基于非局部自相似性和低秩矩阵逼近的补全算法

针对传统矩阵补全算法在图像重建方面的不足，提出了一种基于非局部自相似性和低秩矩阵逼近（NL-LRMA）的补全算法。首先，通过相似性度量找到图像中局部块所对应的非局部相似块，并将相应灰度信息进行向量化，从而构建出非局部相似块矩阵；然后，针对所得相似矩阵的低秩性，对其进行低秩补全操作（LRMA）；最后，对补全结果进行重新组合，以达到恢复原始图像的目的。在灰度图像以及RGB图像上进行重建实验，结果表明：在经典数据集上，NL-LRMA算法要比原LRMA算法在平均峰值信噪比（PSNR）上高出4~7 dB；同时，新算法在视觉效果与PSNR值方面也明显优于迭代重加权核范数（IRNN）、加权核范数（WNNM）、LRMA等传统算法。总之，所提算法对传统算法在自然图像重建方面的不足进行了有效弥补，从而为图像重建提供了一种行之有效的解决方案。     

基于非局部自相似性和低秩矩阵逼近的补全算法

针对传统矩阵补全算法在图像重建方面的不足,提出了一种基于非局部自相似性和低秩矩阵逼近（NL-LRMA）的补全算法。首先,通过相似性度量找到图像中局部块所对应的非局部相似块,并将相应灰度信息进行向量化,从而构建出非局部相似块矩阵;然后,针对所得相似矩阵的低秩性,对其进行低秩补全操作（LRMA）;最后,对补全结果进行重新组合,以达到恢复原始图像的目的。在灰度图像以及RGB图像上进行重建实验,结果表明：在经典数据集上,NL-LRMA算法要比原LRMA算法在平均峰值信噪比（PSNR）上高出4~7 dB;同时,新算法在视觉效果与PSNR值方面也明显优于迭代重加权核范数（IRNN）、加权核范数（WNNM）、LRMA等传统算法。总之,所提算法对传统算法在自然图像重建方面的不足进行了有效弥补,从而为图像重建提供了一种行之有效的解决方案。     

基于非局部自相似性的低秩稀疏图像去噪

针对许多图像去噪方法在去除噪声的同时容易丢失细节信息的问题,提出了一种基于非局部自相似性的低秩稀疏图像去噪算法。首先,利用基于马氏距离（MD）的块匹配方法将外部自然干净图像块分组,建立基于块组的高斯混合模型（GMM）学习非局部自相似性先验;其次,采用稳健主成分追踪（SPCP）方法,将噪声图像矩阵分解为低秩、稀疏及噪声三部分,其中稀疏矩阵包含了稀疏的有用信息;最后,通过最小化全局目标函数实现去噪。实验结果表明,提出的方法在峰值信噪比（PSNR）及结构相似性（SSIM）的结果上比EPLL、NCSR、PCLR等先进去噪算法都有较大的提升,且速度更快,去噪效果及细节保留能力都有更好的表现。     

基于随机匹配的非局部相似块搜索算法

针对非局部相似块搜索问题,提出一个基于随机匹配的k近邻块匹配算法.在基于Jump Flooding传播的块匹配算法基础上,改进其候选参考块的产生方式,增加从查询块的局部邻域中随机产生候选参考块这一方式.这一改进提高了候选参考块匹配的可能性,进而提高了算法的匹配精确度.实验结果表明改进算法在时间效率和并行性上,与原算法相差不大,但在匹配精确度上,要优于原算法.     

基于非局部相似及加权截断核范数的高光谱图像去噪

受仪器噪声干扰,高光谱图像(Hyperspectral Image,HSI)往往会受到高斯噪声的破坏,严重影响图像后续处理的精度,因此图像去噪是一项重要的预处理工作.此外,由于高光谱数据维度极高,因此算法效率成为模型应用能力的重要指标.为实现高效H SI去噪,文中首先将高维高光谱图像投影到低维光谱子空间上,从中学习一个...     

基于带权核范数最小化和混合高斯模型的去噪模型

非局部自相似性（NSS）先验在图像恢复中发挥重要作用,如何充分利用这一先验提高图像恢复性能仍值得深入研究,提出一种基于带权核范数最小化和混合高斯模型的去噪模型。首先,采用混合高斯模型（GMM）对无噪声的自然图像非局部自相似图像块进行训练,再用训练好的混合高斯模型指导退化的图像产生非局部自相似图像块组;然后,结合带权的核范数最小化技术实现图像的去噪,并对模型的保真项进行一般性扩展,给出收敛的求解算法。仿真实验表明,所提方法与基于3D滤波的块匹配（BM3D）算法、同时稀疏编码学习（LSSC）算法和带权的核范数最小化（WNNM）模型相比,峰值信噪比（PSNR）提高0.11~0.49 dB。     

