加权Schatten范数低秩表示的高光谱图像恢复

高光谱图像在获取过程中常受到多种类型噪声的干扰,如高斯噪声、脉冲噪声、条纹噪声等,为确保后续应用的顺利进行,提出了一种基于加权Schatten范数低秩表示的高光谱图像恢复方法。该方法引入低秩表示模型恢复高光谱数据,采用加权Schatten范数代替核函数,更精确地逼近秩函数;并选用初步无噪图像作为低秩表示的字典,进一步提高了模型对图像的恢复能力。另外,引入拉普拉斯正则项刻画数据内部的几何结构,能保持图像的细节。模拟和实际高光谱数据的实验结果表明,较多种相关的方法在视觉效果和量化指标值都有很大的改进。与经典的基于低秩先验的恢复方法相比,本文算法的平均峰值信噪比提高2.74 dB,平均结构相似性数值指标提高0.03,而平均光谱角能降低1.40。新模型不仅能充分利用高光谱图像光谱维的低秩先验,而且保持了数据内部的几何结构,有利于恢复出高质量的清晰图像。     

图像局部交互熵分割模型的两步快速优化

目的 针对LCK（local correntropy-based K-means）模型收敛速度慢,提出新的基于LCK模型的两步快速分割模型。方法 两步快速分割模型包括粗分割和细分割。1）粗分割：先将待分割的原始图像下采样,减少数据量;然后使用LCK模型对采样后的粗尺度图像进行分割,得到粗分割结果及其相应的粗水平集函数。由于数据量的减少,粗分割步骤可以快速得到近似分割结果。2）细分割：在水平集函数光滑性约束下,将粗分割结果及其对应的粗水平集函数上采样到原始图像的尺度,然后将上采样后的粗水平集函数作为细分割的初始值,利用LCK模型对原始图像进行精细分割。因初始值与真实目标边界很接近,所以只需很少迭代次数就能得到最终分割结果。结果 采用F-score评价方法分析自然以及合成图像的分割结果,并与LCK模型作比较,新的模型F-score数值最大,且迭代次数不大于50。结论 粗分割步骤能在小数据量的情况下,快速分割出粗略的目标;细分割步骤在较好的初始值条件下,能够快速收敛到最终的分割结果,从而有效提高了模型的计算效率和精确性。本文算法主要适用于分割含有未知噪声及灰度非同质的医学图像,且分割效率高。     

基于结构张量和Wasserstein距离的纹理图像分割

基于区域的非参数活动轮廓模型被广泛地应用于图像分割领域。在结构张量和图像灰度直方图基础上建立的新模型就属于这个范畴, 它被用于灰度和彩色纹理图像的分割。首先,对经典的结构张量进行扩展,使其能表达原始纹理图像的梯度信息和色彩信息。利用扩展的结构张量,使一幅图像生成多个特征通道,从而提取更多的纹理特征。然后,在各个通道中,利用像素点的局部灰度直方图的Wasserstein距离信息分割图像,使图像不同分割区域的灰度分布近似同态。最后,为了有效地降低模型的数值计算复杂度,一些数值计算技巧被引入模型的计算过程,产生了很好的效果。通过大量的实验对比,利用新模型能得到更精确、更稳定的分割结果。     

小波域中双稀疏的单幅图像超分辨

目的 过去几年,基于稀疏表示的单幅图像超分辨获得了广泛的研究,提出了一种小波域中双稀疏的图像超分辨方法。方法 由小波域中高频图像的稀疏性及高频图像块在空间冗余字典下表示系数的稀疏性,建立了双稀疏的超分辨模型,恢复出高分辨率图像的细节系数;然后利用小波的多尺度性及低分辨率图像可作为高分辨率图像低频系数的逼近的假设,超分辨图像由低分辨率图像的小波分解和估计的高分辨率图像的高频系数经过二层逆小波变换来重构。结果 通过大量的实验发现,双稀疏的方法不仅较好地恢复了图像的局部纹理与边缘,且在噪声图像的超分辨上也获得了不错的效果。结论 与现在流行的使用稀疏表示的超分辨方法相比,双稀疏的方法对噪声图像的超分辨效果更好,且计算复杂度减小。     

