结合压缩感知与非局部信息的图像超分辨率重建

针对现有的超分辨率重建算法只考虑图像块的灰度信息,而忽略了纹理信息,并且大多数非局部方法在强调非局部信息的同时,没有考虑局部信息的问题,提出一种结合压缩感知与非局部信息的图像超分辨率重建算法。首先,根据图像块的结构特征计算像素之间的相似性,同时考虑了图像块的灰度信息和纹理信息;然后,合并图像的局部和非局部信息来估计相似像素的权重,构造结合局部和非局部信息的正则项;最后,将图像的非局部信息引入到压缩感知框架中,通过迭代收缩算法求解稀疏表示系数。实验结果表明,所提算法与现有的基于学习的超分辨率算法相比,重建图像的峰值信噪比和结构相似度取值更高,并且在恢复图像纹理细节的同时有效抑制了噪声。     

基于非局部相似和低秩模型的图像盲去噪

针对目前大多图像去噪算法的性能依赖输入噪声水平参数的问题,为进一步提高去噪效果,提出一种改进的基于非局部相似和低秩模型的图像盲去噪方法。预先估计图像的全局噪声方差,在图像非局部相似和低秩模型的框架下,自适应地估计各图像块的局部噪声方差,确定各图像块奇异值阈值(SVT)的局部阈值参数,运用迭代规则完成去噪。为验证该方法的有效性,与3种目前较成熟的去噪算法进行仿真对比。仿真结果表明,对于噪声方差未知的图像,该方法的去噪效果在视觉、峰值信噪比(PSNR)和结构相似度(SSIM)的数据上更具优势,具有更好的自适应能力,更适合应用于实际图像去噪问题。     

结合隶属度与像素交替引导滤波的鲁棒模糊聚类算法

模糊局部信息C-均值（FLICM）聚类算法是目前应用较广泛的图像分割算法,然而仅适用于处理低噪声图像。FLICM算法与像素引导隶属度滤波的结合在一定程度上提高了噪声抑制能力,但仍无法满足强噪声图像的分割需求。联合引导滤波与基于核度量的加权模糊局部信息C-均值（KWFLICM）聚类算法,提出一种隶属度与像素值交替引导的核模糊聚类算法。将像素引导隶属度滤波模块和隶属度引导像素滤波模块引入KWFLICM算法,构造一种引导滤波约束的多目标核模糊聚类优化模型,采用最小二乘法对该模型进行迭代求解。在迭代过程中,通过像素引导隶属度滤波和隶属度引导像素滤波,分别修正输入图像的隶属度和像素值,进一步提高核模糊聚类算法对含噪图像的鲁棒性。实验结果表明,与同类核模糊聚类算法相比,该算法在莱斯噪声干扰下的误分率、精确度、峰值信噪比、Jaccard相似系数等评价指标上表现突出,具有更好的分割性能和更强的鲁棒性。     

基于多特征的EM算法在昆虫图像分割中的应用

提出了一种基于多特征的EM(Expectation-maximizarion)聚类的昆虫图像分割方法.与一般的EM算法不同,这种方法首先选用适当的彩色空间对图像中的每个像素抽取颜色、纹理及空间位置等综合特征,形成基于像素的8维综合特征空间,然后采用高斯混合模型,通过EM算法估计高斯混合模型参数,利用图像像素点特征的相似度在特征空间中得到初步的区域分割,最后利用连接原理对图像区域进一步分割.实验结果表明, 算法能较好地分割昆虫图像.     

结合修剪均值与高斯加权中值滤波的图像去噪算法

为快速准确地滤除图像中的脉冲噪声并较好地保持图像的纹理细节和边缘结构,提出一种基于修剪均值与高斯加权中值滤波的图像去噪算法。根据脉冲噪声的灰度特征与统计特征,以局部统计方式进行噪声检测,将灰度取最小值或最大值且与邻域像素相关性较小的像素识别为噪声像素。对于图像平滑区域和细节区域中的噪声像素,使用自适应修剪均值和高斯加权中值滤波算法进行去噪处理。实验结果表明,该算法在视觉效果、峰值信噪比、结构相似性及计算速度上均优于对比算法,并且能够在彻底滤除噪声的同时,较好地保持图像的纹理细节和边缘结构。     

改进型Q-NLM算法在医学图像去噪中的应用

将像素离群度与传统非局部均值算法相结合提出一种改进型的非局部均值滤波Q-NLM算法,针对传统非局部均值算法不适应脉冲噪声去噪的问题,提出了像素离群度Q的概念,像素离群度Q值用于判断原像素与脉冲噪声的相似度,依据像素离群度Q值划分像素区域,调整不同区域阈值且引入中值滤波去除脉冲噪声点,进一步降低医学图片中混合噪声对滤波的影响。仿真实验结果显示,这种结合离群度与非局部均值算法在去除混合噪声的情况下,能较好提高图像信噪比,有效保留CT图像细节。     