无监督多重非局部融合的图像去噪方法

非局部均值去噪 (Non-local means, NLM) 算法利用图像的自相似性, 取得了很好的去噪效果. 然而, NLM 算法对图像中不相似的邻域块分配了过大的权重, 此外算法的搜索窗大小和滤波参数等通常是固定的且无法根据图像内容的变化做出自适应的调整. 针对上述问题, 本文提出一种无监督多重非局部融合 (Unsupervised multi-non-local fusion, UM-NLF) 的图像去噪方法, 即变换搜索窗等组合参数得到多个去噪结果, 并利用 SURE (Stein's unbiased risk estimator) 对这些结果进行无监督的随机线性组合以获得最终结果. 首先, 为了滤除不相似或者相似度较低的邻域块, 本文引入一种基于可微分硬阈值函数的非局部均值 (Non-local means with a differential hard threshold function, NLM-DT) 算法, 并结合快速傅里叶变换 (Fast Fourier transformation, FFT), 初步提升算法的去噪效果和速度; 其次, 针对不同的组合参数, 利用快速 NLM-DT 算法串联生成多个去噪结果; 然后, 采用蒙特卡洛随机采样的思想对上述多个去噪结果进行随机的线性组合, 并利用基于 SURE 特征加权的移动平均滤波算法来抑制多个去噪结果组合引起的抖动噪声; 最后, 利用噪声图像和移动平均滤波后图像的 SURE 进行梯度的反向传递来优化随机线性组合的系数. 在公开数据集上的实验结果表明: UM-NLF 算法去噪结果的峰值信噪比 (Peak signal to noise ratio, PSNR) 超过了 NLM 及其大部分改进算法, 以及在部分图像上超过了 BM3D 算法. 同时, UM-NLF 相比于 BM3D 算法在视觉上产生更少的振铃伪影, 改善了图像的视觉质量.     

基于非局部低秩约束的改进灵敏度编码重建算法

灵敏度编码（Sensitivity encoding, SENSE）是一种应用广泛的并行磁共振成像（Magnetic resonance imaging, MRI）重建模型。目前已有的针对SENSE模型的改进方法的重建图像中依然有较多伪影,尤其在较高加速因子时很难重建出比较清晰的图像。因此,本文基于非局部低秩约束（Nonlocal low-rank, NLR）,提出了一种改进的SENSE模型,称为NLR-SENSE。该模型使用加权核范数作为秩代理函数,并使用交替方向乘子法（Alternating direction multiplier method, ADMM）进行求解。仿真实验结果表明,与其他几种并行磁共振成像方法相比,NLR-SENSE方法在视觉比较和3个不同的客观指标上均表现优异,能有效提升重建图像的质量。     

加权核范数的边缘检测在最小化图像去噪中的应用

Sobel算子作为一种经典有效的边缘检测算子,在图像分割等图像处理技术中得到了广泛的应用。该算子在提取图像边缘的速度上具有明显的优势,但也存在对噪声敏感、出现伪边缘或者过度平滑图像等缺点。为了解决这些问题,提出了一种优化的边缘检测方案。该方案将加权核范数最小化(WNNM)图像去噪算法与Sobel边缘检测算法相结合,首先采用加权核范数最小化图像去噪算法的优良去噪性能,去除图像中一些敏感的噪声。经过该方法滤波后的图像,大大提高Sobel算子检测的准确度。该算法采用低秩图像去噪算法对传统的边缘检测算法进行改进。实验结果表明,该优化算法在处理含噪图像时能获得较好的检测效果,并且随着噪声强度的增加,该算法的优势更加明显;在高噪声水平下能够获得清晰连续的边缘信息,从而验证了算法的有效性。     

基于改进K-SVD和非局部正则化的图像去噪

K-奇异值分解( K-SVD)算法在强噪声下的去噪性能较差。为此,提出一种新的图像去噪算法。使用相关系数匹配准则和噪声原子裁剪方法改进传统K-SVD算法,提高原算法的去噪性能,将非局部正则项融入图像去噪模型,并采用非局部自相似性进一步改善图像的去噪效果。实验结果表明,与传统K-SVD算法相比,该算法在提高同质区域平滑性的同时,能保留更多的纹理、边缘等细节特征。     

一种基于多通道联合估计的非局部均值彩色图像去噪方法

提出一种基于多通道联合估计的非局部均值彩色图像去噪方法,包括彩色通道联合去噪和彩色通道融合去噪两个步骤：在彩色通道联合去噪步骤,采用经典的彩色图像非局部均值去噪算法对噪声彩色图像去噪,得到预去噪图像作为彩色通道融合去噪步骤的输入;在彩色通道融合去噪步骤,采用广义多通道非局部均值去噪算法对预去噪图像再次去噪,去噪过程应用预去噪图像三通道高频成分的相似性。实验结果表明,与其他经典彩色图像去噪方法相比,本文方法在主观和客观上均具有竞争性。     

基于小波分析的储粮害虫图像去噪研究

以储粮害虫为研究对象,阐述了小波去噪的基本原理和高频系数置零、硬阈值法、软阈值等几种方法,并提出了一种改进的小波阈值去噪方法,比较了这几种方法在粮虫图像去噪上的优缺点。实验结果表明,改进的新阈值方法能更好的去除噪声,收到更好的效果。     

基于非凸低秩矩阵逼近和全变分正则化的高光谱图像去噪

高光谱图像在采集过程中经常受到混合噪声的干扰,严重影响了图像后续应用的性能,因此图像去噪已成为一个极其重要的预处理过程.文中采用非凸正则项代替传统的核范数重新构造逼近问题,使稀疏正则项更贴近本质秩函数的属性,进而提出了一种将非凸代理函数、全变分正则项和l2,1范数集成于统一框架的混合噪声去除算法.所提算法旨在将退化的高...     