截断核范数和全变差正则化高光谱图像复原

目的 高光谱图像距具有较高的光谱分辨率,从而具备区分诊断性光谱特征地物的能力,但高光谱数据经常会受到如环境、设备等各种因素的干扰,导致数据污染,严重影响高光谱数据在应用中的精度和可信度。方法 根据高光谱图像光谱维度特征值大小与所包含信息的关系,利用截断核范数最小化方法表示光谱低秩先验,从而有效抑制稀疏噪声;再利用高光谱图像的空间稀疏先验建立正则化模型,达到去除高密度噪声的目的;最终,结合上述两种模型的优势,构建截断核范数全变差正则化模型去除高斯噪声、稀疏噪声及其他混合噪声等。结果 将本文与其他三种近期发表的主流去噪方法进行对比,模型平均峰信噪比提高3.20 dB,平均结构相似数值指标提高0.22,并可以应用到包含各种噪声、不同尺寸的图像,其模型平均峰信噪比提高1.33 dB。结论 本文方法在光谱低秩中更加准确地表示了观测数据的先验特征,利用高光谱遥感数据的空间和低秩先验信息,能够对含有高密度噪声以及稀疏异常值的图像进行复原。     

改进K-means活动轮廓模型

目的 通过对C-V模型能量泛函的Euler-Lagrange方程进行变形,建立其与K-means方法的等价关系,提出一种新的基于水平集函数的改进K-means活动轮廓模型。方法 该模型包含局部自适应权重矩阵函数,它根据像素点所在邻域的局部统计信息自适应地确定各个像素点的分割阈值,排除灰度非同质对分割目标的影响,进而实现对灰度非同质图像的精确分割。结果 通过分析对合成以及自然图像的分割结果,与传统及最新经典的活动轮廓模型相比,新模型不仅能较准确地分割灰度非同质图像,而且降低了对初始曲线选取的敏感度。结论 提出了包含权重矩阵函数的新活动轮廓模型,根据分割目的和分割图像性质,制定不同的权重函数,该模型具有广泛的适用性。文中给出的一种具有局部统计特性的权重函数,对灰度非同质图像的效果较好,且对初始曲线位置具有稳定性。     

混合全变差和低秩约束下的高光谱图像复原

目的 由于高光谱遥感数据携带丰富的光谱和空间信息,使其在许多领域得以广泛关注和应用。但是高光谱遥感数据在获取过程中受到各种因素的影响,存在多种不同程度的退化,进而影响到后续的处理和应用。因此,提出一种基于低秩矩阵近似和混合全变差正则化方法来复原退化的高光谱遥感数据。方法 首先分析高光谱遥感数据的两种低秩先验：光谱低秩先验和空间低秩先验;然后利用光谱低秩先验建立低秩矩阵近似表示模型,有效抑制稀疏噪声,例如脉冲噪声、条纹噪声、死线噪声等;再利用空间低秩先验建立混合全变差正则化模型,有效去除高密度噪声,例如强高斯噪声、泊松噪声等;最后结合两种模型的优势,建立基于低秩矩阵近似和混合全变差正则化模型。结果 利用多组高光谱遥感数据,和多种相关的高光谱复原方法进行对比仿真实验,表明新模型的结果在视觉质量有很大改进。与目前最新的复原模型相比,提出的模型的平均峰值信噪比能提高1.8 dB,而平均结构相似数值指标能提高0.05。结论 新模型充分利用高光谱遥感数据的空间和光谱低秩先验,针对含有高密度噪声和稀疏异常值的高光谱遥感数据,能够有效复原出高质量的高光谱遥感数据。