Bayer阵列图像去马赛克算法综述

Bayer阵列图像去马赛克技术是对稀疏采样的Bayer阵列图像进行RGB信息重建,图像重建质量是成像设备评价的重要因素之一,同时也对其他计算机视觉任务(如图像分割、人脸识别)产生影响。随着深度学习方法的快速发展,图像去马赛克领域提出了多种高性能算法。为了便于研究者更全面了解图像去马赛克算法的原理和研究进展,本文对该领域的经典算法和深度学习算法进行综述。首先对Bayer采样阵列原理和图像去马赛克技术进行概述。然后将现有方法分为传统方法和基于深度学习方法两类进行总结,同时根据去马赛克任务是否具有独立性,将深度学习方法分为独立去马赛克任务和联合去马赛克任务两类,分析不同方法的原理和优缺点,重点阐述基于深度学习的去马赛克方法的网络结构和重建机理,介绍去马赛克领域常用的公共数据集和性能评价指标,并对图像去马赛克相关实验进行分析对比。最后,围绕网络深度、运算效率和实用性等方面分析了现阶段图像去马赛克技术面临的挑战及未来发展方向。目前,基于深度学习的图像去马赛克方法已成为主流发展方向,但仍然存在计算成本较高、实际应用性不强等问题。因此,如何开发出重建精度高、处理时间短以及实用性强的图像去马赛克方法,是该领域未来重要的研究方向。     

自适应非局部3维全变分彩色图像去噪

目的 许多彩色图像去噪算法未充分利用图像局部和非局部的相似性信息,并且忽略了真实噪声在彩色图像不同区域内分布的差异,对不同图像块和不同颜色通道都进行同等处理,导致去噪图像中同时出现过平滑和欠平滑现象。针对这些问题,本文提出一种自适应非局部3维全变分去噪算法。方法 利用一个非局部3维全变分正则项获取彩色图像块内和块间的相似性信息,同时在优化模型的保真项内嵌入一个自适应权重矩阵,该权重矩阵可以根据每次迭代得到的中间去噪结果的剩余噪声来调整算法在每个图像块、每个颜色分量以及每次迭代中的去噪强度。结果 通过不同的高斯噪声添加方式得到两个彩色噪声图像数据集。将本文算法与其他6个基于全变分的算法进行比较,采用峰值信噪比(peak signal-to-noise ratio,PSNR)和结构相似性(structural similarity, SSIM)作为客观评价指标。相比于对比算法,本文算法在两个噪声图像数据集上的平均PSNR和SSIM分别提高了0.161.76 dB和0.12%6.13%,并获得了更好的图像视觉效果。结论 本文去噪算法不仅更好地兼顾了去噪与保边功能,而且提升了稳定性和鲁棒性,显示了在实际图像去噪中的应用潜力。     

基于区域重构的树状骨架快速去毛刺方法

区域骨架去毛刺是骨架提取与应用中的重要问题。常见的去毛刺途径之一,是用基于区域重构的骨架显著性指标对骨架进行阈值化处理,但存在算法参数难以直观设置、去毛刺效果不易控制、运行速度较慢等问题。针对上述问题,提出了一种逐次剪除骨架分枝的去毛刺方法,以突出部分骨架长度为显著性指标,每次剪除显著性最低的一个分枝,直至剩余分枝达到给定数量;为提高算法速度,采用了游程森林结构加速区域重构操作,提出了重构触发策略来减少重构次数。在实际图像集上的实验结果表明,提出的方法的正确骨架分枝的召回率较对比算法高13%,准确率高近3%;采用重构触发策略的算法运行时间平均为未采用该策略算法的约56%。实验结果表明了所提方法的有效性。     

微波射频差分探针去嵌入理论研究

为了获得被测件(DUT)准确的散射参数(S参数),研究了用于差分网络的去嵌入理论。在经典的差分探针结构的基础上,提出了一种可以抑制差分测试中共模信号影响的新型差分探针模型,即信号-信号探针(SS探针)。并完成了直通-反射-传输线(TRL)校准件和DUT的设计,推导了差分网络的多模去嵌入理论,编写算法并利用测试数据进行计算,仿真与测试结果表明在0~8 GHz的频率范围内,去嵌入后的散射参数的幅度、相位与仿真结果一致性较好。     

