基于块分类稀疏表示的图像融合算法

针对基于单一字典训练稀疏表示的图像融合算法忽略图像局部特征的问题,提出了基于块分类稀疏表示的图像融合算法。此算法是根据图像局部特征的差异将图像块分为平滑、边缘和纹理三种结构类型,对边缘和纹理结构分别训练出各自的冗余字典。平滑结构利用算术平均法进行融合,边缘和纹理结构由对应字典利用稀疏表示算法进行融合,并对边缘结构稀疏表示中的残余量进行小波变换融合。实验结果证明,该算法相对于单一字典稀疏表示算法,在融合图像的主观评价和客观评价指标上都有显著改进,并且算法速度也有提高。     

基于Brenner函数与新轮廓波变换的多聚焦融合算法

为了消除Contourlet融合算法中各方向子带的频谱混叠现象,同时提高有效系数提取的正确率,提出了一种基于Brenner函数与新轮廓波变换(NCT-SFL)的多聚焦图像融合算法。该算法先使用新轮廓波变换分解多聚焦待融合图像;然后对低频系数采用传统的算术平均融合规则,高频系数采用基于Brenner函数的局部能量最大的融合规则,最后经逆新轮廓波变换得到融合图像。实验结果表明：该算法能有效提取待融合图像的轮廓信息,并在获得较优的主观视觉前提下,客观评价指标互信息与转移的边缘信息分别提高了99.34%与77.95%。此外,新轮廓波分解层数较多时,该算法的优势更为明显。     

结合加权Schatten-p范数与3D全变分的前景检测

针对低秩与稀疏方法一般将前景看作背景中存在的异常像素点，从而使得在复杂场景中前景检测精确度下降的问题，提出一种结合加权Schatten-p范数与3D全变分（3D-TV）的前景检测模型。该模型首先将观测数据三分为低秩背景、运动前景和动态干扰；然后利用3D全变分来约束运动前景，并加强对前景目标时空连续性的先验考虑，有效抑制了不连续动态背景异常点的随机扰动；最后利用加权Schatten-p范数约束视频背景的低秩性能，去除噪声干扰。实验结果表明，与鲁棒主成分分析（RPCA）、高阶RPCA（HoRPCA）和张量RPCA（TRPCA）等模型相比，所提模型的综合衡量指标F-measure值是最高的，查全率与查准率也处于最优或次优状态。由此可知，所提模型在动态背景、恶劣天气等复杂场景中能有效提高运动目标的提取精确度，且提取的前景目标视觉效果较好。     

基于总变分与小波变换的图像去噪算法

针对标准的ROF模型在去噪时边缘信息对噪声敏感且易模糊的缺陷,提出了一种改进的图像去噪新方法.在新算法中引入各向异性的扩散函数,并利用小波变换的模替代梯度算子的模来检测图像的边缘,从而使新模型具有很好的鲁棒性并根据图像的特征进行平滑,因而更好的保护边缘信息.数值实验表明,新算法使峰值信噪比平均提高约1.5 dB,在视觉效果上也有很大改善.     

热辐射传感器相关的普朗克积分解

文章提出了普朗克积分在普遍情况下的表达形式。给出了考虑到光纤传输函数和硅2 光电检测器的光谱响应特性后普朗克积分的数值解,其结果与文献的实验较为一致。文末还讨论了在求解普遍情况下的普朗克积分时应该注意的几个问题。     

一种软阈值滤波算法的改进

由于各尺度上小波系数的微小的偏移对相关系数有影响,为了得到更精确的噪声方差,文中利用区域相关系数对王博等人提出的相关算法进行改进,得到新的软阈值。最后通过仿真,将此阈值与软阈值manimaxi和heursure进行比较,结果表明利用改进后的软阈值去噪效果较佳。     

信号奇异性的Lipschitz意义

奇异信号往往带有一些重要信息,奇异性检测就是要将信号奇异点检测出来并判断奇异性程度。一般用Lipschitz指数来描述信号的奇异性,它对信号奇异性有比连续和可微更精细的描述。通过引入奇异信号的n类奇异性,在Mallat等人的基础上讨论了奇异信号Lipschitz指数定义,同时对Lipschitz指数为非负整数时信号的奇异性进行了研究。     

基于张量核范数与3D全变分的背景减除

针对常用背景减除方法忽略前景时空连续性的问题，以及动态背景对前景提取的干扰问题，基于张量鲁棒主成分分析（TRPCA）提出了一种改进的背景减除模型。该模型利用改进的张量核范数对背景进行约束，加强了背景的低秩性，保留了视频的空间信息；然后用3D全变分（3D-TV）对前景进行正则化约束，考虑了目标在时空上的连续性，有效地抑制了动态背景和目标移动对前景提取造成的干扰。实验结果表明，所提算法能有效地分离视频中的前景和背景，且与高阶鲁棒主成分分析（HoRPCA）、带有新核范数的张量鲁棒主成分分析（TRPCA-TNN）和基于克罗内克基的鲁棒主成分分析（KBR-RPCA）等方法相比，综合评判指标F-measure值均处于最优或次优状态。由此可见，所提算法有效地提高了前景背景分离的准确度，抑制了复杂天气和目标移动对前景提取的干扰。     

基于非下采样Shearlet变换与聚焦区域检测的多聚焦图像融合算法

为了提高基于多尺度变换的多聚焦图像融合中聚焦区域的准确性,提出了一种基于非下采样Shearlet变换(NSST)与聚焦区域检测的多聚焦图像融合算法。首先,通过基于非下采样Shearlet变换的融合方法得到初始融合图像;其次,将初始融合图像与源多聚焦图像作比较,得到初始聚焦区域;接着,利用形态学开闭运算对初始聚焦区域进行修正;最后,在修正的聚焦区域上通过改进的脉冲耦合神经网络(IPCNN)获得融合图像。与经典的基于小波变换、Shearlet变换的融合方法以及当前流行的基于NSST和脉冲耦合神经网络(PCNN)的融合方法相比,所提算法在客观评价指标互信息(MI)、空间频率和转移的边缘信息上均有明显的提高。实验结果表明,所提出的算法能更准确地识别出源图像中的聚焦区域,能从源图像中提取出更多的清晰信息到融合图像。