稀疏梯度先验模型的正则化图像复原

传统Lucy-Richardson(LR)算法是一种基于贝叶斯分析的图像复原迭代算法,对高信噪比的退化图像能获得很好的复原结果,但对噪声过于敏感,对低信噪比的退化图像在迭代过程中易造成噪声的放大,虽然有一些正则化方法应用到LR算法中来抑制噪声,但往往容易产生过度平滑的问题。针对这些问题将图像稀疏先验模型作为正则项引入到LR算法中,抑制噪声在迭代过程中的放大。与常规的图像梯度约束算法不同,本文算法中根据模糊图像梯度分布特点的不同提出了可变参数的图像稀疏梯度正则化约束方法,使复原图像的梯度分布参数在迭代过程中更趋近于真实梯度分布,同时通过调整正则项系数可以避免复原图像的过度平滑。实验结果表明,同标准LR算法和常规梯度约束算法相比,本文算法能够实现在抑制噪声放大的同时较好地保留图像的细节。     

一种新的NSCT域图像增强算法

针对实际应用中所采集的部分图像对比度低、边缘细节模糊的问题,提出一种基于非下采样Contourlet变换NSCT(Nonsubsampled Contourlet Transform)的多尺度Retinex与非线性增益函数相结合的图像增强算法。使用改进的多尺度Retinex算法对低频子带系数进行处理,以提升图像的灰度动态范围并改善图像的亮度均匀性;采用非线性增益函数和贝叶斯萎缩阈值相结合的方法对各个高频子带系数进行处理,在提升图像纹理细节的同时抑制噪声。实验结果表明:该算法能够有效提升图像对比度和清晰度,增强图像细节信息,有效改善视觉效果。     

基于分层贝叶斯模型的图像修复方法

针对当前图像修复方法存在的运算复杂、修复后图像质量下降等问题，提出一种基于分层贝叶斯模型的图像修复方法，在高斯先验假设的基础上，利用Gaussian-Wishart分布对均值和协方差矩阵的概率分布进行建模，将问题正则化的同时提升参数估计的稳定性，采用变分贝叶斯期望最大(Variational Bayesian Expectation Maximum, VBEM)算法对模型进行求解，得到最小均方误差准则下的最优重构。结果表明，该算法在图像修复时间、峰值信噪比和结构相似度等方面相对于对比方法均有较为明显提升，具有较高的应用前景。     

粗糙集属性约简算法在图像分类研究的应用

基于贝叶斯粗糙集,引入贝叶斯区分矩阵,采用属性的出现频率与属性的长度作为启发因素,并以此给出了贝叶斯粗糙集属性约简的另外一种算法,最后提出了一种基于颜色特征的图像分类模型及其分类算法。用该方法进行图像资源的分类,克服了经典粗糙集不宜处理带有噪声的数据和决策表不协调的分类问题的缺陷,同时又大大简化分类规则,且形成的规则集便于用户理解。完善了近似空间的概念。实验结果表明在处理决策表不协调的图像分类问题,贝叶斯粗糙集方法性能良好,分类准确和高效。     

基于数据挖掘的图书馆借阅量预测研究

图书馆借阅量受多种因素影响，导致传统基于线性回归和灰色理论的预测方法预测精度较低。针对该问题，引入数据挖掘理论和方法，提出一种基于因子分析(FA)模型联合粒子群(PSO)优化BP神经网络的图书馆借阅量预测模型。利用FA对借阅量原始数据进行建模分析，确定与借阅量密切相关的公共因子，将公共因子作为BP神经网络模型的输入神经元，进而建立预测模型实现对未来借阅量的预测，同时针对BP神经网络模型初始参数设置难题，提出改进的粒子群算法进行全局寻优，提升预测精度。仿真实现表明，所提模型相对于对比方法预测精度更高，整体预测性能更加优越。     

一种基于变分模型的泊松-高斯噪声图像复原算法

为了改善已恢复图像的图像质量,提出一种基于变分模型的图像复原算法.首先通过多曝光图像成像算法重建出对于光照具有线性响应的亮度图像,并采用泊松-高斯噪声模型对图像退化过程进行建模;然后通过分析亮度图像的同态子块,将泊松-高斯噪声模型的未知参数估计问题转化为求解一个线性方程组;再根据贝叶斯公式和最大后验概率准则推导出一个具有严格凸函数性质的变分模型,其最优解即为对于无噪图像的最优估计;最后利用最小二乘法以及最速下降法分别对噪声的参数以及无噪图像进行估计.实验结果表明,本文算法能够在抑制噪声的同时保证图像的细节与图像质量.     

