融合多方向Sobel算子的相干斑各向异性扩散抑制北大核心CSCD

相干斑的存在严重干扰了SAR图像质量,亟需对其抑制处理。传统AD(Anisotropic Diffusion)滤波器边缘检测模型精准度仍有提升空间,且噪声抑制效果往往受限于扩散阈值较难准确估计的问题。针对上述问题,提出了一种融合多方向Sobel算子的相干斑各向异性扩散抑制方法。该方法是SRAD(Speckle Reducing Anisotropic Diffusion)的改进算法,其利用多方向Sobel算子在SAR影像各点处构建了全新的边缘检测模型,并基于此,融合高斯核函数建立了新的AD扩散函数,可有效解决传统AD扩散系数受参数估计限制,提升了相干斑各向异性抑制的准确性。实验选取了3景真实SAR影像进行滤波实验,结果表明:该方法可有效提高边缘检测能力,获取更优相干斑抑制效果。     

融合边界信息的高分辨率遥感影像分割优化算法

目的 针对目前区域分割算法获取的区域边界与真实地物边界不一致问题,利用高分辨率遥感影像地物内具有均质性和地物间边缘信息突出的特点,提出一种融合边界信息的高分辨率遥感影像分割优化算法。方法 首先采用Canny算法对遥感影像进行边缘提取并进行边缘连接处理,产生闭合边界;然后将边界与初始分割结果进行融合处理,获得新的分割结果;最后在闭合边界约束下,基于灰度相似性准则对新的分割结果进行区域合并,获得优化后的最终分割结果。结果 采用本文提出的分割优化算法对Mean Shift算法和eCognition软件获得的分割结果进行优化处理,优化后的分割结果与初始分割结果相比正确分割率（RR）平均提高了4%,验证了本文算法的有效性。结论 该优化算法适用性广,可优化基于区域、基于边界和基于聚类等多种分割方法,同时该算法既能保持高分辨率遥感影像分割的区域完整性,又能保持地物边缘细节特征,提高了分割精度。     

基于Mallat-Zhong离散小波变换小波的超声图像各向异性扩散抑噪方法

针对传统各向异性扩散方法在超声图像散斑噪声抑制中存在的噪声抑制不充分与边缘特征保持不足的问题,提出一种基于Mallat-Zhong离散小波变换(MZ-DWT)小波的散斑噪声抑制方法。该方法将MZ-DWT小波分析与期望值最大化(EM)算法作为图像中均匀区域与边缘区域的鉴别因子,使扩散系数能够更准确地控制扩散强度与扩散速度,从而达到充分抑制噪声和保护边缘的目的。实验结果表明,所提方法在有效抑制散斑噪声的同时,更好地保持了图像细节信息,其性能优于传统各向异性扩散方法。     

各向异性导向滤波的红外与可见光图像融合

目的 针对红外与可见光图像融合时易产生边缘细节信息丢失、融合结果有光晕伪影等问题，同时为充分获取多源图像的重要特征，将各向异性导向滤波和相位一致性结合，提出一种红外与可见光图像融合算法。方法 首先，采用各向异性导向滤波从源图像获得包含大尺度变化的基础图和包含小尺度细节的系列细节图；其次，利用相位一致性和高斯滤波计算显著图，进而通过对比像素显著性得到初始权重二值图，再利用各向异性导向滤波优化权重图，达到去除噪声和抑制光晕伪影；最后，通过图像重构得到融合结果。结果 从主客观两个方面，将所提方法与卷积神经网络（convolutional neural network，CNN）、双树复小波变换（dual-tree complex wavelet transform，DTCWT）、导向滤波（guided filtering，GFF）和各向异性扩散（anisotropic diffusion，ADF）等4种经典红外与可见光融合方法在TNO公开数据集上进行实验对比。主观分析上，所提算法结果在边缘细节、背景保存和目标完整度等方面均优于其他4种方法；客观分析上，选取互信息（mutual information，MI）、边缘信息保持度（degree of edge information，Q^AB/F）、熵（entropy，EN）和基于梯度的特征互信息（gradient based feature mutual information，FMI_gradient）等4种图像质量评价指数进行综合评价。相较于其他4种方法，本文算法的各项指标均有一定幅度的提高，MI平均值较GFF提高了21.67%，Q^AB/F平均值较CNN提高了20.21%，EN平均值较CNN提高了5.69%，FMI_gradient平均值较GFF提高了3.14%。结论 本文基于各向异性导向滤波融合算法可解决原始导向滤波存在的细节"光晕"问题，有效抑制融合结果中伪影的产生，同时具有尺度感知特性，能更好保留源图像的边缘细节信息和背景信息，提高了融合结果的准确性。     

