基于内生长机制和卷积稀疏表示的红外与可见光图像融合

为了提升红外与可见光图像融合视觉效果,克服融合结果的伪影效应,提出一种基于内生长机制结合卷积稀疏表示的图像融合方法.首先,采用符合人类大脑推理的内生长机制对源图像进行分解,获取预测层和细节层;其次,对细节层采用卷积稀疏表示进行二次分解,获取二次细节层和基本层,并分别对其采用活动水平测度取大以及加权平均规则进行融合;再次,针对预测层定义ISR混合算子融合规则,并进行融合;最后,将融合后的预测层和细节层相加获取最终融合结果.实验中,采用3组具有代表性的红外与可见光图像进行算法测试,实验结果表明所提出的方法具有较好的主观视觉效果,并且客观评价指标更好,具有有效性.     

基于边缘保留分解和改进稀疏表示的医学图像融合

针对多模态医学图像融合中容易产生伪影且存在细节缺失的问题,提出一种利用多尺度边缘保留分解和稀疏表示的二尺度多模态医学图像融合方法框架。首先利用边缘保留滤波器对源图像进行多尺度分解,得到源图像的平滑层和细节层。然后,将改进的稀疏表示算法用于融合平滑层,并在此基础上提出一种基于图像块筛选的策略来构建过完备字典的数据集,再利用字典学习算法训练出一种联合字典,同时引入一种多范数的活跃度度量方法选择稀疏系数;细节层的融合则采用自适应加权局部区域能量的融合规则。最后将融合后的平滑层和细节层进行多尺度重构得到融合图像。针对三类不同成像模态的医学图像进行对比实验,结果表明,该方法较其他多尺度变换和稀疏表示的方法能够保留更多显著的边缘特征,对比度也有明显提升,在视觉效果和客观评价上都具有一定优势。     

基于小波变换和稀疏表示的图像去噪

传统小波阈值去噪在对图像进行去噪时,并不能很好地保留图像的细节纹理等边缘信息部分.针对这一不足,结合了稀疏表示相关的理论,提出了一种基于小波变换和正交匹配算法相结合的图像去噪算法.首先选取小波函数对含噪图像进行处理,分离出图像的高频和低频小波系数,然后对高频系数结合正交匹配追踪算法,通过多次反复迭代求得高频稀疏分量,再结合低频分量,用逆小波变换得到恢复图像.实验结果表明,在相同的噪声条件下,该算法能取得较好的峰值信噪比(PSNR),获得更好的视觉效果.     

红外图像的动态范围压缩和细节增强

红外图像动态范围压缩和细节增强可有效地提高人眼对图像关键细节信息的获取能力,是红外成像的重要研究课题.针对传统双边滤波器不能最优划分细节层和基础层的问题,设计了区域约束双边滤波器,并提出一种基于该滤波器的红外图像动态范围压缩和细节增强方法.首先通过区域约束双边滤波器将原始红外图像分解为基础层和细节层;然后对基础层进行压缩,对细节层进行增强;最后将这2部分重新合成得到结果图像.实验结果表明,文中设计的滤波器可以更合理地划分图像信息,该方法在压缩图像动态范围的同时可有效地增强不同尺度细节,具有较强的鲁棒性.     

基于亮度分区模糊融合的高动态范围成像算法

针对单幅图像生成高动态范围（HDR）图像进行直方图扩展时,造成的色彩失真、局部细节信息丢失的问题,提出了一种基于亮度分区融合的高动态范围图像成像算法。首先,提取正常曝光彩色图像的亮度分量,根据亮度阈值将亮度分成两个区间;然后,对两个区间的图像用改进的指数函数扩展其亮度范围,使得低亮度区域的亮度增加、范围扩大,高亮度区域的亮度减小、范围扩大,从而增大图像的整体对比度,保留色彩和细节信息;最后,将扩展后的图像和原始正常曝光的图像基于模糊逻辑的方法融合为高动态图像。分别从主观和客观两方面对所提算法进行了分析。实验结果表明,所提算法能够有效地扩展图像的亮度范围,并保持场景的颜色信息和细节信息,生成的图像视觉效果更佳。     

结合失真函数的稀疏域图像隐写算法

稀疏域图像隐写利用稀疏表示在载体图像中嵌入秘密信息。提出设计稀疏域图像隐写的失真函数,通过选择使失真函数最小的修改方式进行秘密嵌入,从而减小秘密信息嵌入对载体的影响。实验结果表明,该算法可以在保持图像视觉效果的同时,更有效地抵抗现有的隐写分析算法。     

群稀疏残差约束的引导字典学习算法及其单幅图像去雨

为了更有效地进行单幅图像去雨,提出一种群稀疏残差约束的引导字典学习算法.该算法特点在于利用混合高斯模型从自然图像中学习外部字典,面向有雨图像构建了基于外部字典引导的内部字典学习模型,并将内部字典的低秩性增加到字典学习目标函数中.该模型可以有效地利用自然图像与有雨图像先验知识之间的互补性,有助于同时恢复潜在稀疏的与稠密的图像细节.其次,基于图像的非局部自相似准则,利用群结构稀疏表示确保了相似图像块的编码系数尽可能接近,并对该模型引入残差约束,可有效地提高学习字典的重构能力与泛化能力.实验结果表明,在合成图像与真实图像上与其他算法相比,使用所提算法去雨后的图像具有更丰富的细节信息,图像更清晰,大大改善了整体视觉效果.     