基于Mallat-Zhong离散小波变换小波的超声图像各向异性扩散抑噪方法

针对传统各向异性扩散方法在超声图像散斑噪声抑制中存在的噪声抑制不充分与边缘特征保持不足的问题,提出一种基于Mallat-Zhong离散小波变换(MZ-DWT)小波的散斑噪声抑制方法。该方法将MZ-DWT小波分析与期望值最大化(EM)算法作为图像中均匀区域与边缘区域的鉴别因子,使扩散系数能够更准确地控制扩散强度与扩散速度,从而达到充分抑制噪声和保护边缘的目的。实验结果表明,所提方法在有效抑制散斑噪声的同时,更好地保持了图像细节信息,其性能优于传统各向异性扩散方法。     

SAR图像斑点噪声整体变分偏微分方程滤波算法研究

SAR图像固有的斑点噪声严重影响了图像的判读和后续处理,因此抑制SAR图像斑点噪声显得尤其重要。一个良好的斑点噪声抑制算法应该在降低斑点噪声的同时,能很好地保持图像的细节特征,但现有的去噪算法没有一种能够完美地解决这个问题的。本文基于SAR图像斑点噪声滤波的重要性以及存在的问题,将整体变分偏微分方程用于去除斑点噪声。根据整体偏微分方程建立了去噪模型,并分析了模型的性能和参数选择的重要性。通过实验验证了该算法的有效性,并以峰值信噪比（PSNR）为评价准则,利用多项式拟合方法选择了最优参数。引入边缘保持指数(EPI),与其他滤波算法比较,本算法在去除噪声的同时较好地保持了边缘。     

基于贝叶斯理论快速ERT图像重建算法

针对电阻层析成像系统中图像重建不适定问题,与现有ERT图像代数重建算法不同,提出一种基于贝叶斯理论快速一步动态图像重建算法。在阐述电阻层析成像的理论基础上,利用有限元方法建立敏感场数学模型,得到灵敏度矩阵和投影数据。在分析贝叶斯理论基础上,推导出快速一步动态图像重建模型,并将介质分布的先验信息和噪声随机信息等统计信息引入到图像重建中,实现对电导率的重建。分析了不同分布先验概率参数和不同噪声信噪比等影响因子对算法重建结果的影响,并与高斯牛顿迭代、贝叶斯迭代重建算法相比较。结果表明,所提算法重建速度有很大提高,并能较好反映被测介质的相对位置。     

基于邻域信息的B样条密度模型的医学图像分割研究

针对有参混合模型的聚类算法需要假设模型为某种已知的参数模型而存在模型不匹配及应用于图像分割时对噪声比较敏感的问题,提出了一种基于空间邻域信息的B样条密度模型的图像分割方法。首先,通过构建基于规范化的B样条密度函数的非参数混合模型,定义空间信息函数,使得分割模型具有空间邻域信息;其次,利用非参数B样条期望最大(NNBEM)算法估计密度模型的未知参数;最后根据贝叶斯准则实现图像的分割。该图像分割方法不需要假设图像符合某种模型,就可以克服实际数据分布与假设图像模型不一致的问题。此方法有效克服了"模型失配"问题,而且有力抑制了噪声点,同时很好地保留了边界的特性。分别对模拟图像进行仿真,验证了基于空间邻域信息的B样条密度模型的分割方法的有效性。     