融合各向异性扩散信息的图像分割

目的 图像因各种因素的影响存在一定程度的噪声,而噪声会在图像分割时影响待分割目标的边缘识别,导致分割结果难以达到理想状态。针对以上问题,在距离规则化水平集（DRLSE）演化模型的基础上,提出一种将各向异性扩散散度场信息融合到DRLSE模型中的新模型。方法 将水平集函数初始化为分段常数表达式,设定演化方程中的参数和水平集函数演化过程中的迭代时间步长Δt。随后将常值权系数α替换为融合各项异性扩散散度场信息的变权系数α（I）,对水平集函数的演化方程进行迭代演化,直至收敛到目标边缘。输出最终演化轮廓。结果 对选自Weizmann数据库的图像和经过人为改造的的图像进行图像分割实验,采用迭代时间和评价分割结果相似性的J系数（Jaccard相似性系数）和D系数（Dice相似性系数）等定量指标进行评价。对无噪声图像和噪声图像分割时,本文模型的J系数和D系数均比DRLSE模型的值大,表明本文模型的分割结果与真值图像的相似性较高。在分割时间方面,仅在分割背景简单边缘清晰的无噪声图像时,本文模型较DRLSE模型略长;在分割边缘清晰、背景灰度不均匀和边缘模糊、背景灰度不均匀的无噪声图像以及人为添加噪声的各种情况下,本文模型分割时间均明显短于DRLSE模型。其中,对边缘模糊、背景灰度不均匀的无噪声图像,本文模型分割时间为3.718 s,较DRLSE模型短9.523 s;对存在噪声、待分割目标存在凹区域且边缘模糊背景灰度不均匀图像,本文模型分割时间为4.235 s,较DRLSE模型短35.165 s。结论 实验结果表明,融合了各向异性扩散信息的DRLSE模型在图像分割尤其是噪声图像分割方面,具有明显的有效性、高效性和鲁棒性。     

基于对数压缩的超声各向异性扩散去噪方法

针对当前超声图像去噪算法很难同时做到降噪和边缘保持的情况,在进行各向异性扩散模型研究的基础上,提出基于对数压缩的改进各向异性扩散算法（LCAD）去除超声散斑噪声。算法将图像对数压缩后进行噪声分布模型估计,然后构造基于广义伽马分布的扩散系数,在扩散过程中达到降噪和边缘保持效果。     

一种改进的相干斑噪声抑制算法

研究了一种新的合成孔径雷达相干斑噪声抑制的算法.传统的噪声抑制和近年来的小波变换方法都有其不足之处,难以在高效降低斑点噪声的同时保持图像细节.结合增强Lee算法中的思想与小波算法用于抑制SAR图像中相干斑噪声,能够获得良好的效果,通过和现有的几种抑制斑点噪声的滤波算法进行定量的实验比较,主要的评价指标有斑点噪声指数,等效视数、平滑指数和边缘保持指数,由仿真结果可以看出算法具有较好的相干斑噪声抑制能力和边缘保持能力.     

