基于自适应耦合局部数字全变分的超分辨重建

如何更好地保持重建图像的边缘信息是当今超分辨率重建技术的一个重要研究课题。针对基于全变分模型的超分辨率重建方法容易产生阶梯效应的不足,利用图像局部模糊熵信息,设计一个表征图像区域结构特征的局部自适应度量函数。利用该函数对全变分模型和超数字化全变分模型进行耦合,进而提出一种基于自适应耦合局部数字全变分模型的超分辨率重建方法。实验结果表明,该方法在保持图像几何边缘结构和消除平坦区域阶梯效应方面能力较强,重建效果较好。     

一种改进的小波域图像修复算法

针对全变分小波图像修复算法在平滑区易产生阶梯效应并且噪声抑制不充分的缺陷,提出一种新颖的小波域图像修复模型。通过优化一个全变分和图像梯度的二范数的能量泛函来实现小波域的图像修复,使得在去除噪声的同时较好地保留了图像的边缘,在平滑区域削弱了阶梯效应,并利用有限差分法对所建立的扩散方程进行数值求解。实验结果表明:所提方法对于不同丢失比例的图像以及噪声图像都取得了较好的修复效果,尤其当小波系数丢失率较高时更为明显。     

全变分原理在地震数据去噪中的应用

地震图像资料的解释和后续处理中的重点环节是如何有效地降除地震资料记录中的噪声。高效的地震资料降噪算法在较好降除噪声的同时可以将图像的边缘信息予以较好的保留。论文首先全面地介绍了全变分去噪模型,同时详细介绍了参数的选取方法,最后进行实验和模型验证。结合小波阈值降噪方法进行比较,实验结果表明全变分降噪方法在很好地消除地震信号图像中的噪声,大面积提高信号剖面质量的同时,可以有效提高地震资料的信噪比。     

一种基于全变分模型的图像修复改进算法

为了恢复图像中划痕、文字等小目标去除后丢失的相关信息,对全变分(TV)模型及其自适应算法进行了分析和改进。在Chan提出的图像修复原则的基础上给出了两个阈值参数,对原有算法中的权值系数进行了改进。仿真实验结果表明,本文算法在保证原有算法修复效果的同时能够有效地提高运算速度,取得了较好的实际效果。     

自适应全变分图像去噪模型及其快速求解*

在联合冲击滤波器和非线性各向异性扩散滤波器对含噪图像做预处理的基础上,利用边缘检测算子选取自适应参数,构建能同时兼顾图像平滑去噪与边缘保留的自适应全变分模型,并基于Bregman迭代正则化方法设计了其快速迭代求解算法.实验结果表明,自适应去噪模型及其求解算法在快速去除噪声的同时保留了图像的边缘轮廓和纹理等细节信息,得到的复原图像在客观评价标准和主观视觉效果方面均有所提高.     

基于约束空间光谱联合的亚像素定位方法北大核心CSCD

针对高光谱遥感图像,提出了一种约束空间光谱的亚像素定位方法。传统的亚像素定位方法以解混的结果作为输入,可能无法充分利用高光谱图像丰富的光谱信息。本文所提出的基于约束空间光谱联合的亚像素定位方法(constraint spatial-spectral subpixel mapping,CSSSM),利用下采样将像素丰度与亚像素丰度显式联系起来,代入线性解混模型得到亚像素丰度求解的新模型。在求解过程中,通过添加稀疏性约束与平滑性约束,以限制亚像素丰度的解空间,亚像素丰度求解更精确。其中,针对亚像素丰度稀疏性先验采用重加权1范数作为新的约束,并自适应地更新权重;针对亚像素丰度空间先验信息则采用全变分(total variational,TV)正则化作为约束,然后使用乘法迭代算法求解亚像素丰度,最后利用赢者通吃的策略进行类别确定。在两个合成数据集上进行了实验,结果表明,本方法能够进一步提高亚像素定位的精度。     

基于梯度自适应函数的彩色图像变分去噪方法

分析了彩色图像的全变分降噪模型,该模型在降噪的同时可以保持好图像的特征信息,但对于噪声较大的图像具有明显的"阶梯效应".Blomgren的基于梯度自适应函数的去噪模型只能处理灰度图像,因此提出改进的基于彩色图像的梯度自适应函数去噪模型.实验证明,改进的模型有效地解决了"阶梯效应"的发生,提高了模型的去噪能力和边缘保持能力.     

基于压缩传感的背景差分方法研究

近年来国际上出现了一种新的信息获取理论——压缩传感理论（CS）,不同于传统的奈奎斯特采样定理,它指出只要信号具有稀疏性或可压缩性,就可以通过少量随机采样点来恢复原始信号。基于对CS理论基础的深入分析,提出一种运用背景差分进行运动目标检测的新方法,此方法可以显著减少信号采样点数和传输带宽,而且一定程度上了克服了由于如光照变化而造成的误检测,仿真结果证实了该文算法的可行性。     

TV改进算法及其在人脸识别中的应用

针对传统全变分（TV）模型在测试过程中存在的问题,将弹性网引入TV模型中,采用二次多项式对TV模型所丢弃的人脸低频信息进行光照归一化处理,并提取图像的高频信息,在YaleB图像库中测试其性能,仿真实验结果表明,相对于TV模型,TV＋二次多项式模型能够有效提高图像识别率。