几种矢量图像噪声去除变分模型的边缘保持比较

矢量图像噪声去除的变分模型必须考虑不同通道图像间的耦合以保持图像边缘,但所得到的模型复杂、计算效率低,且不同耦合方法对应的模型的边缘保持质量不同。本文首先设计了目前已经提出的这类变分模型的快速Split Bregman算法,然后通过大量数值实验对不同模型的边缘保持特性和计算效率进行了比较。所研究的模型分别使用LTV(layered total variation)规则项、MTV(multichannel total variation)规则项、CTV(color total variation)规则项、PA(polyakov action)规则项和RPA(reduced polyakov action)规则项。实验结果表明CTV模型对矢量图像去噪边缘保持最好,其他依次是PA模型、MTV模型、RPA模型和LTV模型;LTV模型计算效率最高,其他依次是MTV模型、RPA模型、CTV模型和PA模型。     

彩色图像乘性噪声去除的高阶变分模型

传统的变分去噪模型中,MTV模型去噪后的图像可以较好的保持图像的边缘,但会有阶梯效应。高阶TC模型可以防止阶梯效应,但是边缘保持不好。采用耦合的MTV模型和高阶TC模型相结合的方法,构造出新的混合模型,并推广到彩色图像乘性噪声去除的高阶变分模型。为提高新模型的计算效率,引入辅助变量和拉格朗日乘子设计了相应的增广拉格朗日算法。实验结果表明,新模型在处理彩色图像时能有效地避免阶梯效应,同时保持图像的边缘和细节。与实验中的传统模型相比,新模型的峰值信噪比和结构相似性指数均有提升。     

去除图像高强度乘性噪声的变分模型

本文提出了一种新的去除图像高强度乘性噪声的变分模型,该模型针对现有全变分方法在去除图像高强度乘性噪声时出现的边缘模糊、去噪效果不佳及“阶梯”效应等问题进行研究.然后导出了该模型对应的偏微分方程的初边值问题,分析了模型的去噪机理,并给出了相应的数值计算方法.数值实验结果表明,新模型不仅提高了图像去噪的质量,在视觉上更平滑自然,基本上消除了“阶梯”效应.此外,新模型在运行时间方面也具有较大的优势.     

一种去除椒盐噪声带L1保真项的混合变分模型

图像去噪技术是数字图像处理领域中一个重要的分支,目的是在去除噪声同时更好地保持图像的对比度、清晰度、纹理特征等有用的信息,它是图像分割、特征提取与目标识别等图像处理过程的前提。为了有效抑制脉冲噪声,针对调和模型和TV-[L1]模型去噪的不足,提出一种针对脉冲噪声去噪的带[L1]保真项的混合变分模型,并用增广拉格朗日算法进行数值实现。采用峰值信噪比、均方根误差指标评定图像的去噪效果。实验结果表明,该模型的峰值信噪比大于其他几类已有模型,有效降低了均方根误差,并且计算的CPU时间更短,去噪效果得到明显改善。该模型具有更好的去噪性能,获得了更理想的视觉效果,不仅能提高了图像质量,而且在客观上得到了有效证实。     

基于二阶变分模型的图像去雾

基于暗原色先验理论的算法可以对不同场景下的雾天图像进行有效去雾,但是去雾后图像通常含有噪声且部分细节保持效果欠佳.二阶变分模型以二阶导数为正则项,可用于图像去噪,具有良好的边缘保持效果.文中首先通过暗原色先验方法估算出有雾图像大气光值与原始的透射率图,然后将非线性扩散模型运用到透射率图的求解中,再将其分别与二阶变分模型拉普拉斯变分模型、Hessian矩阵变分模型、总广义变分模型、总曲率变分模型结合,提出了4种二阶去雾模型(H-LV模型、H-HMV模型、H-TGV模型和H-TCV模型).为了提高计算效率,文中为4种模型设计了相应的交换方向乘子算法,通过引入辅助变量,使拉格朗日乘子不断更新迭代,直到能量方程收敛,输出去雾图像.最后采用LIVEImageDefogging图像数据库对所提模型和算法进行了实验验证.结果表明,所提图像去雾变分模型得到的图像边缘保持良好,并能抑制图像噪声.     