改进的P-M扩散方程在相干斑抑制中的应用

直接基于Perona-Malik扩散方程的滤波算法对于加性噪声非常有效,但是对于乘性噪声（如合成孔径雷达（SAR）图像相干斑噪声）收效甚微。提出了一种基于改进的Perona-Malik扩散方程抑制SAR图像相干斑噪声的新算法。分析对数变化对相干斑噪声的影响,为将P-M扩散方程应用于相干斑噪声抑制奠定了理论基础;通过P-M扩散和稳健统计学的联系,建立了基于Biweight Estimator误差模型的扩散系数;同时利用非线性衰减技术对梯度阈值的选择改进。实验表明,该方法不仅有效抑制了SAR图像相干斑噪声,较好地保持了细节和边缘信息,而且视觉效果比较好。     

结合四元数与最小核值相似区的边缘检测

目的 针对传统彩色图像边缘检测方法中未充分利用图像色度信息、颜色模型间非线性转换过程中时间和空间的大量耗费、算法实现复杂等问题,将四元数引入最小核值相似区（SUSAN）算法中,提出一种RGB空间下的结合四元数与最小核值相似区的边缘检测算法。方法 该算法首先对彩色图像进行四元数描述,然后用改进的SUSAN算子进行边缘检测。针对其中单一几何阈值g的限制,以及检测出的边缘较粗等问题,本文采用Otsu算法自适应获取双几何阈值,再对弱边缘点集进行边缘生长,最后根据USAN重心及其对称最长轴来确定边缘局部方向,实现对边缘点的局部非极大值抑制,得到最终细化后的边缘图像。结果 实验选取1幅合成彩色图像及3幅标准图像库图像,与彩色Canny算法、SUSAN算法,及采用单阈值的本文算法进行对比,并采用Pratt品质因数衡量边缘定位精度。本文算法能够检测出亮度相近的不同颜色区域之间的边缘,且提取的边缘比较连续、细致,漏检边缘较少。与公认边缘检测效果较好的彩色Canny算法相比,本文算法的品质因数提高了0.012 0,耗时缩短了2.527 9 s。结论 本文提出了一种结合四元数与最小核值相似区的边缘检测算法,实现了四元数与SUSAN算子的有效融合。实验结果表明,该算法能够提高边缘定位精度,对弱噪声具有较好的抑制能力,适用于对实时性要求不高的低层次彩色图像处理。     

应用区域统计特征的PolSAR影像分割

目的 提出一种利用区域统计特征的PolSAR影像分割方法,以解决目前研究中在降低斑点噪声和提高分割效率方面的不足。方法 首先利用基于梯度分割影像的分水岭算法进行SAR影像初分割,针对差值梯度非恒虚警率（CFAR）,可能给出虚假边缘从而导致分割错误的问题,引入恒虚警率的均值比率梯度（ROA）;同时,考虑到梯度影像中存在大量局部极小值,直接用分水岭处理得到初分割结果,存在过度过分割,给出了一种利用形态学方法进行梯度重构以消除局部极小值、抑制过分割的方法。然后,基于初分割得到区域,计算区域相干矩阵的最大似然估计,结合假设检验和相干矩阵的Wishart分布,给出一种有效描述区域相似度的目标函数,通过建立区域邻接关系图（RAG）,执行等级区域合并得到最终分割结果。结果 利用模拟数据,德国奥伯法芬霍芬L波段实测数据和中国海南陵水黎族自治县X波段的高分辨率数据,验证本文方法,初分割结果证实梯度重构处理不会破坏原有梯度结构,并能有效抑制过分割;最终分割结果定性定量对比分析表明,本文给出的目标函数,在分割效率、信息保持和分割精度上都有较好表现。结论 实验结果表明,本文方法能有效降低斑点噪声,提高分割效率,从而提供更加准确的分割结果。     

基于偏微分方程的医学超声图像去噪方法

研究了各向异性扩散方程在医学超声图像去噪中的应用。在理论上对去噪原理进行了分析,并在此基础上采用改进的针对乘性噪声的各向异性扩散算法对医学超声图像去噪,实验结果表明,该方法在有效去除噪声的同时较好地保留了医学超声图像中的重要细节信息,使图像的细节部分清晰。该方法可以有效地去除超声图像斑纹噪声,提高图像的质量。     

