基于非线性扩散滤波的边缘检测和图像测量

提出了一种基于自适应非线性扩散方程滤波的边缘检测方法, 以提高图像测量的精度。首先对原始图像实施一种非线性扩散处理,即沿着等照度线(边缘)的梯度方向实施反向扩散以锐化边缘, 而相反地沿切线方向实施正向扩散以去除噪声和锯齿伪像; 然后应用经典的微分算子来检测边缘。实验结果表明,相对于经典的边缘检测算子, 本算法得到了尖锐而平滑的单像素宽的图像边缘,较好地定位了边缘, 相对误差为0.03。当图像边缘模糊和存在附加噪声时, 测量结果将会受到很大影响。本方法较好地定位了边缘像素, 对于微小尺寸测量显示出它的优越性.     

基于梯度矢量卷积场的四阶各向异性扩散及图像去噪

进一步研究了基于偏微分方程的图像去噪方法.为了去除二阶偏微分方程(P-M模型)引起的阶梯效应以及提高四阶偏微分方程(Y-K模型)的边缘及纹理保护能力,本文将梯度矢量卷积场(GVC)引入到四阶偏微分方程Y-K模型中,提出了基于GVC的四阶各向异性扩散模型.首先,减去原始Y-K模型中的部分梯度方向扩散.然后,引入GVC场以代替图像在梯度方向的二阶导数直接计算.由于GVC场可以较准确地确定图像的边缘位置,并对噪声具有很强的鲁棒性,因此得到了有效的各向异性扩散模型.实验结果表明,运用本文去噪方法可以更好地保护图像边缘及纹理等细节特征,而且能够有效地提高峰值信噪比:文中所有在实验中得到的峰值信噪比均比原始模型高l dB以上.     

基于小波域的偏微分方程的图像去噪算法

文章提出了一种基于小波域的偏微分方程的图像去噪算法;该算法利用了P-M方程能保留图像边缘的特点,以及SIDEs方法能很好的去除噪声且具有解的存在、唯一、稳定性特点,并结合了小波变换能够聚焦到图像的细微变化的特点.实验结果表明,该算法在较好地去除噪声的同时,能够很好地保留边缘信息和图像的细节信息.     

基于边缘保持的医学超声图像滤波方法

医学超声图像滤波对临床诊断具有重要意义。以扩散方程为基础,通过分析图像梯度分布特征,提出依据梯度阈值对医学超声图像分别进行各向同性扩散、各向异性扩散、过滤中值的分段综合滤波方法,去除超声图像斑点噪声。实验结果表明,该方法在去除噪声的同时,能较好地保持图像边缘,是一种高速有效的医学超声图像滤波方法,对后期的医学图像三维分割、三维重建具有较好的应用前景。     

改进的各向异性扩散方程的超声图像滤波方法

针对传统各项异性扩散模型容易产生板块分区,模糊图像细节等问题,提出一种改进的各项异性滤波算法。该方法引用双曲正切函数构造扩散模型的扩散系数,避免了传统各项异性扩散模型在均匀区域产生的板块分区问题;并通过使用衰减因子提高在非均匀区域的扩散敏感性,能够更好地保留图像的边缘细节信息;同时引入相对平滑增量,自适应监控图像的滤波程度,并自动终止迭代过程。仿真实验表明,提出的滤波方法能够有效滤除超声图像斑点噪声,并消除传统各项异性扩散模型产生的板块分区问题,提高了对图像细节信息的保留能力,并增强了与原图像的结构相似度,是一种有效的斑点噪声降噪方法。     

三维距离图像基于特征估计的自适应平滑

为了抑制激光测距仪采集3维距离图像的噪声与畸变,提出了一种各向异性自适应平滑去噪方法。该方法集成了随机信号处理和尺度空间表述技术,根据邻域点构建特征估计模型,对距离图像中局部区域内测量点间的流形拓扑关系进行预测,并利用无嗅采样技术计算原始图像和估计模型间的马氏距离作为相似性测度构建卷积滤波核,实现三维距离图像各向异性扩散平滑去噪。通过该方法能够有效抑制原始图像发生的变形或偏移,在抑制噪声的同时突出主要特征。试验结果表明:在噪声方差为4.0×10~(-4) m~2时,经自适应平滑处理后的图像的峰值信噪比增益达16.41dB,均方误差减小66.16%。本文方法能够有效提高三维距离图像的质量,为基于激光测距仪的三维环境感知与测量建模提供技术支撑。     

基于非下采样Contourlet变换和谱图理论的扩散去噪

提出了一种基于谱图理论的热扩散方程图像去噪方法.该方法用非下采样的Contourlet变换提取图像的边缘和轮廓等几何特征,并将提取的特征用来构造图的权重函数,将扩散方程建立在图上,用热核和拉普拉斯矩阵实现图像的去噪.仿真实验结果表明,该方法能够有效去除高斯噪声,较完整地保持图像中的边缘等细节信息,在去噪性能上优于其他的偏微分方程去噪方法.     

