基于非下采样轮廓波的MRI图像的压缩感知重构

压缩感知是一种全新的信息采集与处理的理论框架,借助信号内在的稀疏性或可压缩性,可从小规模的线性、非自适应的测量值中通过非线性优化的方法精确重构信号。压缩感知以远低于奈奎斯特频率的采样频率,在压缩成像系统、医学图像处理等领域有着广阔的应用前景。提出算法采用非下采样轮廓波变换稀疏表达原始图像,通过傅立叶矩阵进行测量,最后采用迭代软阈值算法实现医学MRI图像的压缩感知重构。以峰值信噪比、互信息、伪影功率为评价指标,比较小波变换、频率局部化轮廓波变换以及非下采样轮廓波变换三者的压缩感知重构效果。实验结果表明,无论采样率设置如何变化,提出算法在峰值信噪比、原始信息保留比例以及重构精度等方面均具有明显优势,在快速医学成像领域具有广阔的应用前景。     

改进的多尺度学习字典图像去噪算法

常规字典学习方法在单一尺度下对图像进行稀疏表示,不能完全表示图像的有效信息,去噪结果有待提升。针对上述局限性,提出一种改进的多尺度学习字典图像去噪算法。该算法使用改进的自适应阈值曲波变换对图像进行多尺度分解,并以此构建曲波域的多尺度学习字典,通过循环迭代完成字典和稀疏系数更新并叠加对应的曲波域图像块,最后执行曲波反变换得到去噪图像。结果表明,相对常规去噪算法,论文方法的灰度图像去噪结果峰值信噪比平均提升56.6%,结构相似度平均提升0.44;实际B超图像的完全无参考值提高47.3%,专家平定值提高32.3%。结论认为,改进方法对图像的边缘/纹理细节保持好,图像质量提升明显。     

基于Curvelet变换的图像压缩感知重构

压缩感知主要采用离散余弦变换(DCT)和正交小波进行图像的稀疏表示,但是DCT时频分析性能不佳,小波方向选择性差,不能很好地表示图像边缘的信息。为此,利用Curvelet变换具有的多尺度、各向奇异性、更高稀疏表示性能等特性,提出基于Curvelet变换的图像压缩感知重构算法,采用Curvelet对图像进行稀疏表示和小波域阈值处理,以此解决信号重构噪声问题。实验结果证明,与传统小波变换和Contourlet变换相比,该算法在Lena图像上峰值信噪比平均提高了1.86 dB和1.15 dB。将Curvelet变换应用于压缩感知,能使图像边缘和平滑部分得到最优的表示,图像细节部分重构效果得到大幅提升,有效提高图像整体重构质量。     

Contourlet域方向子带稀疏表示的图像压缩感知

为了提高压缩感知中图像的稀疏表示性能, 提出了一种Contourlet域方向子带稀疏表示的图像压缩感知算法。将图像Contourlet分解后的多个高频子带根据方向正交特点进行重组, 采用随机高斯矩阵对重组后的子带分别进行测量, 实现压缩采样; 利用正交匹配追踪法重建各子带系数, 并进行Contourlet反变换重构原图像。实验结果表明, 在相同采样率下, 算法重构图像的主观视觉效果和峰值信噪比都优于小波压缩感知算法。     

基于双阈值的压缩采样匹配追踪改进算法

针对基于压缩感知的压缩采样匹配追踪(CoSaMP)算法迭代次数严重依赖于信号稀疏度,候选原子冗余度大,从而导致最终的支撑原子集选择时间长、选择精度低等问题,提出一种基于双阈值的压缩采样匹配追踪算法.该算法利用模糊阈值进行支撑集候选原子的选择,引入残差与观测矩阵的相关度变化阈值作为迭代停止条件,对图像进行重构.仿真实验表明,所提出的算法重构速度快,重构效果优于CoSaMP算法.     

基于改进SP算法的压缩感知图像重构

针对压缩感知子空间追踪SP(subspace pursuit)算法必须以信号稀疏度为先验知识,而现实中图像稀疏度未知这一问题,提出改进SP算法MSP(modified subspace pursuit)。首先对信号的稀疏度进行自适应估计,其次在迭代过程中,通过给定的步长因子对稀疏度进行更新,使之逐渐逼近正确子空间,当重构误差小于阈值时,停止迭代,实现稀疏信号的重构。重构图像表明:MSP算法在运算时间和重构精度上均优于其他同类算法,实现了图像的快速精确重构。     