Adaptive noise-reducing anisotropic diffusion filter

In image processing and computer vision, the denoising process is an important step before several processing tasks. This paper presents a new adaptive noise-reducing anisotropic diffusion (ANRAD) method to improve the image quality, which can be considered as a modified version of a speckle-reducing anisotropic diffusion (SRAD) filter. The SRAD works very well for monochrome images with speckle noise. However, in the case of images corrupted with other types of noise, it cannot provide optimal image quality due to the inaccurate noise model. The ANRAD method introduces an automatic RGB noise model estimator in a partial differential equation system similar to the SRAD diffusion, which estimates at each iteration an upper bound of the real noise level function by fitting a lower envelope to the standard deviations of pre-segment image variances. Compared to the conventional SRAD filter, the proposed filter has the advantage of being adapted to the color noise produced by today’s CCD digital camera. The simulation results show that the ANRAD filter can reduce the noise while preserving image edges and fine details very well. Also, it is favorably compared to the fast non-local means filter, showing an improvement in the quality of the restored image. A quantitative comparison measure is given by the parameters like the mean structural similarity index and the peak signal-to-noise ratio.     

SRAD-CNN for adaptive synthetic aperture radar image classification

The performance of synthetic aperture radar (SAR) image classification based on a conventional convolutional neural network (CNN) is limited by a trade-off between immunity to speckle noise and the ability to locate boundaries accurately. Difficulties regarding the accurate location of boundaries are a result of the smoothing effect of the pooling layer. To address this issue, we propose a novel framework called SRAD-CNN for SAR image classification. In this framework, we apply a filtering layer constructed according to prior knowledge of the speckle reducing anisotropic diffusion (SRAD) filter. The filtering layer can not only reduce speckle but also enhance the boundaries. The main parameter that controls the degree of filtering can be optimized adaptively by a backpropagation algorithm. Image patches adaptively filtered by the filtering layer are then put into the CNN layers to assign a label. Due to the effect of the filtering layer, for our proposed SRAD-CNN, both the speckle noise immunity and the sensitivity to boundaries are superior to those of conventional CNN.To confirm the performance of the proposed SRAD-CNN, we conducted experiments using both simulated and real SAR images. The experimental results demonstrated that the parameter of the filtering layer could be optimized adaptively for different scenes, different noise levels, and different image resolutions. The SRAD-CNN outperformed the conventional CNN in both overall classification accuracy and maintenance of boundary accuracy on images with different resolutions and noise levels with limited training samples.     

极化SAR相干斑抑制的非局部加权最小均方误差滤波算法

目的 相干斑的存在严重影响了极化合成孔径雷达(PolSAR)的影像质量.对相干斑的抑制是使用SAR数据的必不可少的预处理程序.提出一种基于非局部加权的线性最小均方误差(LMMSE)滤波器的极化SAR滤波的方法.方法 该方法的主要过程是利用非局部均值的理论来获取LMMSE估计器中像素样本的权重.同时,在样本像素的选取过程中,利用待处理像素的极化散射特性和邻域块的异质性来排除不相似像素以加速算法,同时达到保持点目标和自适应调节块窗口大小的目的.结果 模拟影像和真实影像上进行的实验结果表明,采用这种方法滤波后影像的质量得到明显改善.和传统的LMMSE算法相比,无论是单视的影像还是多视的影像,本文方法去噪结果的等效视数都高出8视以上;峰值信噪比也提升了5.8 dB.同时,去噪后影像分类的总体精度也达到了83％以上,该方法的运行效率也比非局部均值算法有了较大提升.结论 本文方法不仅能够有效抑制相干斑噪声,还能较好地保持边缘和细节信息以及极化散射特性.这将会为后续高效利用SAR数据提供保障.     

An improved speckle-reduction algorithm for SAR images based on anisotropic diffusion

This paper mainly studies the algorithm of anisotropic diffusion for speckle noise removal of SAR images. Because the Gauss curvature driven diffusion method is sensitive to the noise and is of low efficiency on suppressing the speckle noise, an improved denoising algorithm is proposed. The new algorithm introduces the difference curvature as the diffusion coefficients of the function, which solves the problem that Gauss curvature driven diffusion is sensitive to the speckle noise, further, Tukey’s biweight function is used to control the curvature diffusion model, which can not only better protect edges, but also automatically control the diffusion. Numerical experiments show that the improved algorithm can preserve the information of textures, edges while inhibiting the speckle of SAR images.     