正则化技术和低秩矩阵在稀疏表示超分辨率算法中的应用

为了有效地利用图像的特征作为指导重建的先验知识,解决常规超分辨率算法对边缘与结构等细节恢复不足的问题,提出一种改进的超分辨率算法.对待重建图像进行低秩分解,得到不同特征的低秩子图像和稀疏子图像;对于低秩子图像,提出采用基于正则化技术的稀疏表示超分辨率算法进行重建,先通过在低秩子图像中寻找相似图像块构造非局部相似正则化项,得到图像的非局部冗余,以保持边缘信息;再通过局部线性嵌入方法构造流形学习正则化项,获得图像的结构先验知识,以增强结构信息.对于稀疏子图像则不参与稀疏表示超分辨率重建,而是采用双三次插值法进行重建.实验结果表明,与其他算法相比,无论在主观视觉效果上,还是在峰值信噪比和结构相似性指标上,文中算法都有显著的提高.     

动态场景的高动态范围图像生成

动态场景的多曝光高动态范围成像方法中,由于鬼影检测不准确导致鬼影去除失败,并且采用单帧参考图的鬼影去除方法生成的高动态范围图像存在细节信息不足.为此,提出一种无鬼影且高细节信息的多曝光高动态范围成像方法.首先通过相邻的两帧图像灰度值之间的顺序关系得到部分鬼影区域,另一部分鬼影区域则由相邻图像灰度值之间的差值,与经过多次迭代优化后的阈值判定得到,在分离相邻图像的鬼影区域后,整合为选定的单帧参考图像与其余输入图像之间的鬼影区域;然后采用图像修复方法增强去除移动物体后的非参考图像在鬼影区域内细节信息;最后使用静态场景的多曝光高动态范围成像方法生成高动态范围图像.实验结果表明,与已有方法相比,该方法不仅能有效地去除鬼影,同时避开了单帧参考图方法中鬼影区域细节信息完全由单帧参考图像决定的弊端,保留和改善了生成图像在鬼影区域内的细节信息.     

基于分类冗余字典稀疏表示的图像压缩方法

JPEG和JPEG 2000标准在高压缩率条件下解压缩得到的图像会出现失真,利用冗余字典的稀疏表示可以在高压缩率下获得较高质量的解压缩图像,但单一的冗余字典表示不能充分反映图像结构。针对上述问题,提出一种利用分类冗余字典进行稀疏表示从而实现图像压缩的方法。利用KSVD方法训练平滑和细节2类冗余字典,根据字典原子与图像信号相关系数和表示误差的关系,通过改进的正交匹配追踪算法对图像进行稀疏表示,分别得到平滑表示系数和忽略较小取值的细节表示系数,将这些系数及其对应字典原子的索引值进行量化编码,完成图像压缩。实验结果表明,与JPEG、JPEG 2000以及基于单一冗余字典的方法相比,该方法在高压缩率条件下可以获得视觉效果更好的解压缩图像。     

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。     

一种基于稀疏系数匹配学习的图像去雾算法

针对现有基于先验假设的图像去雾算法无法普适性求解问题,提出一种基于稀疏系数匹配学习的图像去雾算法.该算法从图像复原角度出发,将雾天退化模型的求解转换为基于数据库的稀疏系数匹配.之后,从图像增强角度着手,将图像高亮区域对比度恢复量化为反馈迭代问题,进而有效提升图像的视觉效果.实验结果表明,所提出的算法在获得较好去雾结果的同时能够有效提升图像细节和对比度,并具有较强的适用性.     

基于结构相似保真的图像稀疏表示模型

过完备图像稀疏表示是一种最新的图像表示模型,采用过完备字典中原子的线性组合形式实现图像的稀疏表示.传统的过完备图像稀疏表示模型采用重建误差的平方和作为保真项.该保真项没有充分考虑到人眼对图像的感知特性,无法度量图像中边缘、轮廓、纹理等局部几何结构的变化.本文基于过完备稀疏表示理论思想,建立了新的稀疏性正则化的图像稀疏表示模型.模型中的正则项约束图像表示系数的稀疏性,保真项采用更符合视觉感知的结构相似性度量.基于正交匹配追踪算法,提出了基于结构相似度的正交匹配追踪算法.实验结果表示,新的模型能够更好地重构图像的结构信息,获得更好的重建视觉效果.     

