基于复数小波的图像恢复算法研究

研究了基于复数小波的各种图像恢复算法，提出把HMT模型应用到ForWaRD的图像恢复中．利用ForWaRD算法，首先把模糊加噪的降质图像在傅立叶域中进行维纳滤波器正则反卷，然后在小波域中进行去噪处理，可以得到较好的恢复效果．对典型卷积加噪线性降质图像进行了仿真实验，并把基于复数小波的各种图像恢复算法的仿真结果同基于正交小波的图像恢复算法仿真结果作了比较，发现前者无论从客观指标还是视觉效果上都有明显的优势，尤其是基于HMT模型的复数ForWaRD图像恢复方法．     

基于混沌的图像自恢复安全双水印算法

为提高图像自恢复双水印算法的安全性,提出一种基于混沌的安全双水印算法。该算法首先利用混沌映射将双水印信息加密后再嵌入其他图像块的低位,然后结合图像块内容和嵌入在图像块低位的恢复水印信息,利用混沌映射随机生成用于检测图像块真实性的认证数据。理论分析和实验结果表明该算法在保持篡改恢复质量和不可见性的基础上,有效提高了自恢复双水印算法抵抗内容篡改攻击和字典搜索攻击的能力。     

基于模糊调整的径向基函数网络图像恢复算法

为了解决传统图像恢复中存在的建模难的问题,提出了一种基于RBF神经网络的图像恢复算法,该算法利用RBF神经网络的非线性映射能力和适应性,通过记录退化过程的逆过程来恢复图像。首先改进RBF网络中心参数的确定过程,提出基于模糊调整的中心参数学习算法,然后用模糊调整后的网络进行图像恢复。仿真结果表明,改进的RBF网络可对典型退化图像进行令人满意的恢复。     

基于感兴趣区域的图像认证与自恢复算法

提出了一种基于感兴趣区域的图像认证与自恢复算法,该算法将图像分为两部分; 感兴趣区域和背景区域.算法首先利用了基于4×4分块的编码算法对感兴趣区域进行编码， 然后通过映射函数将此码流嵌入到背景图像的离散余弦变换系数中.实验表明该算法可以对 整幅图像进行完整性认证,同时对被恶意篡改的感兴趣区域也能很好地恢复原来信息.     

可恢复的脆弱数字图像水印

该文提出一种用于图像内容认证和保护的脆弱数字图像水印算法．该算法不但可以检测定位出图像中任何细微的篡改，而且可以恢复较大面积的被篡改的图像数据．首先该文给出了一种被称之为基于块交叉交插RS编码的水印生成算法；随后使用基于块交叉交插RS码的校验符号作为水印并将其埋植到图像数据的最低位；最后利用基于块交叉交插RS解码实现水印信号检测以及对图像篡改数据的定位和恢复．此外该文算法使用由密码生成的掩膜图像参与水印信号的生成和检测，很好地保证了水印的安全性和保密性．经实验验证，该算法不但可以有效地检测出图像中被篡改内容的位置，而且能恢复被篡改的图像数据．     

一种新的散焦图像深度恢复算法

提出一种基于各向异性热扩散方程的散焦图像深度恢复算法。利用各向异性热扩散建模散焦成像过程,将散焦图像深度恢复转化为带有整体变分正则化项的能量泛函极值问题,通过迭代获得景物的深度信息。该算法不需要恢复聚焦图像,并且未施加额外的约束条件。模拟和真实图像实验结果表明,该算法有效,且深度恢复效果优于最小二乘法。     

非零边界旋转运动模糊图像的恢复算法

具有非零灰度边界的旋转运动模糊图像的恢复是图像处理的一个热点研究问题。为了在离散情况下能够沿模糊路径上快速提取像素的灰度信息，将Bresenham算法思想引入到旋转运动模糊图像的恢复工作中，并在此基础上，提出了一种基于模糊路径频域滤波去卷积的恢复算法，同时，为了有效地恢复非零边界区的图像信息，又提出了一种基于邻域知识引导的最小代价恢复算法。这样就可将非零边界旋转运动模糊图像的恢复过程分为两个阶段，即先后用该两个恢复算法分别进行处理，由于使整个恢复过程避开了迭代计算和一些复杂的费时运算，从而加快了恢复速度。为验证该算法的效果，在微机上，对该恢复算法与现有的算法进行了对比实验和一系列的验证实验，实验结果表明，该算法十分有效，且具有一定的抗噪能力。     

一种改进的图像自嵌入优化算法

提出了一种改进的图像自嵌入优化算法,它将图像的压缩信息嵌入到自身之中,能检测和恢复被篡改的图像.算法利用DCT域系数的特点,通过判断图像块的平坦与否来决定图像提取的DCT系数个数,从而使得图像恢复的质量进一步提高.     