非线性扩散和变分模型在矢量图像去噪中的应用

分析了非线性扩散、基于整体变分方法的ROF模型以及矢量图像耦合技术的原理,比较了这些扩散、去噪模型的优缺点。根据矢量图像耦合思想将TV流运用到矢量图像扩散中,并参考ROF模型逼近项变分模型的优点,提出了基于非线性扩散、ROF模型和矢量图像耦合原理的改进TV流矢量图像耦合扩散模型,目地是在彩色图像中,去噪同时更好地保留图像轮廓、边缘等重要信息。实验对比分析了改进前后模型的去噪效果,并分析了改进模型下正、逆向扩散在彩色图像去噪中的作用。实验结果表明,改进的矢量图像耦合扩散模型能有效地保持彩色图像中的边缘信息,同时具有良好的去噪性能,且改进模型下,正、逆向扩散的性质在彩色图像去噪工作中仍能保持。     

混合变分自编码

变分自编码(variational autoencoder, VAE)是一种基于连续隐向量的生成模型,通过变分近似构建目标函数,其中的生成模型及变分推理模型均采用神经网络结构.传统变分自编码模型中的变分识别模型假设多维隐变量之间是相互独立的,这种假设简化了推理过程,但是这使得变分下界过于松弛,同时限制了隐向量空间的表示能力.提出混合变分自编码(mixture of variational autoencoder, MVAE)模型,它通过多个变分自编码组件生成样本数据,丰富了变分识别模型结构,同时扩展了隐向量表示空间.该模型以连续型隐向量作为模型的隐层表示,其先验分布为高斯分布;以离散型隐向量作为各组件的指示向量,其先验分布为多项式分布.对于MVAE模型的变分优化目标,采用重参策略和折棍参数化策略处理目标函数,并用随机梯度下降方法求解模型参数.MVAE采用混合组件的方法可以增强隐变量空间的表示能力,提高近似推理精度,重参策略和折棍参数化策略可以有效求解对应的优化问题.最后在MNIST和OMNIGLOT数据集上设计了对比实验,验证了MVAE模型较高的推理精度及较强的隐变量空间表示能力.     

一种基于整体变分的图象修补算法

图象修补是图象恢复研究中的一个重要内容，它的目的是根据图象现有的信息来自动恢复丢失的信息，可以用于旧照片中丢失信息的恢复。由于图象中的边缘代表了图象的重要信息，所以在设计修补算法时，必须着重考虑边缘的恢复，采用整体变分模型设计了一个图象修补算法，整体变分模型能够模拟人的低层视层，在修补图象时可以恢复图象中的边缘，数值实验表明，该模型能够较好地恢复待修补区域的信息，但是受修补区域大小的影响，同时又采用了一种向前传播操作来缩小修补区域。     

基于混合变分模型的图像去噪

为了有效抑制噪声,获得更好的视觉效果,提出了一种基于混合变分模型的图像去噪方法。将调和模型和全变分模型进行融合,增强模型的去噪性能,根据自适应选取组合系数,组合系数较大时偏向于全变分模型,较小时偏向于调和模型,这样不仅可以有效去除阶梯效应,同时保护边缘细节,采用仿真对比实验以测试模型性能。结果表明,相对其他去噪模型,相同条件下,该模型取得更优的去噪声效果,提高了图像的质量。     

基于context模型的contourlet域图像去噪

在分析contourlet域系数分布特征的基础上提出了一种基于context模型的contourlet域图像去噪算法。算法的关键点在于:基于contourlet变换系数的分布特性,确定合适的去噪门限;利用context模型建立图像contourlet变换后的系数分类模型并根据分类使用不同的门限去噪。实验表明,本方法能较好地去除图像噪声,在提高去噪图像PSNR值和改善主观视觉效果方面都表现出了良好的性能。     

改进结构的Contourlet变换及其图像去噪应用

针对Contourlet变换基图像不具备局部频率特性的缺点,分析了在频域楔形支撑区域外部出现潜在混叠的原因,并结合易操纵金字塔结构的优良特性,提出一种改进结构的Contourlet变换.该变换采用易操纵金字塔替换了原变换的拉普拉斯金字塔,保证了其平移不变性.非线性逼近实验和基图像分析的结果表明,该变换能够稀疏表示图像,避免了频域出现混叠.去噪实验结果表明,改进结构的Contourlet变换可以有效地提高去噪图像的峰值信噪比和去噪图像质量.     