一种基于稀疏分解的图像修复算法设计

分析数字图像信号的稀疏特征,引入基于稀疏表示的图像修复是一种新颖的图像修复方法,充分结合现有的图像修复技术的研究成果,给出图像的稀疏表示模型及应用时的约束条件,提出面向图像修复的稀疏模型和常见参数选择,并利用Split Bregman进行了数值求解。该算法具有计算简单,易于实现,光滑性和结构信息等图像的基本特征刻画满足应用要求,可广泛应用于图像去噪,退化图像复原等应用,实验结果表明,本算法修复结果信噪比低,视觉效果优于同类方法。     

非线性Contourlet变换和区域特征匹配的图像融合

针对图像融合中存在边缘轮廓表示不清晰和计算冗余度过高的问题.提出了将非线性估计Contourlet变换和图像区域特征相结合的融合算法.通过非线性估计保留Contourlet高频稀疏矩阵最重要系数频带,对低频区域、高频区域采用不同的区域特征策略进行图像融合.实验结果表明:该图像融合算法不仅可以提高图像融合的视觉效果和图像质量、而且可以去噪音,增强图像.     

基于冗余字典学习的图像修补算法

在稀疏表示理论研究的基础上,提出了基于不同冗余字典的图像修补算法。首先设计采用离散余弦变换或K-SVD算法获得冗余DCT字典、KSVDG全局字典及KSVDA自适应字典等三种不同的字典;然后分别基于上述三种不同的冗余字典,稀疏表示待处理图像;最终图像中缺损的部分将通过冗余字典和稀疏系数有效地表示出来。实验结果表明,提出的算法修补后的图像视觉效果好,并在峰值信噪比、特征相似度等主要图像质量评价指标上优于现有几种经典的图像修补方法。     

基于字典学习和拓展联合动态稀疏表示的SAR目标识别

提出了一种基于字典学习和拓展联合动态稀疏表示的合成孔径雷达(Synthetic aperture radar, SAR)图像的目标自动识别(Automatic target recognition, ATR)方法.首先, 在图像预处理时, 分割出目标区域和目标遮挡地面形成的阴影区域, 将这两个区域的信息结合起来能更好地表示图像.其次, 将字典学习方法LC-KSVD (Label consistent k-singular value decomposition)引入到训练阶段中, 分别学习目标区域和阴影区域的特征字典, 而不是直接将所有训练样本作为固定字典.最后, 在测试阶段提出了拓展联合动态稀疏表示算法, 使图像数据中的两个特征共享相似但不完全相同的稀疏模式, 还可处理图像噪声遮挡损坏问题.标准数据集上的实验结果表明, 该方法使不同类别更具区分性, 有效地提高了SAR图像的目标识别准确度.     

基于共生矩阵分析的自适应神经网络图像复原算法

为了保护图像中的细节信息,提出了一种基于共生矩阵聚类分析的自适应Hopfield神经网络图像复原算法．通过计算图像局部区域的共生矩阵提取其纹理特征,对共生矩阵非零元素进行聚类分析．根据聚类数量和各聚类之间的距离,提出了图像局部区域细节强度的定义及其计算方法．细节强度在准确地区分图像的平坦区域和细节区域基础上,通过非线性函数自适应地调整Hopfield网络的权系数矩阵,以使权系数适合图像的纹理特征,而且权系数的生成过程符合人的视觉特性．图像复原的迭代求解过程和神经网络权系数矩阵的更新过程交替进行．该算法能够在图像的平坦区域有效地抑制噪声,在包含细节的区域突出细节．对比实验结果显示,该算法获得的复原图像的信噪比明显提高,视觉效果明显改善．     

一种改进的自适应直方图均衡化增强档案图像的方法

直方图均衡化能够调节图像的动态灰度范围,是一种经典有效的图像增强方法,但它建立在合并相似像素灰度的基础之上,模糊了图像的细节。强调细节的自适应图像均衡化（DEAHE）不但保持了图像均衡化具有动态范围调节的优点,而且也可以放大图像细节。考虑到档案图像在数码化过程种可能受噪声的干扰,DEAHE方法在强调图像细节的同时,也放大了噪声,因此,本文提出一种改进的DEAHE方法,即IDEAHE方法,它使得增强后的档案图像噪声得到抑制、图像细节得以放大、整幅图像的灰度范围得到调节。实验表明,经过IDEAHE方法增强后的档案图像,其主观视觉效果改善明显,可用于实际的数码档案生产过程中。     

基于双字典和稀疏表示的医学图像超分辨率重建

在医学影像图像处理过程中,由于成像技术和成像时间的限制,还无法获取满足诊断需求的清晰图像,这使得在现有技术和极短时间内所获取的医学病理图像需要进行超分辨率的重建处理;基于学习的图像超分辨率思想是从已建立的先验模型中重建出高频细节;在文章中,将要估计的高频信息认为是由主要高频和冗余高频两部分组成,提出了一种基于双字典学习和稀疏表示的医学图像超分辨率重建算法,由主要字典学习和冗余字典学习组成,分别渐近地恢复出主要高频细节和冗余高频细节;实验结果的数据分析和视觉效果显示,所提出双层递进方法能够恢复更多的图像细节且在性能指标上比现有的其他几种方法均有所提高。