基于精细定位和迭代补偿机制的图像认证与恢复方法

针对基于分块思想的图像定位算法定位精度不高和恢复性能不好的问题,本文提出了一种基于精细认证和迭代补偿机制的图像认证与恢复算法。在认证算法中,包含基本认证和精细认证,融合基本认证和精细认证这两次认证的结果,并根据连通篡改区域中像素个数的多少进行优化,得到定位精度较高的定位结果。在恢复算法中,我们考虑到可嵌入的信息容量,提出利用迭代补偿机制恢复图像中被篡改的像素。理论分析和实验结果表明：本文提出的算法对于局部发生篡改的图像,能提高其定位的精度,而且恢复的性能也得到了提高。     

基于邻域滤波的图像修复

图像修复是图像恢复研究中的一个重要内容，它的目的是根据图像现有的售息来自动恢复丢失的信息，可以用于对旧图片的修复。大多数现有图像修复算法都非常复杂，而且难于实现。由于图像的边缘代表了图像的重要信息，所以在设计修复算法时，必须着重考虑边缘的恢复。提出了一种基于图像邻域滤波算法、应用图像的空间连续性，及图像的边缘信息的图像修复算法。该算法实现简单，修复速度快，对小区域的修复效果较好。     

基于遗传神经网络的图像分割

提出一种基于遗传神经网络的图像分割方法.该方法利用遗传算法对BP神经网络的权值和阈值进行优化,设计出误差最小的神经网络,然后用神经网络算法迭代实现图像的分割.通过实验证明:该方法与传统的图像分割方法相比,具有更好的图像分割效果;与BP神经网络相比,训练速度得到很大的提高.     

遗传神经网络在图像分割中应用研究

针对图像分割的复杂性,利用遗传算法对BP神经网络的权值和阈值进行优化,设计出误差最小的神经网络,然后再对图像的像素进行分类识别,实现并提高了图像分割性能。仿真实验表明,与传统的图像分割方法相比,取得了比传统方法更好的图像分割效果。     

基于BP神经网络的医学图像分割新方法

对于医学图像而言,其分割结果的准确性对医生诊断病情并给出正确的治疗方案至关重要。应用传统的BP神经网络对医学图像进行分割,存在对初始权重值敏感、学习速率固定、收敛速度慢和易陷入局部极小值等问题。因此,提出了一种基于改进的粒子群优化算法的BP 神经网络的医学图像分割方法。首先,应用粒子群优化算法与BP神经网络的映射关系,通过粒子群强大的搜索功能找到最佳适应函数,使对应的BP神经网络的均方误差达到最小值,克服了BP 神经网络产生多个局部最小值的可能;其次,确定粒子的最佳位置后,在BP神经网络学习中获得最合理的权值和偏置值,以提高网络的收敛速度;最后,BP神经网络经反复训练后,获得最佳输出值,并计算阈值,通过阈值来分割图像区域。实验结果表明,利用改进的算法能够得到更清晰的图像分割效果,提高了图像的分割精度,对临床的诊断也具有重要参考意义。     

基于改进遗传模拟退火算法的BP神经网络的畸变校正研究

针对相机所采集的图像大多都存在畸变现象的问题,设计了基于改进遗传模拟退火算法的BP神经网络校正算法。该算法针对传统遗传算法易于收敛局部最优的问题,提出分段选择策略与随机抽样相结合的选择算子,自适应交叉与变异算子。在畸变校正中,该算法通过网络的输入输出建立理想点与畸变点的关系,使用改进的遗传模拟退火算法来优化神经网络中的阈值与权值,然后使用基于LM算法的BP神经网络进行局部优化,最后通过插值算法得到校正后的图像。实验表明,该算法能过较好的对图像进行畸变校正,同时与传统的BP神经网络算法相比精度更高,收敛速度更快。     