一种新变分方法在图像分割中的应用

针对传统的水平集方法用于图像分割时速度较慢的现象,提出一种新的变分方法(PDE)。首先修改了CV模型的能量函数,然后用凸松弛方法将其转化为凸优化问题,并引入一个辅助变量,再采用高效和无条件稳定的AOS算法,测试实验获得了较好的分割效果。实验结果表明,所提出的变分方法(PDE)是可行有效的。     

基于最小二乘法的压缩文本图像恢复算法

文章采用基于算术编码的压缩方法对文本图像进行无损压缩和传送,进而提出基于最小二乘法灰度插值的压缩文本图像的恢复算法,它将高度结构化的灰度图像分解为多个线性模型,估计出模型参数,从而重构出灰度文本图像,明显改善了屏幕浏览的视觉效果。     

Local Experts Organization Model for Natural Scene Images Classification

In this article, a novel Local Experts Organization (LEO) model for processing tree structures with its application of natural scene images classification is presented. Instead of relatively poor representation of image features in a flat vector form, we proposed to extract the features and encode them into a binary tree representation. The proposed LEO model is used to generalize this tree representation in order to perform the classification task. The capabilities of the proposed LEO model are evaluated in simulations running under different image scenarios. Experimental results demonstrate that the LEO model is consistent in terms of robustness amongst the other tested classifiers.     

基于多级中值滤波的严重椒盐噪声污染图像恢复

文章提出了一种用于基于多级中值滤波的严重椒盐噪声污染图像恢复的方法.该算法首先用多级中值滤波对图像进行滤波,然后用噪声定位技术将滤波后的图像像素点分为噪声和信号点两类,建立噪声标记矩阵,进而对噪声点进行噪声消除,对非噪声点保持原值不变,从而实现噪声污染图像恢复.实验结果表明,本算法对于噪声浓度大于40%的污染图像去除噪声及保留细节等方面的效果非常显著,尤其对于严重椒盐噪声污染图像.     

图像混合噪声的一种组合滤波消除方法

提出了一种基于高斯拉普拉斯边缘检测的含高斯噪声和脉冲噪声的图像组合滤波去噪方法,即首先对含有混合噪声的图像进行中值滤波,再用高斯拉普拉斯边缘检测方法检测出图像的边缘,得到边缘图像;然后利用自适应Wiener滤波对中值滤波后得到的图像进一步滤波去噪,最后将边缘图像嵌入经Wiener滤波得到的平滑图像中。此种方法不但能够有效去除含高斯噪声和脉冲噪声的图像中的噪声,而且可以保持图像的边缘信息,提高了图像的去噪效果和清晰度。     

控制系统中一种新的周期性任务模型及其优化调度算法

分析了控制系统中的周期任务特性 ,给出了控制系统周期性任务的一种新任务模型 - -周期性任务分解模型 ,它将系统中的控制回路分解为几个子任务 .给出适合此任务模型的调度算法——双优先级调度算法 ,引入了辅助优先级 .该算法能够控制子任务执行顺序和降低控制输入输出延迟 .分析了任务集的可调度性 ,给出了任务集可调度的充分必要条件 .最后讨论了系统性能优化的问题 ,给出了系统性能优化的调度算法     

区域活动模型彩色图像分割研究

在图像分割优化问题的研究中,在图像提取识别感兴趣的目标中存在噪声和重叠,造成质量不高。传统的区域活动图像分割需要将能量泛函转换为封闭曲线,造成了算法复杂度高,图像分割边缘信息容易丢失,质量效果差。为解决上述问题,提出了一种新的遗传算法优化区域活动轮廓模型图像分割算法。根据区域的活动模型中融入了含有梯度方向指示性信息的边缘停止函数,使曲线在非期望边缘处加速演化,然后采用遗传算法交叉,变异操作优化图像区域活动模型参数。仿真结果表明,提出的改进的方法可以有效的对图像进行分割,大大的提高了图像分割的精确度和效率,改善图像分割的质量。