基于稀疏分解和改进MRF模型的SAR海冰图像分割方法

合成孔径雷达(SAR)海冰图像的精确分割是准确解译海冰分布信息的前提,但现有分割方法受相干斑噪声影响严重,分割误差大,解译结果可靠性低。提出一种基于低秩稀疏表示的SAR海冰图像分割方法,首先利用噪声分布的稀疏性,通过鲁棒性主成分分析提取图像的稀疏分量,再利用双边滤波增强图像细节信息。针对基于固定势函数的MRF分割模型无法准确反映图像区域间关联性的问题,根据贝叶斯置信传播算法建立基于交互势函数的MRF分割模型准确分割海冰图像。利用Radarsat系列卫星数据验证算法性能,结果表明:和传统算法相比,本文算法在保持分割图像连通性的同时,能增强图像的细节信息,具有更高的分割精度。     

一种基于贝叶斯方法的序列模式挖掘算法

贝叶斯(Bayesian)方法是近年来数据挖掘中引人注目的研究热点之一，它有效地处理不完备数据、溢出数据和噪声数据之间的序列相关性。该文在对传统序列模式挖掘算法和贝叶斯知识研究的基础上，描述了序列的概率论模型，结合贝叶斯学习，简化了序列模式挖掘过程，提出了一种面向噪声数据的基于贝叶斯方法的序列模式挖掘算法。最后对该算法进行了复杂度分析，并验证了算法性能的优越性。     

基于因子分析模型的噪声稳健脑电信号分类方法

脑电信号的非线性、非平稳性和微弱性造成对运动想象脑电信号的分类存在特征提取困难,分类结果不理想,分类性能受噪声影响明显等问题。为此,提出了一种基于因子分析(Factor Analysis,FA)模型的噪声稳健运动脑电信号分类方法。首先利用FA模型对脑电信号中存在的噪声分量进行抑制,针对重构信号可分性较差的问题,将其转换至功率谱域,进而提取三维能够反映不同运动状态的功率谱特征,最后利用支撑向量机(Support Vector Machine,SVM)分类器对所提特征向量进行分类判决。基于Graz数据的验证实验表明,所提方法可以明显提升低信噪比条件下的分类性能,在实际工程应用中具备较强的推广泛化能力。     

基于稀疏表示与非局部相似的图像去噪算法

针对受加性高斯白噪声(AWGN)与椒盐噪声(SPIN)以及随机值冲击噪声(RVIN)组成的混合噪声污染的图像进行去噪的问题,提出一种在现有加权编码算法的基础上将图像稀疏表示和非局部相似先验融合的改进算法。首先,利用基于字典的图像稀疏表示构建去噪变分模型,对模型中的数据保真项设计一个权重因子来抑制冲击噪声的干扰;其次,利用非局部平均思想对混合噪声图像进行初始去噪,在得到的图像中构建掩膜矩阵将冲击噪声点排除进而求取非局部相似先验知识;最后,将非局部相似先验与稀疏先验融合进变分模型的正则项中,求解变分模型得到最终去噪图像。实验结果表明,在不同的噪声比率下,所提算法与模糊加权非局部平均算法相比,峰值信噪比(PSNR)提高了1.7 dB,特征相似性指数(FSIM)提高了0.06;与加权编码算法相比,PSNR提高了0.64 dB,FSIM提高了0.03。该算法对于纹理较强的图像可以显著提升去噪效果,能有效地保留图像的本真信息。     

基于全变分模型的自适应FCM图像分割

针对模糊C均值(FCM)算法对噪声敏感的缺点,在FCM目标函数中引入全变分惩罚函数,提出一种基于全变分模型的FCM图像分割方法。该方法根据图像的纹理变化,自适应调整图像保真项的惩罚因子,同时在考虑分割代价的情况下,使迭代循环过程中的图像噪声得到平滑。实验结果表明,该方法能提高图像的分割效果,有效解决噪声抑制与精确分割之间的矛盾。     

