人工智能深度学习的激光图像分割研究

激光成像受到环境、设备自身等干扰,使得激光图像含有噪声,当前图像分割方法对噪声干扰鲁棒性差,误分割现象出现概率高,重要信息丢失严重,为了克服当前激光图像分割的弊端,提出了基于人工智能深度学习的激光图像分割方法。首先采用小波变换对激光图像进行特征提取,并对噪声干扰进行抑制处理,然后引入人工智能学习算法对激光图像特征向量进行训练,并根据训练结果对激光图像像素点进行分类,从而实现激光图像分割,最后采用含噪和不含噪的激光图像进行仿真测试。结果表明,对含噪和不含噪的激光图像,人工智能深度学习的分割精度分别达到了91%和95%以上,精度明显高于经典激光图像分割方法,分割效率可以满足激光图像向大规模方向发展的要求。     

激光陀螺信号的小波滤波方法研究

随机噪声是影响激光陀螺精度的一个重要因素,其中随机噪声包括分形噪声和白噪声,采用传统的方法很难去除分形噪声.对于激光陀螺中的随机噪声,利用分形噪声在小波变换域的特殊性质采用小波变换域参数估计方法获得噪声参数;然后采用小波阈值滤波方法去除噪声.对某型号的激光陀螺的滤波结果表明了该方法的有效性.     

基于小波包变换和形态学的图像分割算法

数字图像分割技术是一种重要的提高计算机图文识别的手段.文章利用小波包变换去噪结合形态学方法提出一种数字图像阈值分割算法.依据该算法,首先施行小波包变换,去除图像中的噪声,然后利用形态学方法集合最佳阈值判别对图像进行分割.实验证明,本算法的分割效果较佳.     

基于改进的双水平集的MRI图像快速分割方法

针对MRI图像具有高噪声与灰度不均的特点,提出了结合小波变换与中值滤波的去噪预处理的双水平集的快速分割方法。对于MRI图像存在的多种噪声问题,利用小波变换去除高斯噪声,采用中值滤波去除椒盐噪声,对原始图像进行预处理。在传统的双水平集模型中增加一个自适应的加速因子,对去噪图像进行快速分割得到分割效果图。实验结果表明,改进的算法显著加快了图像分割速度,既有较强的抗噪性,又保留了图像的细节信息,且无需重新初始化,取得了良好的分割效果。     

一种改进的基于小波变换的相干斑去噪方法

对于合成孔径雷达(SAR)图像中含有的相干斑噪声的抑制一直是SAR图像处理的热点和难点。相干斑噪声的存在对SAR图像的后续相关的图像处理,例如图像的分割、图像的特征提取以及目标的分类与识别有很大影响。提出了一种基于平稳小波变换的相干斑去噪方法,通过平稳小波变换对图像进行小波分解,对于子图像的高频区域进行阈值分割和双边滤波,利用平稳小波更好的冗余性和平稳不变性更好地去除了SAR图像的相干斑噪声。实验结果表明,这种改进的去噪方法对SAR图像的相干斑噪声抑制有很好的效果,并且尽可能地保留了图像的边缘和纹理细节。     

区域指导的激光水下图像插值算法

提出了一种区域指导的激光水下图像插值算法(简称AIU).AIU算法首先采用小波变换,对低频成分进行特殊处理,以抑制散斑噪声和增强关注的目标;然后将图像分割成目标区域和背景区域,结合近邻法和众数法确定待插值点所属区域,对区域内部点采用线性插值;对于区域间的过渡点,设计非线性插值公式,对与待插值点属于同一区域的邻域像素,分配较大的权值,对相邻区域的邻域像素分配较小的权值.实验结果表明,AIU算法可以克服传统插值算法的边缘模糊问题,使目标更完整清晰.     