应用正则化影响函数扩散模型的星图噪声滤波

由于恒星星图的噪声滤波对保持星点的边缘细节要求较高,本文以塔基（Tukey）扩散模型与改善的PM（Perona-Malik）模型为基础,提出了一种基于正则化影响函数扩散模型的星图噪声滤波方法。该方法通过导数算子提取边界点集,利用图像中原始像素和噪声像素的空间分布特性对图像进行噪声滤波处理,并通过给定边界条件恢复图像边缘。由于避免了方差稳定（VS）变换,该方法可以直接处理高斯噪声。对普通图像和添加高斯噪声星图进行了仿真测试,并与普通扩散函数算法进行了比较。实验结果表明：提出的算法表现出了较好的噪声滤波能力,同时有效地保持了特征图像的边缘。相对于普通扩散函数算法其平均绝对误差降低了13.6%,峰值信噪比平均提高了6.1%。得到的数据显示,本方法的滤波能力优于普通的扩散函数方法,特别适用于星图的噪声滤波处理。     

一种改进的Canny边缘检测算法

针对Canny边缘检测算法存在的缺陷,提出了一种改进型Canny边缘检测算法。首先采用非线性扩散滤波减少了图像噪声,同时保持图像的边缘信息;在邻域梯度幅值计算中,考虑像素对角线方向的梯度,进一步抑制了噪声的影响;最后采用平均方差阈值法选取阈值,从而提高了对不同图像的自适应性。通过对实验图像的分析表明,该改进算法对含噪图像的边缘提取具有较好的检测精度和准确性。     

基于各向异性Markov随机场的三维显微图像复原

提出了基于小波域各向异性马尔可夫随机场模型的三维显微图像复原算法。小波是当前研究的热点,它能够很好地刻画图像的边缘信息。为了有效地保留图像的边缘,根据小波变换后各个子带小波系数的方向性特点,以各向异性马尔可夫随机场模型作为小波系数的先验概率模型进行正则化处理;本文采用正则化比例系数自适应调整方法,当算法收敛到全局最优时,正则化比例系数也达到最优选择;考虑到噪声的影响,算法在每一步迭代求解过程中,对估计出的图像进行去噪处理。实验结果表明,本文算法能够有效地保留图像边缘等细节信息,去除层间干扰并抑制噪声。     

基于局部相关性和偏微分方程的图像去噪

本文分析了各向异性偏微分方程在图像去噪中的特性,针对P—M扩散方程的缺点。定义了一种像素的局部区域相关性。根据局部区域相关性进行孤立噪声点检测。并用中值滤波的方法进行预处理,对噪声图像进行可变阈值参数的各向异性扩散。实验结果显示去噪后的图像从视觉效果和峰值信噪比上都要优于P—M扩散的结果。     

一种基于稀疏表示的图像去噪算法

利用稀疏表示的自适应特征,将稀疏表示的多分辨理论应用于图像的去噪处理中,提出了一种基于稀疏表示的图像分块去噪方法。首先将噪声图像分割成一定尺寸的图像块,选出同质块与非同质块;然后利用小波去噪方法处理同质块,而采用脊波去噪方法处理非同质块,从而得到去噪后的图像;最后采用维纳滤波器对去噪后的图像进一步处理。实验结果表明,该方法与单纯的小波去噪方法和脊波去噪方法相比,信噪比有了较高的改善,较好地去除图像噪声,并且很好地保存图像的边缘纹理信息。     

基于协同小波分析的声纳图像去噪研究

将基于协同小波去噪的方式运用于水下声纳图像的去噪处理中,并将去噪效果与几种传统的图像去噪算法进行了效果比较。实验结果证明,该算法在很好地去除声纳图像中的高斯白噪声、提高信噪比的同时,在图像的边缘特性及轮廓保留上也具有较大的优势。     

基于移不变抗混叠轮廓波变换的混合统计模型图像降噪

针对抗混叠轮廓波变换缺乏平移不变性的缺陷,构造出具有近似移不变性的抗混叠轮廓波变换。在此基础上,在变换域提出一种混合统计模型图像降噪方法。该方法充分利用变换域信号系数层间层内相关性强、噪声系数无层内相关性且在小尺度下存在较强的假层间相关性的特点,采用混合统计模型对小尺度信号系数进行估计,从而避免了非高斯双变量模型放大噪声系数的风险。实验结果表明,提出的去噪法能克服轮廓波变换中的频谱混叠,避免重构图像出现"划痕"和边缘模糊现象,得到的峰值信噪比(PSNR)值分别比轮廓波硬阈值去噪、轮廓波变换域HMT去噪和抗混叠轮廓波变换域硬阈值去噪平均高2.87,1.32和1.36 dB,在有效去噪的同时,具有较好的图像边缘和细节保护能力。     

利用实时光学图像特征提取法测量液相扩散系数

介绍了一种利用非对称液芯柱透镜结合实时光学图像特征提取方法测量液相扩散系数(D)的方法。该方法基于图像采集系统的软件开发工具包对采集系统进行二次开发,并用自编应用软件对图像中特定区域进行亮度及宽度的特征提取。然后,依据图像特征自动寻找出实验所选液体折射率薄层清晰成像点的位置并记录该位置随时间的变化关系。最后,根据Fick第二定律计算出液相扩散系数。采用这种方法,实验研究了室温(25℃)条件下乙二醇在纯水中的扩散过程,测得其扩散系数D=1.164×10-5 cm2/s,与文献报导值的相对误差为0.34%。与直接观察测量法相比较,此方法实现了测量的自动化,避免了人为主观判断误差,具有测量快速、准确,计算耗时短,实验测量结果稳定的特点。     

局部自适应学习基稀疏约束结合信息优先权选择扩散的迭代图像修复算法研究

图像修复的性能依赖于局部邻域信息的利用,同时要求修复的方向与结构性内容具有一致性,针对这两个关键问题,本文提出基于局部自适应学习基稀疏约束结合信息优先权选择扩散的迭代滤波图像修复思路。该算法首先学习丢失区邻域得到一组具有局部自适应性的稀疏基,然后沿着等照度线方向按照优先权选择扩散的顺序利用稀疏重构理论以这组基逐层投影重构丢失区域,通过迭代执行分层修复实现对丢失区域的渐进逼近。实验结果表明,该算法无论对于纹理图像、边界图像还是自然图像都可达到较好的效果,而且在峰值信噪比上优于已有文献的方法。