基于去趋势互相关分析法的光照、温度和风速互相关性分析

合理利用气象因素之间的互相关特性有利于降低系统运行成本,提高系统稳定性。采用美国3个不同地区的光照、风速、温度的历史实测数据对三者所具有的长程自相关性与互相关性进行探究。首先利用去趋势波动分析法对3个地区的光照、风速、温度的长程自相关性进行分析;其次采用去趋势互相关分析法（detrended cross-correlation analysis method, DCCA）和DCCA互相关系数进一步量化在不同尺度下三者之间的互相关性;最后构建风光互补发电场景并分析风光互补的总体特性和季节特性,验证了相关性分析的有效性和必要性。     

基于小波去噪和BA-SVM的小电流接地系统故障选线方法

针对小电流接地系统的故障选线问题,提出一种基于小波去噪和BA-SVM的诊断方法。该方法将系统零序电流经过小波去噪处理得到特征值,输入SVM模型进行训练和测试,最终得到故障选线结果。针对SVM算法的参数选取问题,使用蝙蝠算法进行优化,提高算法的准确率和效率。采用Matlab仿真35 kV算例,验证该方法的有效性和实用性。     

基于DWT与改进中值滤波的矿井视频监控图像去噪

井下光照不均、煤尘浓度大以及视频图像获取设备电路电压不稳定等各类因素的存在,导致矿井视频监控系统获取的图像存在大量噪声,影响了对矿井各类生产信息的准确判读。为此,将离散小波变换(Discrete wavelet transform,DWT)与改进中值滤波算法相结合,提出了一种矿井视频监控图像高效去噪算法。首先,对获取的矿井视频图像进行自适应噪声检测,根据检测结果,对图像采用改进中值滤波算法处理;然后对滤波后的图像进行3层离散小波变换,鉴于图像的噪声信息绝大部分集中分布于高频分解系数中,故对低频分解系数不作处理;最后对高频分解系数采用一种改进软阈值去噪函数模型进行去噪,将去噪后的高频分解系数与原始低频分解系数进行重构,得到去噪后清晰度较高的图像。采用实地获取的山西潞安某煤矿井下视频图像进行试验,并与小波软阈值去噪、中值滤波等算法进行去噪效果对比分析,此外,对各算法的试验结果分别采用信噪比(Signal noise ratio,SNR)以及算法运行时间进行评价,结果表明:新算法对于矿井视频监控图像的去噪效果优于其余2类算法,且算法运算时间也具有一定的优势。     

煤岩微弱电磁信号的噪声源识别及去噪方法

煤岩破坏可以产生电磁信号,分析其信号特征对于准确预测煤岩动力灾害有着重要作用,然而当破裂信号较为微弱时,外界干扰因素会对结果分析产生极大影响。为此,在分析实验条件下煤岩受载电磁信号的噪声来源及其各自特征的基础上,提出了循环带阻滤波、基于白噪声统计特征及经验模态分解(EMD)的均值滤波、基于模态分量自相关函数频谱的准周期特征识别及带阻滤波等方法,对不同源头的噪声进行了自动识别及去噪,同时,在信号源未知的情况下提出了评估去噪效果的噪噪比(NNR)方法。结果表明:基于分源去噪方法而得出的型煤电磁信号噪噪比仅为0.136 6,明显优于单一的小波及EMD去噪方法,表明分源去噪方法在煤岩受载微弱电磁信号去噪中有着良好的应用效果。     

基于RANSAC分割的点云数据K-近邻去噪算法研究

针对基于TOF深度相机的空间目标表面重建的点云源数据容易受到仪器本身、扫描环境、外界干扰等影响,而含有大量的无效点和噪声点,增加了计算负担且影响了重建质量等问题,提出了一种基于随机采样一致性背景分割的点云K 近邻去噪方法,以消除目标数据的异常值和无效点。首先,改进RANSAC算法,通过设置不同的阙值对原始点云进行背景分割,以确保准确提取待重建目标的主要特征。然后,通过K 近邻点云平均算法和双边滤波算法移除离群点,最后使用体素化网格方法实现点云大数据的下采样,简化了目标点云,保留了局部特征,加快了曲面重建速度。实验结果表明,该算法能够有效的剔除噪声点,准确率高,实时性好,满足应用的要求。