基于图像局部纹理方向概率统计模型的非线性滤波算法

为了更有效地利用图像的局部特征恢复被噪声感染的图像,基于图像局部纹理方向概率统计模型,提出一种针对混合噪声的非线性滤波算法。算法利用Radon变换对图像进行主纹理方向分析,得到图像的局部纹理方向概率密度分布,然后基于概率统计模型,借助中心像素的若干邻近像素对中心像素进行估计,得到中心像素点的灰度值。此算法充分利用了图像的局部特征,既具有良好的去噪能力,又兼顾了对图像细节的保持特性。在处理同时感染脉冲噪声和高斯噪声的混合噪声图像时,算法效果明显优于其他滤波算法。     

基于高斯混合模型的纹理图像分割

纹理图像分割是图像处理的一个基本问题。由于基于高斯混合模型的纹理图像分割方法．大多采用单像素的方法，因此分割精度和效率都较低。为了更好地进行纹理图像分割，在子空间思想的基础上，提出了一个基于图像块的分割算法及其改进算法，即先取图像块的均值、标准差、最大值、最小值以及中间像素的像素值等5个特征作为纹理特征，再利用高斯混合模型进行纹理图像分割，实验结果表明，该新算法的分割精度和分割效率较原分割算法都有较大提高。     

混合波原子和双边滤波的纹理图像滤波方法

为了更好地去除纹理图像中的噪声, 提出了一种新的混合波原子阈值的振荡纹理图像扩散模型; 利用扩散方程和图像滤波方法的理论联系, 给出了联合双边滤波的图像去噪算法; 最后, 利用峰值信噪比(PSNR)和结构相似度(SSIM)两个客观图像质量评价指标, 与目前流行的图像去噪方法(包括波原子阈值、双边滤波、高斯尺度混合(GSM), 以及非局部滤波(NLM))进行比较。 实验结果验证了新方法的有效性。     

基于图像像素间空间信息的加权模糊阈值分割算法

模糊理论对处理模糊不确定性的事件具有得天独厚的优势,而阈值分割算法是一种简单有效的算法,因此基于模糊理论的阈值分割在图像分割领域中得到广泛的应用。但是多数的阈值分割算法对于灰度图像的处理往往仅利用图像的灰度水平值而未考虑像素的空间邻域信息,大大地增加了灰度图像的目标和背景的误分比率。针对此问题提出一种引入空间信息的加权模糊阈值分割算法,在考虑像素的灰度水平值的同时,将像素与其邻域像素的空间关系作为权重来共同对该像素作用,设计出新的模糊分割函数。实验证明该算法具有较好的稳定性和鲁棒性,对多数图像的梯度的灰度直方图接近单峰的图像和灰度峰值分布距离较远、两峰数量悬殊的双峰图像,均能得到很好的分割效果。     

基于灰度共生矩阵纹理特征的SAR图像分割

同时考虑SAR图像局部灰度均值和方差及像素空间分布特征等统计量,在以灰度共生矩阵产生的纹理统计量为特征所生成的图像上,建立多分辨双Markov-GAR模型,采用多分辨MPM的参数估计方法及相应的无监督分割算法,对SAR图像进行纹理分割。该方法用于一些高分辨SAR图像,其分割精度及分割边缘的平滑度均优于基于灰度图像上的多分辨双Markov-GAR模型纹理分割。     

基于稀疏度自适应的视觉图像三维清晰重构

针对当前方法重构视觉图像时,存在峰值信噪比低、重构时间长和图像分辨率低的问题,提出基于稀疏度自适应的视觉图像三维清晰重构方法,利用图像光度信息和几何信息划分图像,按照纹理类别和边缘类别对图像进行分类,在图像组类别和噪声水平的基础上训练自适应字典,根据字典获得图像非局部相似先验和稀疏表示,结合建立变分模型对图像进行去噪处...     

基于超像素分割的非局部均值去噪方法

针对非局部均值(NLM)去噪算法在变化丰富的纹理区域采用平移窗口的方法选择相似块的不足进行了研究,提出一种基于超像素分割的非局部均值去噪算法。该方法充分考虑非局部均值去噪算法中相似性对噪声去除的影响,利用经过超像素分割处理得到的图像块内部相邻像素间以及纹理边缘都具有一定相似性的特点,在超像素分割块基础上优化纹理区域相似窗口的选择策略,提高图像块与中心像素块之间的相似性,从而达到提升非局部均值算法的去噪水平、边缘纹理不被模糊的目的。在多幅经典自然图像上的实验结果表明,该方法能够有效的去除图像中包含的噪声信息,相比于传统的非局部均值方法,保留了更多的纹理信息。     

联合空-谱信息的高光谱图像噪声估计

在纹理丰富的高光谱图像中获得精确的噪声估计,是噪声估计任务中的难点。本文基于高光谱图像的空间规律性和光谱相关性,提出一种基于超像素分割的光谱去相关法。同质区域划分是许多噪声估计方法的关键步骤,精确的同质区域划分能有效提高噪声估计精度。为此,将简单线性迭代聚类算法（Simple linear iterative clustering algorithm,SLIC）与光谱-空间相似性结合,划分高光谱图像为局部结构相似的图像块,以保持同质特征;为了提高光谱间的区分能力,将光谱信息散度和光谱角联合作为光谱距离;结合多元线性回归在同质区域内去除光谱相关性,在获得的残差图上估计噪声水平。对不同地物复杂程度的模拟图像,添加不同程度的噪声,通过与多种方法比较,验证了本文方法的有效性和稳定性。最后,本文方法成功应用于Urban数据的噪声水平估计,准确识别出受噪声严重污染的波段。     