提升小波变换在NAS-RIF盲复原算法中的应用

针对采用非负支撑域受限递归逆滤波(NAS-RIF)算法对低信噪比图像进行复原时将导致算法性能恶化的问题,提出一种与提升小波变换相结合的NAS-RIF盲复原算法.首先对退化图像进行整数提升小波分解,得到不同频带子图像的信息;然后对各个频带子图像分别采用基于空间自适应和正则化方法的NAS-RIF算法进行复原,针对不同频带子图像的频率和方向特性,通过自适应地选取对应的正则化算子、正则化参数和空域加权因子,达到对低频子图像去模糊、对高频子图像抑制噪声,并保持边缘细节的目的;最后通过整数提升小波逆变换得到复原后的图像.在不同的信噪比条件下对2种模糊图像进行仿真实验,采用文中算法得到的信噪比增益分别为5.849 1dB和9.713 6dB.实验结果表明,文中算法不仅取得了更优的图像复原效果,而且具有较快的收敛速度.     

基于蚁群优化的直觉模糊聚类脑MR图像分割

针对现有模糊C均值(FCM)聚类算法存在的对初始参数敏感、迭代速度慢,以及对噪声鲁棒性差等问题,提出将蚁群优化算法(ACO)与直觉模糊聚类相结合的方法用于分割脑部MR图像.该算法采用自适应蚁群优化算法获取初始聚类中心与聚类个数作为直觉模糊聚类的初始值,将融入了局部空间信息和犹豫度的直觉模糊聚类算法应用于含噪声脑部图像及脑肿瘤图像进行分割.实验结果表明该算法能够有效抑制噪声干扰且保存图像细节,相较于FCM及相关改进算法具有更高的分割精度和分割效率.     

小波与双边滤波的医学超声图像去噪

目的：医学超声图像中的斑点噪声降低了图像质量并且限制了超声图像自动化诊断技术的发展。针对斑点噪声问题,提出了一种新型的基于小波和双边滤波的去噪算法。方法：首先,根据医学超声图像在小波域内的统计特性,在通用小波阈值函数的基础之上,改进了小波阈值函数。其次,将无噪信号的小波系数和斑点噪声的小波系数分别建模为广义拉普拉斯分布模型和高斯分布模型,利用贝叶斯最大后验估计方法得到了新型的小波收缩算法,利用小波阈值法对小波域内的高频信号分量进行去噪。最后,对小波域内的低频信号分量进行双边滤波处理,然后利用小波逆变换便得到去噪后的图像。结果：在仿真实验中,通过与其它7种去噪算法作对比,观察峰值信噪比(PSNR)等图像质量评价指标,结果表明本文算法的去噪效果优于其他相关算法。临床超声图像的实验结果进一步验证了本文算法的去噪性能。结论：本文提出了一种新型的去噪算法,实验表明本文算法能够很好地抑制斑点噪声,并且能保留图像病灶边缘等细节。     

基于改进各向异性的水平集医学图像去噪

针对成像复杂、噪声突出的医学图像在去除噪声的同时模糊边缘特征的现象,提出了基于改进的各向异性的水平集去噪模型。在水平集去噪模型的基础上,加入了改进的各向异性扩散因子,其中改进的各向异性扩散因子采用了中值滤波平滑后的梯度模替换原始图像的梯度模,对于医学图像中大量的斑点噪声更加有效,并保留了图像的边缘信息。基于Matlab平台对改进算法进行了验证,实验表明,基于改进各向异性的水平集算法在有效去除噪声的同时,非但没有模糊边缘特征,相反地起到增强边缘信息的效果。改进算法优于各向异性算法和中值滤波等算法,提高了图像的信噪比,降低了图像的均方误差,保留了更多细节信息,使得医学图像更好地用于诊断,以及后续的分割等处理。     

基于贝叶斯粗糙集的图像分类方法的应用

基于贝叶斯粗糙集,引入全局增益,以此给出了贝叶斯粗糙集属性约简的另外一种算法,最后提出了一种基于颜色特征的图像分类模型及其分类算法。用该方法进行图像资源的分类,克服了经典粗糙集不宜处理带有噪声的数据和决策表不协调的分类问题的缺陷,同时又大大简化分类规则,且形成的规则集便于用户理解。