著减小了运算时间,一定程度满足"连接性准则",并且对于较小破损区域修复效果好于曲率驱动修复模型.     

梯度与曲率变形力相结合的图像配准方法——大形变非刚性图像配准

Active Demons算法是Demons算法的改进形式,其将形变配准视作扩散问题,利用牛顿作用力与反作用力思想,仅依靠梯度信息确定浮动图像的位移,在处理大形变配准问题时存在配准精度不高的弊病。将等照度线曲率作为一个控制形变的驱动力因素引入Active Demons扩散方程,建立了一个具有梯度与曲率双重驱动力相结合的非线性扩散模型（Active G&C model）,并在Active G&C模型应用于大形变图像配准的算法实现过程中加入多分辨率策略,以提高大形变图像的配准精度。实验结果表明,这一模型较经典的Active Demons算法具有更好的配准性能。     

偏微分方程约束的基于模块的图像修复模型

为了对大规模目标区域的图像进行修复,提出了一种既能保持线性特征和纹理信息,又能应用于大规模目标区域的基于模块的图像修复模型。该模型首先使用像素切向等照度线强度约束修复优先级,由于切向等照度线方程在图像边缘宽度约束下扩散,因此具有很好的线性特征保持性能。这种扩散具备形态学不变性,可修复自然场景图像;然后采用Euclidean距离计算模块相似度,并加入偏微分方程约束,使得线性特征位置的像素点在匹配中影响较大;使用散度约束下总体变分插值法对修复结果进行无接缝效应处理,使得最终修复结果平滑;最后扩展模型相似度函数,使目标区域可被修复为指定的纹理特征。理论和实验结果证明该模型在图像修复中是有效的。     

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.     

偏微分方程约束下基于动态大小模块的图像修复模型

提出一种保持图像线性特征和纹理信息、并能应用于存在较大规模缺失信息区域的图像修复模型.该模型根据图像局部纹理特征强度动态地选择匹配模块的大小,使用切向等照度线强度数据项约束修复顺序.几何特征作用下的切向等照度线偏微分方程在边缘宽度约束下扩散,具有很好的线性特征保持性能;它具有形态学不变性,可以真实地修复自然场景图像.根据基于模块的修复模型的特点,使用欧氏距离作为模块相似度测量函数.针对模型引起的模块接缝效应,使用散度约束下总体变分插值法对修复结果进行无接缝效应处理,使得最终结果平滑.理论和实验证明了该模型在图像修复中的有效性.     

引入蛇模型的曲率驱动扩散图像修复方法

数字图像修复方法可以自动地修复数字图像中用户定义的污损区域。T.F.Chan等人提出的非纹理的曲率驱动扩散算法是基于偏微分方程的图像修复的代表算法之一。通过在该算法中应用蛇模型的图像增强项,提出了引入蛇模型的曲率驱动扩散图像修复方法,在热扩散过程中,拉动曲线向目标边界演化,达到修复污损图像中的断裂边缘的目的,从而较好保持图像的视觉连通性。实验结果表明,在迭代次数相同的条件下,可以比原始的曲率驱动扩散图像修复算法获得更好的修复效果。     

非局域样本填充和自适应曲率驱动模型的遥感图像修复算法*

遥感图像修复技术对于后续遥感图像的处理与应用具有重要意义.文中在深入研究曲率驱动(CDD)模型和样本填充算法的基础上,针对遥感图像对纹理细节和边缘区域要求较高的特点,提出非局域样本填充和自适应曲率驱动模型的遥感图像修复算法.该算法较好地避免CDD模型修复过程中在一些极端情况下可能出现的假边缘、阶梯效应和扩散速度缓慢等缺点,保证遥感图像修复后的纹理细节信息和边缘信息.仿真实验验证文中算法的有效性.     

保护角点的非线性扩散滤波

基于偏微分方程的非线性扩散滤波可以有效去除噪声,同时很好地保护边缘信息,但角点在其滤波过程中逐渐变得圆滑甚至消失。通过设计扩散系数为梯度模及曲率的函数,提出了一种保护角点的非线性扩散滤波模型。该模型在区域内部为普通的高斯滤波,而在边缘处滤波效果降低,在角点处滤波效果进一步降低,从而在滤波过程中角点信息可以得到较好的保留,还可能出现角点及边缘相对增强的效果。实验结果的视觉效果及数据分析都表明,新模型可以同时保护边缘及角点信息。     

