基于区域特性的Curvelet变换图像融合算法

为克服小波变换在二维或更高维度空间分析中的缺陷,提高图像融合质量,提出基于二代Curvelet变换的图像融合改进算法。引入可以有效分析图像中的曲线奇异性,能更加合理处理图像边缘信息的Curvelet变换对图像进行分解,对图像分解后的低频部分采用自适应阈值的区域方差高斯加权融合方法,增加图像像素之间的关联,并有效保留细节和边缘。对高频部分采用区域能量融合方法来降低噪声,增强图像的细节。采用该算法对多组不同图像进行融合实验,并用信息熵、交叉熵、相关系数、空间频率等对融合图像进行客观评价。实验结果表明,该算法优于传统的融合规则和算法,能在保持更好清晰度的同时获得更丰富的图像内容。     

基于MultiLayer水平集的脑MRI图像分割框架

提出了一种新的自动初始化水平集的方法和基于MultiLayer水平集的活动轮廓模型。该模型同时进行偏移场去除和图像分割,因此可以有效地克服灰度不均匀性的影响。最后利用了大脑皮层的距离信息,在框架中增加了厚度约束项。实验结果显示,相比著名的LBF模型,该框架不但可以获得更高的分割精度,而且分割时间也大大减少。     

遥感器像移与图像参数的分析建模研究

卫星平台运动会产生恶化像质的像移,像移是影响遥感图像质量的重要因素.针对这种情况,建立了像移和图像参数的关系模型,可通过卫星生成图像的内在特征定量研究卫星成像过程中产生的像移,而不必通过产生像移的卫星平台等因素建立物理模型来研究像移.首先模拟了遥感器在轨成像过程,通过人工制造出影响因素的干扰获得了仿真图像数据,然后定量分析了像移与图像参数之间的相关性,选出了相关性较强且适合建模的图像参数,最后通过对这些图像参数构成的向量的降维得到了反映图像质量的综合参数,并建立了综合参数与像移的关系模型,以通过图像综合参数来计算像移.实验结果表明,这种模型能够很好地反映图像综合指标与像移之间的关系.该研究通过图像参数定量研究像移,为在轨运行卫星的遥感器像移与外景条件下的遥感图像要素的相关建模研究提供了部分技术支持.     

压缩感知重构算法的并行化及GPU加速

针对压缩感知重构算法计算实时性太差的问题,提出压缩采样追踪匹配(compressive sampling matching pursuit,CoSaMP)算法的并行化加速算法。 基于多线程技术实现重构算法的粗粒度并行化,分析CoSaMP算法的计算热点,将其中耗时较多的矩阵操作移植在图形处理器(graphics processing unit, GPU)上,实现算法的细粒度并行化。在测试图像上进行试验,结果表明:并行化加速算法取得50倍的加速效果,有效地降低重构算法的计算时间开销。     

双通道衍射计算成像光谱仪系统

常规衍射光谱成像系统采用单通道方案,主要针对简单图形目标或光谱特征已知的气体目标进行模拟仿真和光谱成像实验。而当目标为自然场景等复杂景物时,成像系统的光谱解算效果和精度难以保证。针对复杂景物成像,设计了一套双通道可见近红外衍射计算成像光谱仪系统,在常规单通道衍射成像光谱仪系统的基础上,增加一路全色相机成像,可以为衍射成像通道提供复杂景物的全色信息和先验知识。将两个通道的数据进行联合处理,提升最终的光谱数据反演效果和反演精度。介绍了系统组成和基本原理,分析了系统性能,利用仿真程序模拟了系统成像过程。在实验室搭建了可见近红外衍射计算成像光谱原理验证装置。对实验得到的450~800 nm的可见近红外混叠光谱数据进行光谱复原。利用海洋光学光谱仪测试色板的光谱曲线作为标准谱线,与复原得到的光谱数据进行对比,反演的光谱数据平均精度优于90%。通过衍射计算成像原理分析、模拟仿真和原理实验,验证了双通道衍射计算成像系统原理的正确性,能够反演得到精度优于90%的复杂景物光谱数据,提升了衍射成像光谱系统应用潜力和应用价值。     

基于结构特征的图像质量评价模型

由于图像的结构特征与人类视觉系统的特性密切相关,为了提高评价结果与主观视觉的一致性,提出了一种基于结构特征的图像质量综合评价模型。该模型首先提取了与图像结构密切相关的特征,然后模拟人眼对图像区域敏感程度不同,对不同的结构成分赋予不同的权值,最后结合线性回归的思想提出了一种综合评价方法。分析了不同失真图像的实验结果,表明该评价方法的正确性,同时与峰值信噪比(peak signal to noise ratio, PSNR)和均方根误差(root mean squared error, RMSE)方法进行了比较,表明本模型更准确和符合主观视觉效果。     

结合局部特征和全局信息的自适应活动轮廓模型

提出一种新的基于全局图像信息和局部图像特征的活动轮廓分割模型。模型的总能量函数主要包括3项:全局能量项、局部能量项和自适应调节项。其中,全局能量项整合了图像的全局信息,局部能量项则考虑了图像的局部特征,而二者的权重会根据上下文内容自适应调整。由于在模型中充分利用了图像全局信息和局部特征,因而有效地提高了分割的精度。此外,加入了凸优化技术,以获取模型的全局最优解。最后,采用Split-Bregman方法进行快速求解,使得模型的分割效率大大提高。实验结果表明,该模型对初始化具有较好的鲁棒性,在分割精度上有了较大的提升,特别是分割速度比C-V模型快1.5倍到2倍。     

分形压缩感知高维信号重构方法

压缩感知理论改变了香农采样定理的信号处理思路,具有十分重要的科研应用价值。压缩感知框架下信号重构是获取数字终端产品的关键性环节,典型的重构方法是以基追踪(BP)算法为代表,核心是解决L₁范数最小化问题,但是BP算法在高维的信号重构中表现不佳。因此,本文提出一种基于分形维度的压缩感知高维信号重构方法,采用分形中的Minkowski维度代替L₁范数作为重构问题的目标函数。实验的可视化结果和信噪比均表明,分形压缩感知信号重构方法既保持了BP算法的优点又改善了其维度的广延性。     

各向异性权重的模糊C均值聚类图像分割

传统的模糊C均值聚类算法(FCM)在图像分割中未考虑各个点的灰度特征及其邻域像素的关联程度,导致其对于噪声十分敏感.而各种改进算法虽然较好地克服了图像噪声的影响,但由于使用均值滤波等方法导致分割图像边缘模糊.为此,提出一种基于各向异性权重的FCM图像分割方法,通过引入新的邻域窗口权重的计算方法,使得中心点邻域内各点具有各向异性的权重;并使用基于灰度级的快速算法,提出了各向异性权重的模糊C均值聚类算法.实验结果表明,文中方法具有较强的抗噪性,对于噪声具有良好的稳定性,分割精度较高.     

加权型曲率保持 PDE 图像滤波方法

提出了一种加权型曲率保持偏微分方程(Partial differential equation, PDE)滤波方法.传统曲率保持PDE 滤波方法未考虑各积分曲线可能经历不同的图像结构,如此影响了其对图像边缘的保持能力.在此基础上, 利用局部图像方向信息为不同积分曲线设计了相应的权重,得到了一种张量驱动的加权型曲率保持PDE滤波方法. 实验结果表明该方法在滤波的同时能较好地保持图像中边缘与曲率结构,且对图像具有一定增强能力.