改进相似性度量准则的SAR-BM3D相干斑抑制算法

针对三维块匹配（BM3D）算法在合成孔径雷达（SAR）图像相干斑抑制时存在块相似性度量不准确的问题,提出一种改进广义似然比准则（GLR）的SAR BM3D相干斑抑制算法。该算法根据在光学图像去噪效果良好的BM3D算法,以变换域方法和非局部思想为基础,考虑SAR图像相干斑特性,采用概率相似性度量方法用于块匹配步骤,从而达到较好的相干斑抑制效果。实验证明,提出的算法对SAR图像的相干斑抑制可以获得更高的信噪比和更好的视觉效果。     

BM3D去噪算法在仪表图像识别中的应用

电力系统中巡检机器人在采集仪表图像时往往受噪声影响而将有用信息掩盖。为解决这一问题,将BM3D(三维块匹配)算法应用于仪表图像的处理中,能够得到较好的去噪效果。BM3D算法是基于变换阈方法和非局部思想发展而来的。首先通过块匹配生成三维矩阵,然后在三维变化域去噪,最后逆变换还原图像。通过实验对BM3D去噪方法与其他传统方法的性能进行了对比分析。实验结果表明, BM3D图像去噪算法可以较好地保留边缘细节效果,解决了恢复图像细节与抑制噪声产生之间的矛盾,且效率较高。     

SAR图像各向异性扩散滤波算法

为了抑制SAR图像中固有的乘性相干斑噪声,本文提出了一种基于各向异性扩散滤波的新算法。该算法首先将自蛇扩散引入经典的SRAD与DPAD算法各向异性扩散方程中,形成了一种带边缘增强功能的各向异性扩散新方程;然后利用改进Frost滤波系数作为扩散方程的新扩散函数,形成了一种既能有效抑制相干斑,又能较好保护边缘、抑制块效应现象的新扩散函数。实验表明,新扩散滤波算法在相干斑抑制、边缘保护、块效应抑制方面均比传统各向异性扩散滤波算法更优异。     

基于旋转块的BM3D图像去噪改进算法

针对经典BM3D去噪算法中存在的相似块匹配误差较大及对图像细节保护不足的问题,提出了一种基于旋转块的BM3D图像去噪改进算法.新算法首先对参考块进行不同角度的旋转获取旋转块,通过旋转块进行相似块匹配过程;然后使用低秩正则化来代替传统算法中的硬阈值滤波;最后,对结合旋转块匹配与低秩正则化的BM3D算法进行自适应调整,从而改善在均匀图像区域中的去噪效果.实验结果表明,新算法的相似块匹配程度更高,峰值信噪比相较于经典算法平均提升0.5 dB,有效保留图像边缘和纹理细节.     

基于小波域马尔可夫随机场模型的SAR图像相干斑抑制算法

相干斑噪声是SAR图像的固有特点。对相干斑抑制的要求是在平滑噪声的同时,尽量保持原始图像的结构信息。现有的许多相干斑抑制方法各有优点和不足,没有普遍的适用性。基于图像在小波域的马尔可夫随机场模型(MRF)结构,结合SAR图像中相干斑噪声的统计特性,本文提出了一种新的小波域相干斑抑制方法。仿真及实测数据处理结果表明,该方法在有效抑制相干斑的同时,更好地保持了边缘结构。与小波域软阈值去噪方法和Lee滤波器相比,该方法在噪声平滑及边缘保持上都取得了较大的改进,并得到了较好的视觉效果。     

增强型Shearlet域SAR图像去噪

针对合成孔径雷达(SAR)图像固有的相干斑噪声,提出了一种增强型Shearlet域SAR图像滤波去噪算法。该算法首先分析SAR图像的局部特性,利用局部特性,将图像分成均质区域、非均质区域和边缘区域。对均质区域,用均值滤波器进行滤波去噪;对非均质区域,用Shearlet变换处理去噪;对边缘区域,进行直接保留。实验结果证明,该算法不仅能够显著消除相干斑噪声,明显的提高视觉效果,而且能够很好的保持边缘细节和纹理信息。     

基于TensorFlow的高压输电线路异物识别

针对传统异物识别准确率较低的问题,提出一种基于TensorFlow的深度卷积神经网络的异物识别模型。将巡检图像进行图像灰度化和尺寸压缩等预处理,并采用三维块匹配滤波(BM3D)算法进行图像去噪得到实验所需的训练数据。提出基于TensorFlow的深度卷积神经网络框架,通过使用框架中的TensorBoard模块设计深度卷积神经网络模型结构与优选模型参数,并针对ReLU激活函数与特征权重进行理论分析。实验结果表明,经过15次迭代训练后,深度卷积神经网络比传统的支持向量机(SVM)、极限学习机(ELM)和BP神经网络算法具有更强的巡检图像识别能力;与经典的LeNet-5和VGGNet模型以及相关文献中的模型相比,所提模型更具有优越性。     

曲波变换域的SAR图像相干斑去噪

合成孔径雷达(SAR)图像固有的相干斑噪声降低了图像的质量,使得图像的可视化和解译变得困难,影响了后续的目标检测、分类和识别等应用。为此提出了一种在快速曲波变换域的SAR图像去噪算法。先将SAR图像分成均质区域、非均质区域和边缘区域。使用均值滤波器对均质区域的像素滤波,对于非均质区域的像素使用曲波硬阈值滤波算法处理,边缘区域的像素直接保留。实验结果表明,此算法能有效的去除SAR图像的噪声并保持图像细节。     