基于多尺度的自适应采样图像分块压缩感知算法

基于分块的压缩感知算法适用于图像信号的处理,通过平滑迭代阈值投影法可以快速重构图像,但存在低采样率下重构图像质量较差的缺点。基于全变差分的分块压缩感知算法,在一定程度上能提升重构效果,但降低了运算速度。针对以上算法的不足,提出基于多尺度的自适应采样图像分块压缩感知算法。根据小波分解后不同层对重构结果影响所占权重不同的特性,自适应分配给每一层不同的采样率,并在重构时将平滑迭代阈值投影法应用到每一层的每一个子带的分块上。实验结果表明,与传统的迭代阈值投影法相比在重构质量上提高了1~3 d B,在重构速度上与迭代阈值投影法相当并优于全变差分法。     

小波高频子带变换裁剪阈值SAMP算法研究

文中首先针对离散小波变换（ DWT）破坏了低频逼近系数之间的相关性,导致重构质量变差的问题,提出小波高频子带变换（ HFSBWT）的稀疏表示方法。其次针对稀疏度自适应匹配追踪（ SAMP）算法的原子候选集在每次迭代时成倍增加造成存储空间浪费和重构时间变长等问题,提出裁剪阈值稀疏度自适应匹配追踪（ CTSAMP）算法。最后仿真结果表明：对于同一重构算法,小波高频子带变换的图像重构峰值信噪比提高3 dB左右。在小波高频子带变换稀疏表示后采用裁剪阈值稀疏度自适应匹配追踪算法,重构图像的性能有了明显的提高,重构时间缩短一半。     

结合FT与NSCT的自适应阈值去噪算法

为更好地对图像进行稀疏表示,以改善去噪效果,提出一种傅里叶变换与非下采样轮廓波变换(NSCT)相结合的自适应阈值去噪算法。在傅里叶域中对含噪图像去噪,在NSCT域中利用分层噪声估计的贝叶斯阈值算法,结合多尺度多方向的能量阈值修正方案自适应地滤除剩余噪声。实验结果表明,该算法的去噪性能较好。     

利用信息熵的岩心图像自适应压缩感知重构

针对BCS-SPL算法对岩心图像进行压缩感知重构的细节模糊的问题,提出一种利用信息熵的岩心图像BCS-SPL压缩感知重构算法.采用小波变换对岩心图像进行稀疏表示,对各子带进行多尺度分块,依据信息熵的大小自适应分配采样率并确定观测矩阵,通过维纳滤波结合Landweber迭代操作实现重构.实验结果表明,在相同采样率下,与原始的BCS-SPL算法相比,该算法的重构质量提高了2-4 dB.     

一种自适应阈值曲波图像去噪算法

利用曲波变换进行图像去噪能取得较好的效果,但是现有的曲波去噪没有充分利用图像曲波系数的特点,容易过分扼杀图像的细节信息.本文提出了一种基于阈值自适应的曲波图像去噪算法,利用图像经过曲波变换后的能量分布特性选取阈值,以更好地保护图像细节.实验结果表明,该算法可以将每一尺度上的信号与噪声在最大程度上分离,有效去除了高斯白噪声,进一步提高了峰值信噪比,更好地实现了去除噪声与保护图像细节之间的平衡.     

基于曲线波和稀疏表达的卡通—纹理模型

CT图像去噪恢复是医学影像图像处理的基础环节。为解决卡通—纹理模型在医学图像去噪应用中计算困难和精度低的问题,对卡通—纹理模型分解方法进行了扩展。首先,以曲线波变换描述图像卡通—纹理模型中的结构部分;其次,以更稀疏的对偶树复小波变换描述图像卡通—纹理模型中的纹理部分;最后,建立了结合曲线波和稀疏表达的图像卡通—纹理分解模型,并讨论了模型的分解算法。仿真实验结果表明,新方法可有效地解决医学影像图像去噪算法中迭代计算量大的问题,并可提高处理后图像的质量。     

Multi-channel satellite cloud image fusion in the tetrolet transform domain

A novel multi-channel satellite cloud image fusion algorithm constructed in the tetrolet transform domain is proposed. Tetrolet is successfully applied in image denoising, image sparse representation, and image restoration. In this paper, tetrolet transform was introduced into the field of satellite cloud image fusion since its sparse degree is high. Tetrolet can describe the geometric structure feature of the satellite cloud image very well. First, tetrolet transform must be implemented into the multi-channel satellite cloud images to obtain low- and high-frequency coefficients and corresponding covering distribution values. Then, a Laplacian pyramid algorithm must be used to decompose the low-frequency portion in the tetrolet domain by averaging the values of its top layer and taking the maximum absolute values of the other layers. While reconstruction is implemented in this stage, the algorithm takes the maximum standard deviation of the high-frequency parts for each block in the tetrolet domain. Last, an inverse tetrolet transform must be used to obtain the final fused image. This paper compares the proposed image fusion algorithm to three similar image fusion algorithms: the curvelet image fusion algorithm, the non-subsampled contourlet transform (NSCT) image fusion algorithm, and the tetrolet image fusion algorithm. Mutual information, joint entropy, mean structural similarity (MSSIM), standard deviation, and average relative deviation are used as objective criteria to evaluate the quality of the fused images. In order to verify the efficiency of the proposed algorithm, the fusion cloud image is used to determine the centre location of eye and non-eye typhoons. Experimental results show that the proposed algorithm performs well when fusing the information in multi-channel satellite cloud images and improves the precision of locating the typhoon’s centre. The proposed algorithm’s comprehensive performance is superior to similar image fusion algorithms.     