基于神经网络生成图像语义的算法研究

提出一种利用神经网络获取图像语义的算法。通过构建一个RBF神经网络,在图像的颜色、纹理、形状等低层视觉特征和高层语义特征之间建立映射关系。利用遗传算法训练RBF网络,获得RBF网络的隐节点个数、中心、宽度和连接权值等参数值,训练成功后的神经网络能够自动获取图像的语义。实验结果表明,该算法具有较好的基于语义的检索效果,体现了人对图像内容的理解,符合人的思维习惯。     

多层前向人工神经网络图像分类算法

传统人工神经网络的输入均为向量形式,而图像由矩阵形式表示,因此,在用人工神经网络进行图像处理时,图像将以向量形式输入至神经网络,这破坏了图像的结构信息,从而影响了图像处理的效果。为了提高网络对图像的处理能力,文中借鉴了深度学习的思想与方法,引进了具有矩阵输入的多层前向神经网络。同时,采用传统的反向传播训练算法(BP)训练该网络,给出了训练过程与训练算法,并在USPS手写数字数据集上进行了数值实验。实验结果表明,相对于单隐层矩阵输入前向神经网络(2D-BP),所提多层网络具有较好的分类效果。此外,对于彩色图片分类问题,利用所提出的2D-BP网络,给出了一个有效的可行方法。     

FP-CNNH:一种基于深度卷积神经网络的快速图像哈希算法

在大数据时代,图像检索技术在大规模数据上的应用是一个热门的研究领域。近年来,大规模图像检索系统中, 图像哈希算法 由于具备提高图像的检索效率同时减少储存空间的优点而受到广泛的关注。现有的有监督学习哈希算法存在一些问题,主流的有监督的哈希算法需要通过图像特征提取器获取人为构造的图像特征表示,这种做法带来的图像特征损失影响了哈希算法的效果,也不能较好地处理图像数据集中语义的相似性问题。随着深度学习在大规模数据上研究的兴起,一些相关研究尝试通过深度神经网络进行有监督的哈希函数学习,提升了哈希函数的效果,但这类方法需要针对数据集人为设计复杂的深度神经网络,增大了哈希函数设计的难度,而且深度神经网络的训练需要较多的数据和较长的时间,这些问题影响了基于深度学习的哈希算法在大规模数据集上的应用。针对这些问题,提出了一种基于深度卷积神经网络的快速图像哈希算法,该算法通过设计优化问题的求解方法以及使用预训练的大规模深度神经网络,提高了哈希算法的效果,同时明显地缩短了复杂神经网络的训练时间。根据在不同图像数据集上的实验结果分析可知, 与现有的基准算法相比,提出的算法在哈希函数训练效果和训练时间上都具有较大的提高。     

基于遗传神经网络的零件图像非线性校正

提出了基于遗传神经网络校正非线性失真图像的方法。首先,用遗传算法优化神经网络的权值,构成遗传神经网络。然后,从标准的矩形栅格的失真图像中提取特征样本,样本的坐标用于训练遗传神经网络,标准矩形栅格中的样本的坐标作为目标输出。最后,以失真图像所有像素的坐标作为遗传神经网络的输入;其输出的坐标经过灰度级插值,实现图像的非线性校正。实验结果表明,文中提出的方法是有效的。     

基于GA-BP算法的基片图像边缘检测计算机应用

由于复杂噪声信号的影响,使得对基片边缘的检测较为困难,提出了一种基于改进的GA-BP算法的边缘检测方法.首先,对基片图像进行中值滤波,将选中的样本归一化.其次,根据样本使用改进的GA-BP算法建立神经网络模型.最后根据实验对该神经网络模型中的参数进行了修正,并利用此神经网络模型对基片图像进行边缘检测取得到了较好的效果.实验结果表明,该方法具有良好的泛化性,鲁棒性和自适应性,可以提高图像边缘检测的抗噪声能力.     

一种自适应模糊聚类神经网络滤波器设计

为了获得滤除噪声和细节保留两方面更好的平衡,提出了一种自适应模糊聚类神经网络。采用模糊C—均值聚类算法对网络进行模糊化,利用改进的LMS算法对网络进行训练。仿真表明,与模糊BP神经网络及改进的BP神经网络相比,AFCN是一种性能较好的智能神经网络。