小波域三维块匹配图像去噪

提出了一种关于图像去噪的三维块匹配算法（BM3D算法）的改进算法。它不仅保留了三维块匹配算法好的性质,而且最大的优点是能大大减少计算量,缩短运算时间。算法包括三个步骤：首先,对含噪图像进行小波分解;其次,对小波分解后的高频分量用三维块匹配（BM3D）算法进行去噪处理;最后,用处理后的结果进行小波重构得到去噪图像。给出了该算法的详细实现过程,并把它与以前的三维块匹配算法进行了比较。结果表明,改进后的算法,不但保留了三维块匹配算法在去噪方面好的性质,而且大大减少了运算量。     

三维块匹配波域调和滤波图像去噪

针对当前图像去噪算法缺乏对整体结构的分析以及运算量过大的不足,提出了一种利用波域调和滤波扩散模型改进BM3D去噪技术的新算法。首先,利用传统的欧氏距离法将相似二维图像块合并,得到三维数组,再将联合滤波后的三维数组进行逆变换,得到图像的预估计数据。其次,通过小波分解变换提取预估计图像中的高频部分进行滤波,为避免边缘模糊,引用拉普拉斯高斯算法构建新算子并将其代入扩散模型。最后,进行小波重构,以得到原始图像的最终逼近,从而均衡运算速度和去噪性能,保护图像完整的结构信息。实验结果表明,新算法的去噪性能优异,内部信息保护更具完整性,运算速度合理,有利于实际应用。     

自适应匹配追踪图像去噪算法

针对目前的稀疏去噪算法分解效率低、去噪效果不理想的问题,提出了一种基于自适应匹配追踪的图像去噪算法。该算法首先通过自适应匹配追踪算法求解稀疏系数,然后利用K奇异值分解算法将字典训练成能够有效反映图像结构特征的自适应字典,最后将稀疏系数与自适应字典相结合来重构图像。在重构过程中,将噪声对应的系数去除,最终达到去噪的效果。算法引入Spike-Slab先验来引导稀疏系数矩阵的稀疏性,并利用两个权重矩阵促使去噪模型更加真实。鉴于字典在稀疏算法中的重要性,将自适应字典与DCT冗余字典、Global字典进行比较。实验结果显示,选择自适应字典的去噪结果比传统字典在峰值信噪比上高出约4.5 dB;与目前6种主流的稀疏去噪方法相比,文中提出的方法在3种评价指标上均有不同程度的提高,其中峰值信噪比平均提高了约0.76~6.24 dB,特征相似度平均提高了约0.012~0.082,结构相似性平均提高了约0.015~0.108。对图像去噪算法进行定性的评价,结果显示所提算法保留了更多的有用信息,视觉效果最佳。实验充分证明了自适应匹配追踪图像去噪算法对图像去噪的有效性和鲁棒性。     

多级块匹配变换域滤波图像去噪

为了进一步提高非局部变换域滤波方法的图像去噪性能,提出一种多级块匹配变换域滤波方法.通过块匹配找到含噪图像中若干相似的图像块,然后执行相似图像块间的一维Haar小波变换,再用硬阈值收缩变换系数实现图像降噪;由于图像中充分相似的图像块数量是有限的,仅用一步上述操作并不能完全去除图像中的噪声,因此通过迭代策略去除剩余的噪声.实验结果表明,无论是PSNR值还是主观视觉质量,该方法的去噪结果都优于块匹配三维滤波方法.     

基于块分类和字典优化的K-SVD图像去噪研究

基于K-奇异值分解（K-SVD）的图像去噪方法使用K-SVD算法训练得到的过完备字典对图像进行稀疏表示去噪,能够在去除噪声的同时较好地保持原始图像信息。但该方法缺少对图像结构特征的考虑;此外,K-SVD算法训练得到的字典中往往含有噪声原子,从而导致该方法在强噪声下去噪性能欠佳。针对这些局限性,提出一种新的去噪方法：基于块分类和字典优化的K-SVD去噪方法。首先通过图像块的分类训练得到与图像结构相适应的字典,能够更为稀疏地表示图像;然后通过噪声原子检测将字典原子分为噪声原子和非噪声原子,并对噪声原子进行替换,减弱噪声原子对去噪性能的影响,得到优化字典;利用优化字典对图像进行稀疏表示去噪。仿真实验表明,与非局部均值去噪、曲波去噪以及经典K-SVD去噪等算法相比,新方法能够取得更好的去噪结果。     