对抗网络数字图像混合噪声滤除算法仿真

为了提高数字图像混合噪声滤除算法的滤除效果,设计了对抗网络数字图像混合噪声滤除算法.首先对对抗网络数字图像边缘进行了检测,在虚拟现实技术下并对图像进行了预处理,将图像按照等间距形式进行采样,然后判断图像中的混合噪声,标记窗口像素,最后采用小波阈值算法对对抗网络数字图像噪声进行滤除,结合虚拟现实技术重构有效低频信号的小波系数和阈值高频信号系数,得到混合噪声滤除后的新图像,实现对抗网络数字图像混合噪声滤除.实验结果表明,经过上述研究的对抗网络数字图像混合噪声滤除算法的均方误差低,峰值信噪比与结构相似度都较高,取得了较好的应用效果.     

基于Real Adaboost的肤色分割方法

提出了一种基于Real AdaBoost算法构造的肤色置信度分类器及动态阈值相结合的肤色分割方法。根据肤色在YCrCb色度空间的聚类性,通过大量肤色和非肤色样本用Real AdaBoost训练一族查找表(LUT)型圆形弱分类器,组成一个能输出连续置信度的强分类器,利用肤色强分类器计算图像中像素的肤色相似度,最后用大津法确定阈值对肤色相似图进行二值分割。实验表明,该方法能较好地描述肤色分布,误检率低,鲁棒性好。     

基于概率统计模型与图像主纹理方向分析的非线性滤波算法

图像滤噪是图像预处理的一个重要内容,因为滤噪效果对图像处理的最终结果有很大影响。如何充分利用图像的局部特征以提高滤波器的滤噪效果、细节及边缘信息保持能力,在分析现有图像滤波算法的基础上,提出一种基于概率统计模型与图像主纹理方向分析的非线性滤波算法。算法利用Radon变换对图像进行主纹理方向分析,得到图像的局部纹理方向概率密度分布,然后基于概率统计模型借助中心像素的若干邻近像素对中心像素进行估计得到中心像素点的灰度值。此算法充分利用了图像的局部特征,既具有良好的去噪能力,又兼顾了对图像细节的保持特性。在处理同时感染脉冲噪声和高斯噪声的混合噪声图像时,算法效果明显优于其他滤波算法。     

基于通用学习均衡优化器的多阈值图像分割

传统的元启发式多阈值图像分割算法计算复杂度高且容易陷入局部最优,通用学习均衡优化器在搜索过程中使粒子从不同维度的候选粒子中学习,在求解复杂问题最优解时有很强的能力,克服了容易陷入局部最优的问题。提出将通用学习均衡优化算法优化最大类间方差法来实现多阈值图像分割,实验选择标准灰度图像,以峰值信噪比、结构相似度、运行时间和适应度值为评价标准,将该算法与均衡优化算法、粒子群优化算法进行了比较。结果表明,基于通用学习均衡优化器的多阈值图像分割算法结果的峰值信噪比、结构相似度在绝大多数情况下优于另外两个算法,并且收敛速度快,执行效率高。     

基于人工蜂群与模糊C均值的自适应小波变换的噪声图像分割

针对传统模糊C均值（FCM）聚类算法在处理噪声图像时易受到噪声影响的问题,提出了基于FCM的小波域特征增强的噪声图像分割方法。首先,将噪声图像进行二维小波分解;其次,对近似系数进行边缘增强,同时利用人工蜂群（ABC）优化算法对细节系数进行阈值处理,并将处理后的系数进行小波重构;最后,对重构后的图片使用FCM算法来进行图像分割。选取5幅典型的灰度图像,分别添加高斯噪声和椒盐噪声,使用多种方法进行分割,以分割后图像的峰值信噪比（PSNR）和误分率（ME）作为性能指标,实验结果表明,所提方法分割后的图片相较于传统FCM聚类算法分割方法和粒子群优化（PSO）分割方法分割后的图片在PSNR上最多分别有281%和54%的提升,在ME上最多分别有55%和41%的降低。可见所提出的分割方法较好地保留了图像边缘纹理信息,其抗噪性能与分割性能得到了提升。     

核空间隐马尔可夫随机场图像模糊聚类

针对模糊C均值算法未考虑图像邻域信息,导致其分割效果不好的不足,结合隐马尔可夫随机场和高斯核函数,提出核空间隐马尔可夫随机场模糊C均值聚类算法。引入隐马尔可夫随机场,在目标函数中引入像素的空间邻域信息,使得分割算法对噪声鲁棒性增强;引入核函数,将样本点非线性变换映射到高维特征空间,增强图像分割的抗干扰能力,保持图像的细节信息。对标准灰度图像添加噪声,用以验证算法的性能。视觉效果及分割图像的峰值信噪比均显示,改进算法具有更好的抗噪能力。