Besov空间的阈值收缩和边缘补偿的图像去噪

提出一种新的图像去噪方法,它是Besov空间的变分模型,在负实数次Sobolev空间上定义了数据项,用Besov半范数定义了正则项。并详细推导了变分模型在Besov空间的阈值求解公式,先做一个Contourlet变换域的小阈值收缩,然后再利用该模型去噪。去除噪声的同时也损失了部分边缘信息,把边缘分为四种情况,针对不同情况确定相应的边缘补偿方法。实验表明该模型具有良好的去噪效果。     

图像复原的Contourlet收缩与广义全变分正则化方法

建立了广义全变分(total variation,TV)模型,分析正则项在复原算法中的作用.分别从图像的平坦区域和边缘区域入手,在平坦区域图像各向同性扩散,在边缘区域则要满足各向异性扩散,从理论上对两种情形下的扩散做深入分析,推导出广义TV模型满足的一些条件,为了防止高噪声情形下复原模型失效以及克服方块效应,在正则项中引入了 Contourlet收缩,它是一种多分辨的、局域的、多方向的更稀疏的图像表示方法,正则项中引入的Contourlet收缩具有去噪和提取图像重要信息的作用,Contourlet收缩与广义TV正则化相结合,兼顾了图像的光滑性和边缘保持,特别是在图像严重模糊、噪声越多的情形下,更加体现了这种算法比改进的TV模型有效.     

基于复杂网络数据流密度的增量子空间数据挖掘算法

为了提升在复杂网络中对大规模网络数据流进行挖掘时的准确性,提出一种基于复杂网络数据流密度的增量子空间数据挖掘算法,在算法中先对复杂网络的数据流密度进行分析,并根据不同网络的数据流密度来划分社区,进行无向环路遍历来确定数据流的所属社区.再通过增量子空间数据挖掘算法来计算社区网络与数据流的相关度以及数据流所经过的节点与时间的相关系数,从而准确确定目标数据流所处的节点.通过仿真实验结果和数据分析表明,增量子空间数据挖掘算法的数据挖掘精度在节点、社区数较多的情况下仍达到了较高的挖掘精度.     

超声图像分割的曲线长度约束的图模型方法

针对超声图像分辨率低、组织和器官间的对比度低,图像具有弱边界并且包含严重的斑点噪声,导致分割非常困难的问题,结合超声图像自身的特点,提出一种适合超声图像的交互式图割的分割方法.首先用各项异性的扩散方法去除斑点噪声;然后构造能量泛函,在能量模型中增加曲线长度的约束,建立源点、汇点和图像的像素点之间的关联,定义泛函模型的数据项和规整化项;最后给出能量泛函能用图割最小化的证明,详细推导了能量泛函模型的求解,根据能量模型的特点构建相应的s-t图,并给出了图割方法步骤.实验结果表明,该方法能够精确、快速地分割出图像中的目标,解决了图割模型容易出现小区域和曲线不光滑的问题,分割效果优于传统的图模型.     

医学噪声图像分割的分解与活动轮廓方法

医学噪声图像的分割是一件非常困难的事情,为了同时进行噪声去除和图像分割,提出一种基于分解的图像活动轮廓分割模型.该模型是G空间图像分解模型和边缘、区域相结合的活动轮廓模型集成的一个变分泛函,由于模型直接求解困难,把它分裂成2个泛函极值——图像分解部分和图像分割部分.其中,图像分解部分是在G空间的泛函极值,用第二代曲波变换域的阈值收缩求解;分割部分是变分水平集泛函极值,其Euler方程为非线性偏微分方程,可用梯度下降流求解.实验结果表明,文中模型不但可对噪声图像去噪,而且在相同的实验条件下分割效果优于Chan-Vese模型、Snake模型、Level-set模型和ASM;不仅提高了图像的质量,还能较好地分割出目标部分.     

在Gp,qβ空间收缩的图像复原方法

在DT模型、Jiang模型和LHLLAV模型等图像复原方法的基础上,提出了在新的光滑空间上的图像复原模型。首先剖析了新模型的参数含义和物理意义,阐述了Besov空间和Gp,qβ空间的定义、性质和范数。根据Gp,qβ空间和Besov空间的关系,把模型在Gp,qβ空间中重新描述。引入替代函数,消除K*Ku对求解带来的困难,推导了新模型在第二代Curvelet变换域的求解,得到了一个关键性的Curvelet域收缩求解公式。最后,对图像复原模型给出了算法步骤和实验,验证了复原效果和计算复杂度,模型收敛快,比LHLLAV模型省时近一半,图像的SNR也比LHLLAV模型的高。     

稀疏正则化方法的超声信号反卷积

提出了一种在稀疏分解框架下的超声信号反卷积模型,改善了超声成像的质量。该模型包含两个正则项,分别约束信号的光滑性和字典表示的稀疏性,并应用高阶统计量和MA模型估计系统的点扩散函数。模型直接求解很困难,采用分裂Bregman方法交替迭代求解;并对反卷积的信号进行动态滤波、包络检波、二次抽样、动态压缩、灰阶映射等处理,得到超声灰度图像。实验结果表明,该反卷积方法成像比直接成像的分辨率高,图像的对比度得到增强,斑点噪声明显减少。     

Fisher准则和正则化水平集方法分割噪声图像

随着活动轮廓模型的不断成熟和发展,模型的抗噪能力又成为重要的研究课题.为了精确地分割图像的同时去除图像的噪声,针对噪声图像用非负稳健函数作为边缘保持函数,从而保证图像在去噪的过程中边缘和纹理信息不被模糊.首先创造性地将分类器中的Fisher准则函数引入到图像分割中,从分类的角度对C-V模型给出了Fisher解释.把Fisher准则作为分割的标准来建立一个基于区域和边缘相结合的同时完成去噪和分割变分水平集分割模型.其次详细讨论了该模型的数值求解方法.最后实验验证了用Fisher值来衡量分割标准的理论的正确性和可靠性以及模型中正则项约束在去噪过程中的边缘保持功能.通过3组实验检验了提出的模型对噪声图像的去噪和分割比聚类算法、松弛迭代算法、Mean Shift算法有更好的效果.     

WBCT与变分正则化方法的医学图像去噪

在分析几种变分正则化去噪模型的基础上,改进了变分正则化去噪模型,它是各向异性扩散的,去噪效果好,但计算量较大.由于WBCT的阈值法去噪速度快,本文提出了混合去噪方法,充分利用两种方法的优点,先对噪声图像做WBCT,高频子带用WBCT的阈值法去噪,对低频子带用改进的变分正则法去噪,然后用WBCT逆变换重建图像.实验结果表...     

基于稀疏分解的Besov空间上的医学图像反卷积

在稀疏分解框架下, 建立在Besov光滑空间上的图像变分泛函反卷积模型。在负Hilbert-Sobolev空间上约束数据项,正则项用稀疏性和光滑性来约束,冗余字典的L1范数作为稀疏性度量, 用Besov空间上的半范数作为图像光滑性度量, 保证稀疏性的同时也兼顾光滑性。 该模型直接求解很困难,文中采用分裂算子的方法,把原模型分裂成图像域反卷积和稀疏表示这两个模型,交叉迭代求解,并给出模型求解的详细伪代码。 实验验证算法的收敛性,并和其它模型进行比较,结果表明本文模型反卷积效果较好。