SAR图像弱反射地物边缘提取方法

提出了一种抑制SAR图像相干斑噪声和提取弱反射地物边缘方法。传统噪声抑制和小波变换去噪方法有其不足之处,本文将小波变换和维纳滤波结合抑制SAR图像相干斑噪声,通过选择恰当小波基获得良好滤波效果。采用最小错误准则计算SAR图像的理论分割阈值,通过逐次迭代得到其合理大小,利用形态算子作用于分割图像获得其边缘。实际SAR图像测试结果表明了本文方法的有效性。     

基于循环平移Contourlet变换的红外小目标检测方法

分析了在有噪声和背景干扰情况下检测红外小目标的方法,提出了一种将循环平移Contourlet变换去噪 方法和自适应阈值分割方法相结合的红外小目标检测算法。该方法首先对原始图像进行循环平移阈值去噪,再用原始图像减去 去噪图像,对得到的残差图像进行自适应阈值分割,分离出少量的候选目标点,最后利用目标运动的连续性和一致性检测出 目标。分别用Contourlet变换法、小波变换法和本文提出的检测法对小目标进行了检测。仿真结果表明,本文提出的检测方法 能较精确地检测出序列图像中的红外小目标,检测效果优于Contourlet变换法和小波变换法。     

基于小波变换的图像分割技术研究

图像分割是一种重要的图像分析技术.近年来,对图像分割的研究一直是图像技术研究中的热点和焦点.介绍一种基于小波变换的图像分割方法,该方法先对图像的灰度直方图进行小波多尺度变换,然后从较大的尺度系数到较小的尺度系数逐步定位出灰度阈值.实验结果表明,该方法具有较好的抗噪声性能.     

Detection algorithm of underwater linear target based on range-gated imaging

基于水下距离选通激光成像技术,提出了一种可用于长距离下的水下线状目标检测算法。该算法针对水下成像中低对比度、模糊和噪声等特性,首先采用对比度拉升、中值滤波、小波变换等方法对图像进行增强处理;然后利用Canny边缘检测算子提取出目标的边缘特征;最后针对边缘特征中出现的噪声边缘问题,选用了鲁棒性强的随机抽样一致性参数估计算法从边缘特征中检测出线状目标,并计算得到目标的位置和方向等相关参数。实验结果表明,该算法可以有效地检测出水下曲线状目标,弥补现有方法只能检测直线目标的不足,检测率可以达到93%,有效检测距离能达到5倍水下衰减长度。     

由统计特性分析激光主动成像系统图像的噪声性质

激光主动成像系统具有分辨率高、抗干扰能力强、能成三维像等一系列优点，因而应用越来越广泛，但它的图像同时受到散斑噪声和其他一些高斯噪声的影响。散斑噪声为一种乘性噪声，高斯噪声则为一种加性噪声，这两种噪声哪种占据主要地位对于图像噪声抑制噪声模型的建立具有重要的意义，分析了受到散斑噪声和高斯噪声污染图像的概率曲线及灰度均值方差比等统计特性，找出在两种噪声分别作用下的不同统计特性，以此为判别标准，对激光主动成像系统图像进行分析，得出了此图像所受噪声的主要成分为散斑噪声的结论。同时，算出了此图像的散斑噪声方差。     

散斑噪声污染的激光水下图像滤波算法

水是一种特殊的介质，在激光水下图像中总存在因水的后向散射引起的散斑噪声。充分利用形态学的不同结构多元方向形态滤波的多分辨率特性，以及形态学运算固有的能将大量的复杂图像处理运算转换为基本的逻辑与移位运算的组合来完成的特点，提出了一种多方向的形态滤波算法。不仅有效地抑制了因海水后向散射引起的散斑噪声，同时保留了激光水下目标图像的几何结构细节特征，实验表明这是一种有效的滤除水下激光图像散斑噪声的快速滤波算法。     

合成孔径雷达图像斑点噪声抑制与滤波

斑点噪声的存在,严重阻碍了合成孔径雷达（SAR）图像的应用。根据斑点噪声的形成机理,分析并比较了抑制SAR斑点噪声的传统滤波算法及统计滤波算法的原理,利用ERS-2的SAR图像数据比较了这几种算法对SAR图像斑点噪声的滤除效果,根据噪声滤波效果评价参数得出Gamma滤波抑制斑点噪声的综合性能最好。     