基于隐含相似性的光学和SAR图像配准方法

异质图像配准是多源图像融合的关键步骤之一,通常需要精确提取和匹配图像的同名特征,这种同名特征在成像机理差异巨大的光学和SAR图像中进行提取和匹配十分困难,利用相同场景图像中的隐含相似性可以有效避开这一难点.为了对光学和SAR图像进行配准,提出了一种基于隐含相似性的光学和SAR图像配准方法,该算法首先选用高梯度幅值像素作为隐含特征点集,然后通过像素迁移来构建相似测度准则函数,并用遗传算法对准则函数解空间进行全局优化搜索来获取配准解,这样就将图像配准问题归于模型参数优化求解过程.实验结果表明,该方法有效可行,配准图像能达到像素级配准精度.     

基于SRTM DEM和Landsat TM数据的SAR图像自动地理编码

合成孔径雷达(SAR)图像特殊的斜距成像方式使得利用传统的校正方法很难校正雷达图像。常用的方法是利用DEM和SAR成像几何信息模拟的SAR图像对真实SAR图像进行校正。在区域制图中,平坦地区由于没有地形起伏特征,使得模拟SAR图像特征不明显,无法建立与真实SAR图像的配准关系。本文在研究大范围SAR图像自动化地理编码的过程中,分析讨论了图像模拟和图像匹配的原理和过程,实现了自动判断模拟SAR图像与真实SAR图像的匹配偏移量是否达到信噪比要求,从而自动判断是否使用具有地物专题信息的TM图像代替模拟SAR图像和真实SAR图像进行匹配,实现了海量SAR图像地理编码的自动化。     

基于多尺度图像块的SAR图像无监督分割

提出了一种基于多尺度图像块的SAR图像无监督分割方法。在利用高斯混合模型进行图像分割时,大多采用的是基于单个像素的分割方法,这种方法由于未考虑像素周围邻域结点的信息,分割精度往往不高。论文考虑到SAR图像具有很强的斑点噪声,为了更好地抑制斑点噪声对分割结果的影响,在多分辨分析的基础上提出了一种基于多尺度图像块的图像分割新方法。实验表明,这种基于多尺度图像块的分割较在单个像素下多尺度Markov模型的MPM分割好,分割精度有了较大的提高。     

基于空间特征的SAR图像分割方法研究

空间矩阵描述了不同区域间的相邻概率。SAR图像具有不同地域呈现不同纹理的特征,并且区域间有较大的对比度,因此SAR图像的空间矩阵具有同类区域间相邻概率最大,异类区域间相邻概率较小的特点。利用这一特点,该文提出了一种基于空间矩阵的图像分割的方法。该方法将空间矩阵作为适应度,用遗传算法可以使分割阈值收敛到最优,并在阈值搜索的过程中用孤立点检测的方法消除相干斑噪声的影响。仿真结果表明,这是一种有效的SAR图像区域分割方法。     

基于模糊加权SVM的SAR图像水体自动检测

提出一种SAR图像水体自动检测方法。该方法采用树型小波对SAR图像进行分解,提取样本图像与待检测图像的中频信息,并进行纹理分析,利用模糊加权支持向量机对样本图像的纹理进行训练,从而获得判别水体的决策函数,通过该决策函数能够检测出图像的水体区域。该方法结合了图像的灰度与纹理信息,减少了SAR图像中的噪声影响,能够适用于大幅面范围的SAR图像水体自动检测。     

基于合成孔径雷达图像的河流检测方法研究

针对合成孔径雷达(Synthetic Aperture Radar,SAR)图像中水体的梯度比陆地的梯度要小的特点,提出了一种利用图像梯度信息和Fisher准则检测河流的方法;首先利用梯度算子求出图像的梯度;再对得到的梯度图像运用Fisher准则分割出水体区域;最后利用数学形态学滤除分割图像中存在的大量细小噪声,并运用面积、灰度、方差等特征进一步消除虚警目标,检测出河流;实验结果表明,该方法具有较强的抗相干斑噪声特性,能够自动、快速地检测出SAR图像中河流目标。     

基于小波分析与方向模板的SAR图像融合技术研究*

提出基于小波分析和方向模板的SAR图像融合算法,给出了在两种不同应用环境下的算法.仿真数据表明该方法是一种实用的、非常有效的SAR图像融合算法.