基于稀疏分解的图像修复方法

提出将冗余离散小波变换(RDWT)和波原子变换(WAT)作为字典对应用于图像稀疏形态成分分解,获得图像的结构与纹理;然后针对结构和纹理所具有的不同形态学特征,对结构采用具有曲率驱动、边缘强化和平滑去噪性能的CDD模型修复,对纹理采用基于样例的Criminisi纹理合成方法修复;最后合成获得修复结果。实验结果表明,该修复方法能够获得强且光顺的边缘,纹理清晰完整,相比于传统方法具有更好的修复结果。     

基于异性扩散模型的图像边缘增强方法

提出了一个能增强图像边缘的异性扩散模型,结合P-M扩散模型和反热扩散模型各自的优点,能在去除图像噪声的同时增强图像的边缘,一定程度上克服了P-M扩散模型对图像边缘的模糊效应和反热扩散模型容易产生虚假边缘的缺点。实验结果表明：提出的模型有很好的去噪和增强图像边缘的效果,其峰值信噪比（Peak Signal Noise Ratio,PSNR）在强噪声水平下,较P-M扩散模型大约提高1 dB。     

基于曲率驱动方向性热流的图像修复模型

提出一种曲率驱动的方向性热流图像修复模型。在该模型中,信息向待修复区域的扩散被看成是两个相互垂直的1D方向性热流的耦合,其中的扩散方向由图像的局部相关几何决定,而扩散强度是一个曲率相关的函数。实验结果表明,该模型不仅能够保证修复边缘的尖锐性还可以减少修复过程中虚假边缘的产生。     

An improved speckle-reduction algorithm for SAR images based on anisotropic diffusion

This paper mainly studies the algorithm of anisotropic diffusion for speckle noise removal of SAR images. Because the Gauss curvature driven diffusion method is sensitive to the noise and is of low efficiency on suppressing the speckle noise, an improved denoising algorithm is proposed. The new algorithm introduces the difference curvature as the diffusion coefficients of the function, which solves the problem that Gauss curvature driven diffusion is sensitive to the speckle noise, further, Tukey’s biweight function is used to control the curvature diffusion model, which can not only better protect edges, but also automatically control the diffusion. Numerical experiments show that the improved algorithm can preserve the information of textures, edges while inhibiting the speckle of SAR images.     

Sketches with curvature: the curve indicator random field and Markov processes

While complaints about typical edge operators are common, proposals articulating a notion of the "perfect" edge map are comparatively rare, hindering the improvement of contour enhancement techniques. To address this situation, we suggest that one objective of visual contour computation is the estimation of a clean sketch from a corrupted rendition, the latter modeling noisy and low contrast edge or line operator responses to an image. Our formal model of this clean sketch is the curve indicator random field (CIRF), whose role is to provide a basis for defining edge likelihood models by eliminating the parameter along each curve to create an image of curves. For curves modeled with stationary Markov processes, this ideal edge prior is non-Gaussian and its moment generating functional has a form closely related to the Feynman-Kac formula. This sketch model leads to a nonlinear, minimum mean squared error contour enhancement filter that requires the solution of two elliptic partial differential equations. The framework is also independent of the order of the contour model, allowing us to introduce a Markov process model for contour curvature. We analyze the distribution of such curves and show that its mode is the Euler spiral, a curve minimizing changes in curvature. Example computations using the contour enhancement filter with the curvature-based contour model are provided, highlighting how the filter is curvature-selective even when curvature is absent in the input.     

基于Priwitt算子的偏微分方程图像去噪模型

利用归一化的Priwitt微分算子作为权重,提出了两种融合Gauss曲率和平均曲率扩散的偏微分方程去噪模型,使得它们在去除噪声的同时能保持图像的重要特征。首先,对噪声图像进行Gauss滤波并计算滤波后图像的Priwitt微分算子;然后,新模型根据归一化的Priwitt微分算子自适应地平衡于高斯曲率扩散去噪与平均曲率扩散去噪之间,从而去除图像的噪声。利用偏微分方程有限差分法给出了新模型的离散迭代格式,并进行了数值实验。实验结果表明,新模型不仅迭代收敛的速度快,而且在均方误差和峰值信噪比两个评价指标上均优于单一曲率扩散去噪模型,并更好地保持了图像的细节特征。     

实现自适应边缘增强的P-M模型

P-M模型利用扩散偏微分方程进行图像平滑,通过随梯度自适应变化的扩散系数实现去除噪声的同时保护图像边缘特征,为进一步提高图像视觉效果,希望在图像边缘附近进行逆扩散以增强边缘特征,为此提出了实现自适应边缘增强的P-M模型。该改进模型中的边缘增强作用基于shock滤波器逆扩散方程,通过设置随梯度自适应变化的逆扩散系数而实现。实验结果表明,相比经典P-M模型,改进模型能使去噪后的图像有更好的主观视觉效果,同时峰值信噪比也更高。