激光主动探测图像散斑自适应滤波抑制方法研究

激光主动照明成像具有作用距离远、系统分辨率高、可在低照度背景等复杂环境下获取目标图像等优点,但探测图像会受散斑噪声干扰.把高斯滤波、均值滤波和自适应滤波方法分别应用到仿真实验中进行散斑噪声抑制,实验表明:与高斯滤波和均值滤波相比,自适应滤波能有效抑制图像噪声,保留图像的边缘和细节信息.利用自适应滤波方法对获取的单帧和多帧累加平均的激光主动探测图像进行散斑抑制实验,使用散斑对比度进行定量分析,结果表明多帧短曝光图像累加平均可有效抑制图像的散斑噪声,自适应滤波可进一步降低图像的散斑噪声.     

用非线性加权均值多方向形态滤波算法抑制散斑噪声

提出了一种新的用于抑制散斑噪声的非线性加权均值多方向形态滤波算法。对实际激光雷达图像处理的结果表明，该算法既有效地抑制了激光雷达图像中的散斑噪声，又保持了图像的几何结构。     

一种从SAR海洋图像中检测舰船航迹的算法

分析了合成孔径雷达 (SAR)图像中舰船航迹的特性和斑点噪声模型及其局部统计特性 ,在此基础上 ,提出了一种结合小波多分辨率分析、自适应阈值选择、边缘检测算子和Radon变换进行斑点噪声抑制和航迹检测的算法。数据处理的结果表明 ,该方法较直接对SAR图像应用Radon变换更有效、准确地检测到SAR图像中的舰船航迹     

基于统计理论的SAR图像斑点噪声滤波算法分析

合成孔径雷达图像固有的斑点噪声严重降低了图像的可解译程度,影响了后续目标检测、分类和识别等应用。文中通过对基于统计理论的SAR图像斑点噪声滤波方法进行比较分析,得出单个滤波器难以从去噪和边缘保持方面均达到最佳效果的结论。     

一种基于斑点抑制的SAR图像舰船航迹检测算法

该文分析了合成孔径雷达(SAR)图像中舰船航迹的特性和斑点噪声模型及其局部统计特性。在此基础上,提出了一种先基于小波变换进行斑点噪声抑制,再基于Radon变换进行航迹检测的方法。对数据处理的结果表明,该方法较直接对SAR图像应用Radon变换能更有效、准确地检测到SAR图像中的舰船航迹。     

SAR图像组合降斑算法

SAR图像存在较强的相干斑点噪声,严重的影响了地物信息的提取与SAR图像的应用效果,作者在研究分析斑点噪声产生机理以及统计特性的基础上,提出了一种组合降斑重构算法,该算法与降斑重构性能优异的模拟退火算法降斑重构性能相当,但极大的减少了计算代价;与许多其它SAR降斑算法相比,组合降斑重构算法具有很好的降斑以及场景结构保持性能,并有较好的实用性.     

Speckle noise removal based on structural convolutional neural networks with feature fusion for medical image

Application of convolutional neural networks (CNNs) for image additive white Gaussian noise (AWGN) removal has attracted considerable attentions with the rapid development of deep learning in recent years. However, the work of image multiplicative speckle noise removal is rarely done. Moreover, most of the existing speckle noise removal algorithms are based on traditional methods with human priori knowledge, which means that the parameters of the algorithms need to be set manually. Nowadays, deep learning methods show clear advantages on image feature extraction. Multiplicative speckle noise is very common in real life images, especially in medical images. In this paper, a novel neural network structure is proposed to recover noisy images with speckle noise. Our proposed method mainly consists of three subnetworks. One network is rough clean image estimate subnetwork. Another is subnetwork of noise estimation. The last one is an information fusion network based on U-Net and several convolutional layers. Different from the existing speckle denoising model based on the statistics of images, the proposed network model can handle speckle denoising of different noise levels with an end-to-end trainable model. Extensive experimental results on several test datasets clearly demonstrate the superior performance of our proposed network over state-of-the-arts in terms of quantitative metrics and visual quality.