Multifocus image fusion method of Ripplet transform based on cycle spinning

The curvelet transform can represent images at both different scales and different directions. Ripplet transform, as a higher dimensional generalization of the curvelet transform, provides a new tight frame with sparse representation for images with discontinuities along C² curves. However, the ripplet transform is lack of translation invariance, which causes the pseudo-Gibbs phenomenon on the edges of image. In this paper, the cycle spinning method is adopted to suppress the pseudo-Gibbs phenomena in the multifocus image fusion. On the other hand, a modified sum-modified-laplacian rule based on the threshold is proposed to make the decision map to select the ripplet coefficient. Several experiments are executed to compare the presented approach with other methods based on the curvelet, sharp frequency localized contourlet transform and shearlet transform. The experiments demonstrate that the presented fusion algorithm outperforms these image fusion works.     

图像压缩感知的双收缩快速迭代算法

针对传统图像压缩感知重构算法重构质量差及时间复杂度大的问题,提出一种双收缩快速迭代算法.通过引入阈值和正则化参数的双收缩,逐步迭代恢复图像信号,以加快收敛速度,改善重构质量.仿真结果表明,与传统阈值迭代算法相比,该算法重构图像的峰值信噪比较高,在低采样率下运行时间较少.     

基于混合基稀疏图像表示的压缩传感图像重构

单一基函数不能对同时包含边缘和纹理信息的自然图像进行最优压缩传感图像重构. 本文根据Meyer的卡通--纹理图像模型和生物视觉原理, 用拉普拉斯塔式分解和圆对称轮廓波分别表示图像的光滑成分和边缘成分, 并构造了窄带轮廓波变换实现纹理成分的稀疏表示. 三种稀疏变换的基函数分别与视觉皮层中的侧膝体、简单细胞及栅格细胞的感受野类似. 结合三种图像稀疏表示方法和凸集交替投影算法提出了基于混合基稀疏表示的压缩传感图像重构算法. 实验结果表明,与基于块匹配三维变换迭代收缩的图像重构算法比较, 本文算法能获得更高的图像重构质量.     

基于Curvelet的边缘纹理特征提取及表情识别

针对小波变换在提取图像边缘特征上的局限性,提出一种使用Curvelet变换进行边缘纹理特征提取的表情识别方法。Curvelet变换在表达图像的边缘曲线上的奇异性时比小波变换更能得到稀疏的图像表示。在表情识别中,对表情图像使用Curvelet变换得到Curvelet系数作为边缘纹理特征能更好地反映表情的变化,使用K最邻近结点算法进行了识别。结果表明在表情识别中该方法比小波变换更有效。     

Super-Resolution Based on Curvelet Transform and Sparse Representation

Super-resolution techniques are used to reconstruct an image with a high resolution from one or more low-resolution image(s). In this paper, we proposed a single image super-resolution algorithm. It uses the nonlocal mean filter as a prior step to produce a denoised image. The proposed algorithm is based on curvelet transform. It converts the denoised image into low and high frequencies (sub-bands). Then we applied a multi-dimensional interpolation called Lancozos interpolation over both sub-bands. In parallel, we applied sparse representation with over complete dictionary for the denoised image. The proposed algorithm then combines the dictionary learning in the sparse representation and the interpolated sub-bands using inverse curvelet transform to have an image with a higher resolution. The experimental results of the proposed super-resolution algorithm show superior performance and obviously better-recovering images with enhanced edges. The comparison study shows that the proposed super-resolution algorithm outperforms the state-of-the-art. The mean absolute error is 0.021 ± 0.008 and the structural similarity index measure is 0.89 ± 0.08.     

基于改进块稀疏贝叶斯学习算法的波达方向估计

针对传统的基于稀疏表示的DOA估计算法单纯利用信号的空域稀疏性,导致在低信噪比时稀疏性能变差,影响信号稀疏重构效果的问题,使用分块稀疏理论对信号进行稀疏分解。随着目标增多及作战任务改变,DOA估计往往呈现目标群测向的特点,为了能够更好地利用信号的结构特征和统计特征,提出了基于空时联合的块稀疏DOA估计算法,使用块稀疏理论挖掘信号的内部结构,充分利用了信号的块内稀疏性和块间相关性,提高稀疏重构性能,进而对DOA估计效果有很大的提升。仿真实验表明,相比于经典的DOA方法,本方法有更好的估计效果。