排序方式: 共有75条查询结果,搜索用时 15 毫秒
41.
针对图像去噪过程中存在边缘保持与噪声抑制之间的矛盾,提出了一种改进的基于偏微分模型的图像去噪算法.引入了正则化、绝对差值排序检测法,结合Chao和Tsai模型,构造了一种新的扩散系数函数,兼具了正则化解决方程病态问题和绝对差值排序检测法有效区分噪声与边缘的优点.实验结果表明:与其他基于常用偏微分模型的去噪算法相比,所提算法能更加有效地去除噪声,保留了更多的细节信息,提高了图像去噪的信噪比. 相似文献
42.
43.
44.
图像复原是一个病态问题,一般需要通过规整化技术得到一个合适的解.规整化的难点在于抑制噪声的同时要保持图像的边缘等重要的图像信息.为了更有效地保持复原图像的边缘,提出了小波域边缘保持规整化泛函的一般形式,并给出了相应的求解方法.针对小波域图像复原方法可能产生的Gibbs效应,利用自然图像小波变换的水平(竖直)子带在水平(竖直)方向的连续性,通过额外的惩罚项加以解决.仿真实验结果说明了该方法的有效性. 相似文献
45.
水下激光图像增强方法研究 总被引:1,自引:1,他引:1
由于水体对光存在着不可克服的吸收和散射效应,距离选通水下激光成像系统所获得的图像存在不同程度的劣化问题.为提高图像质量,在分析水下激光图像特点的基础上,针对常规直方图均衡化的不足,提出了用阈值分割直方图,高灰度区和低灰度区分别进行均衡化,再压缩组合的分段的直方图均衡化方法,并和边缘保护平滑滤波结合应用于水下激光图像增强.通过实验,验证了该算法能达到抑制背景噪声、突出目标细节、提高对比度的效果,对水下激光图像增强十分有效. 相似文献
46.
47.
针对多模态医学图像融合中容易产生伪影且存在细节缺失的问题,提出一种利用多尺度边缘保留分解和稀疏表示的二尺度多模态医学图像融合方法框架。首先利用边缘保留滤波器对源图像进行多尺度分解,得到源图像的平滑层和细节层。然后,将改进的稀疏表示算法用于融合平滑层,并在此基础上提出一种基于图像块筛选的策略来构建过完备字典的数据集,再利用字典学习算法训练出一种联合字典,同时引入一种多范数的活跃度度量方法选择稀疏系数;细节层的融合则采用自适应加权局部区域能量的融合规则。最后将融合后的平滑层和细节层进行多尺度重构得到融合图像。针对三类不同成像模态的医学图像进行对比实验,结果表明,该方法较其他多尺度变换和稀疏表示的方法能够保留更多显著的边缘特征,对比度也有明显提升,在视觉效果和客观评价上都具有一定优势。 相似文献
48.
为了更好地对图像进行平滑同时保持边缘不模糊,设计一种新的滤波方法。对基于该方法的图像滤波、细节增强等算法进行研究。首先,根据图像的亮度和颜色对图像进行分割,将图像分成不同的区域。接着,在不同的区域进行导引滤波,得到互不交叠的多个滤波子图像。然后,将这些子图融合,得到基于分割的改进导引滤波结果。最后,利用提出的改进导引滤波方法提出一种多尺度的细节增强方法。实验结果表明,在图像光滑和细节增强方面,提出的方法都要好于传统的导引滤波:提出的方法不仅能较好的光滑图像,同时保持边缘清晰,减少了传统滤波方法在边缘处的光晕现象。 相似文献
49.
引导滤波算法具有保边平滑的功能,但传统引导滤波方法容易导致图像平滑区域过度模糊、细节丢失的问题。为了使引导滤波在保持高频信息的同时结构化输出低频灰度,本文提出了一种基于自适应分数阶微分的引导滤波算法。以分数阶微分理论为基础定义了分数阶微分掩膜,并结合图像梯度、二维信息熵和局部方差权值构造了自适应分数阶微分阶数函数来有效检测图像纹理和梯度变化,从而将图像局部特性转移到引导图像中,确保在平滑去噪的同时保持图像纹理细节。实验结果表明,本文算法具有良好的边缘和纹理保持特性。另外,将本文算法运用到基于PCA和SVM的人脸识别图像预处理中,能一定程度提升人脸识别率。 相似文献
50.
目的 显著性检测是基于对人类视觉的研究,用来帮助计算机传感器感知世界的重要研究手段。现有显著性检测方法大多仅能检测出人类感兴趣的显著点或区域,无法突出对象整体的显著性以及无法区分对象不同层次的显著性。针对上述问题,提出一种基于分层信息融合的物体级显著性检测方法。方法 与当前大多数方法不同,本文同时运用了中级别超像素和物体级别区域两种不同层次的结构信息来获取对象的显著图。首先,将图像分割为中级别的超像素,利用自下而上的方法构造初始显著图;然后通过谱聚类方法将中级别的超像素聚类成物体级的区域,并运用自上而下的先验来调整初始先验图;最后,通过热核扩散过程,将超像素级别上的显著性扩散到物体级的区域上,最终获得一致的均匀的物体级显著性图。结果 在MSRA1000标准数据库上与其他16种相关算法在准确率-召回率曲线及F度量等方面进行了定量比较,检测的平均精度和F-检验分数比其他算法高出5%以上。结论 通过多层次信息融合最终生成的显著图,实现了突出对象整体显著性以及区分不同对象显著性的目标。本文方法同样适用于多目标的显著性检测。 相似文献