结合核方法的选择性各向异性扩散去噪算法

在低信噪比图像噪声抑制处理中,为了有效地保持图像边缘,在基于多相位分层分割算法的各向异性扩散模型的基础上,提出一个基于核方法的选择性各向异性扩散去噪算法。该算法根据图像数据的线性不可分特点,首先利用核方法把多相位分层分割算法中的数据项从线性不可分的低维空间推广到可实现线性可分的高维特征空间,在特征空间中实现图像分割;然后根据分割得到的同质区域的梯度信息改进了P-M模型中的扩散系数;最后,在同质区域中采用改进的P-M模型平滑噪声。实验结果表明,该算法无论在噪声去除还是边缘保持上都具较好的效果。     

改进权值非局部均值超声图像去噪

目的 超声图像斑点噪声会影响诊断的准确性和可靠性。通过分析超声图像斑点噪声统计模型,结合非局部均值滤波算法,提出一种基于超声斑点噪声模型的改进权值非局部均值（NLM）滤波算法。方法 算法针对超声图像灰度信息对图像进行预处理,利用超声图像斑点噪声模型改进传统NLM算法的权值计算函数,基于图像特征确定最优采样间隔进行下采样,利用改进后的权值计算函数对图像进行NLM去噪处理。结果 分别采用人工合成与真实超声图像对本文算法性能进行测试,并与传统非局部均值滤波算法、非局部总变分（NLTV）等算法进行去噪效果比较,同时采用均方误差、峰值信噪比和平均结构相似性作为滤波算法性能的客观评价指标。本文算法能快速完成超声图像的去噪处理,峰值信噪比较其他算法可以提高0.2 dB以上,可以降低均方误差,提高平均结构相似性,缩短处理时间,并得到较好的图像质量和视觉效果。结论 根据超声图像斑点噪声模型对NLM算法的权值计算函数进行优化,使得NLM图像滤波算法能更好地适用于超声图像的去噪,基于超声斑点噪声模型的改进权值NLM算法相较于其他算法,滤波效果更佳,适合超声图像去噪。     

用于超声斑点噪声滤波的各向异性扩散新模型

由于扩散系数的缺点,原斑点噪声各向异性扩散模型(Speckle reducing anisotropic diffusion, SRAD)有产生板块效应、模糊弱边界与细节等缺点. 本文通过改进扩散系数,提出一种新的斑点噪声各项异性扩散模型(New speckle reducing anisotropic diffuse, NSRAD), NSRAD中采用一个S型函数作为扩散系数:在同质区域中,采用各向同性扩散, 避免了板块效应; 在结构性区域中,扩散速度变化敏感,同时以更快趋向于0的速度扩散,因此,提高了该区域的分辨率,达到增强细节和弱边界以及保留边界的锐利性的目的. 仿真图像的定量分析证明新方法不仅比原SRAD除噪更有效,而且提高了除噪后图像与原图像的结构相似性,同时具有更小形变. 真实图像的试验结果也证明新方法在有效除噪的同时消除了黑板刷效应,增强了边界以及细节.     

改进各向异性扩散模型在图像滤波去噪中的应用

为了增强锅炉水位计图像滤波去噪效果,提高图像清晰度,便于后期液位计图像识别研究,通过分析P-M各向异性扩散模型、选择扩散模型及You Yu-Li和Kaveh M四阶偏微分方程的滤波去噪算法,提出了改进各向异性扩散模型滤波算法.所提算法对Perona和Malik两个扩散函数均值化,并引入标准差作为梯度期望值的偏差裕度,结合了P-M各向异性扩散模型保边缘特性的优点,并消除了由于传统各向异性滤波算法迭代过度所造成的阶梯缺陷问题,确保图像有用信息不缺失和像素点平滑度.实验结果表明:所提算法能够更好地降低噪声对目标信号提取产生的影响,提高了图像识别鲁棒性,增强了图像平滑滤波效果,保证了锅炉水位计图像边缘清晰度和完整性.