基于非线性尺度空间SIFT的SAR图像特征点提取

针对SAR图像特征提取中的相干斑问题,提出一类非线性尺度空间的构造方法,用于提取具有尺度不变特性的特征点。首先,利用SAR图像特有的频域多视处理,代替尺度空间中的空域降采样,构造多分辨率图像,提高了辐射分辨率,抑制了相干斑。其次,基于改进的增强Lee滤波,建立非线性尺度空间,在保留特征细节的同时,进一步抑制了相干斑。 实验结果表明,该方法相比典型的高斯尺度空间和一般的非线性尺度空间,能更好的抑制相干斑噪声,提高了特征点提取数量和正确匹配点数量。     

基于改进DTCWT和引导滤波的低剂量CT图像降噪

针对低剂量计算机断层扫描(CT)图像噪点较多和空间分辨率低的问题,提出了一种基于改进双树复小波变换(DTCWT)和引导滤波的低剂量CT图像降噪方法。首先使用DTCWT对低剂量CT图像进行多尺度分解,对高频子带系数使用拟合优度检验框架进行去噪,对低频子带使用三边滤波进行降噪,逆DTCWT重构得到初始去噪图像;然后使用降噪并插值的低频子带图像作为导向图像对CT图像进行引导滤波;接着结合初始去噪图像和引导滤波的去噪结果生成细节残存图像;最后用3维块匹配滤波(BM3D)阈值算法对细节残存图像进行二次去噪,叠加两次去噪结果得到最终去噪图像。实验结果表明,该方法优于其他传统图像去噪算法,在抑制噪声的同时,良好地保留了图像的边缘轮廓和纹理特征,对低剂量CT图像有着显著的去噪效果。     

SAR图像相干斑噪声的各向异性扩散滤波算法

传统各向异性扩散滤波算法以梯度作为边缘检测与扩散系数生成的主要依据,当其用于抑制SAR图像中的乘性相干斑噪声时,存在对噪声敏感,边缘检测非恒虚警,扩散不均衡等问题,为此提出了一种新的各向异性扩散滤波算法.该算法利用平行窗通过比率运算生成边缘强度映射(ESM),然后利用ESM代替梯度作为边缘检测与扩散系数生成的主要参数,...     

自适应SUSAN扩散的超声图像去噪算法

为了降低超声图像斑点噪声的影响,提出一种自适应SUSAN(ASUSAN)扩散的超声图像去噪算法.通过引入SUSAN算法检测出图像的边缘,然后采用K均值法对模板区域特征值进行分类,自适应获得图像的全斑点噪声区域和相关参数,最后将SUSAN算法与非线性扩散方法相结合,提出一种新的扩散方程对图像进行非线性去噪.实验证明,相比于其他的各向异性扩散算法,本算法能得到更高的PSNR值和FOM值以及更小的MSE值,且在细节保留方面也能取得更好的效果.     

基于光学GCP图像切片的SAR图像自动匹配方法

地面控制点是进行星载SAR图像几何精校正的重要条件之一.通过光学GCP切片和SAR原始图像进行匹配可以实现控制点的自动提取.提出了一种在图像梯度域,实现光学图像和SAR图像异源匹配的方法.首先根据SAR的轨道参数等信息,实现光学GCP切片和SAR图像尺度和旋转的归一化,解决异源图像间的分辨率和旋转角度差异.然后分别提取SAR图像和光学图像的梯度强度信息,为了消除SAR图像的斑点噪声,采用ROA算法准确提取SAR图像的梯度强度.SAR图像和光学图像的成像机理差别很大,直接在图像域匹配较为困难.但是它们的梯度强度图像具有相似性,为此可以通过在梯度强度图像域,应用归一化互相关匹配算法,实现同名点的自动匹配.最后采用实验证明了方法的可行性.     

一种新的基于小波变换的SAR图像相干斑噪声抑制方法

本文从SAR图像相干斑噪声的产生机理出发,分析了各种滤波方法的优缺点后,在传统小波去噪的基础上提出了一种新的基于小波变换的SAR图像相干斑噪声抑制方法。该方法通过对小波分解后的高频区域进行二阈值分割,结合高频区域的方向特性和中值滤波方法,引入方向滤波窗口对不同分区进行不同的噪声抑制处理。实验结果证明了该方法的有效性,即此方法不仅拥有良好的去噪能力,而且能够很好的保持原图像的边缘信息.     

改进型多项式匹配图像去噪算法的研究与应用

为进一步改善常规多项式匹配算法的去噪能力,针对常规多项式匹配算法容易模糊图像边缘/纹理等细节问题,提出一种基于边缘保护的改进多项式匹配滤波的算法。该方法在常规多项式匹配算法基础上,改进滤波窗口的选择方式,沿着图像纹理走向方向提取自适应滑动滤波窗口,选择具有最小匹配误差的窗口进行匹配滤波并作为最终输出结果。然后分别在灰度图像和实际CT图像进行测试,经数据验证表明,该方法在有效压制噪声的前提下能够保持边缘/纹理信息,峰值信噪比平均提升80%以上,均方根误差减少80%以上。认为和常规多项式滤波方法、中值滤波方法、双边滤波方法、边缘保持滤波方法、三维块匹配去噪算法和去噪卷积神经网络方法相比,改进方法能够有效提升图像视觉效果,满足图像应用要求,具有良好的应用前景。