基于PCA和总变差模型的图像融合框架

为了能够抑制融合图像中的噪声且提升融合效果,提出一种在进行融合时去噪的新框架,并在此基础上提出一种基于主成分分析(PCA)的融合框架.首先将源图像进行PCA操作,依据前几个主成分重建图像,再经下采样过程得到近似图像;然后通过上采样得到与上层图像的差异图像,即细节图像;最后将最底层近似图像与各层细节图像累加,完成图像的重构.将该框架纳入总变差模型后形成一种新的具有融合和去噪效果的框架.实验结果表明,该方法不仅能对同分辨率图像融合,获得较好的融合效果,而且在全色图像和多光谱图像的融合中可较好地保持光谱信息和空间信息,并能够抑制图像中存在的噪声.     

基于单张人脸图像三维形状模型重建

在人脸图像识别优化的研究中,针对由单张人脸图像重建三维模型时对人脸图像姿态存在要求的问题,为了提高识别精度,提出基于单张人脸图像姿态预估计和主成分分析(PCA)的形状模型重建算法.首先由三维姿态估计方法得到人脸姿态,并建立人脸形状模型样本库,然后通过选取的特征点,利用主成分分析进行三维人脸形状模型的重构,最后利用径向基函数(RBF)变换和特征点坐标精确调整三维人脸形状模型,并进行仿真.仿真结果表明,重构的三维人脸形状模型效果良好,提高了精度,对有旋转姿态的人脸图像和特征点定位误差也有很好的鲁棒性.     

基于内容的自适应块匹配改良算法

块匹配算法作为一种像素匹配的传统算法,由于匹配精度不稳定和计算复杂度大等缺点,从而导致其应用受到了很大的限制.为此,提出了一种改良的自适应块匹配算法.该算法先对目标图象内容进行预处理,并通过与统计阈值的比较,实现了相关窗口大小的自适应调整;同时对算法中的相关窗口隔点采样,利用镂空相关窗口进行匹配,从而在保证计算精度的前提下,很大程度上降低了计算复杂度;在累积误差的消除上,则利用匹配内容的几何约束关系和像素参数等特点进行二次定位.此外,还将彩色视频在亮度空间的YUV一维坐标进行投影,然后计算投影结果的相关值,从而实现了算法在彩色视频中的应用.实验证明,匹配精度和匹配速度有明显提高,该算法可应用在人脸特征点的跟踪和匹配.     

基于稀疏编码收缩和Contourlet变换的红外图像去噪

针对稀疏收缩编码法和Contourlet变换的不足,提出了一种新的图像去噪算法。算法可以很好地解决含有加性未知噪声方差的红外图像去噪问题。实验表明,与传统方法、稀疏编码收缩法和Contourlet域降噪方法相比,该算法进一步提高了SNR值,降低了MSE值,获得了更好的图像恢复质量。     

分数阶三维块匹配去噪算法

提出了一种分数阶三维块匹配去噪算法,以克服分数阶积分去噪中低频轮廓保留不精确的缺点和三维块匹配算法中高频纹理细节成分保留较差的缺点。描述了分数阶积分去噪方法应用在数字图像处理中的数学理论原理;构造了分数阶积分去噪模板,并具体分析了分数阶阶次选择对去噪结果的影响;从主观视觉评价和客观峰值信噪比(PSNR)度量两个标准对提出的去噪算法性能进行了分析。从去噪实验的结果来看,提出的分数阶三维块匹配算法在去噪图像高频细节纹理的保留上与诸如小波去噪、非局部均值等算法相比取得了更佳的结果。通过对本算法的数值实现,以及与多数流行去噪算法结果进行数值分析,证明了分数阶积分三维块匹配理论的正确性和合理性,得出了本算法效果更佳的结论。     

主成分分析用于图像压缩预处理的比较研究

JPEG是一种广泛应用的图像压缩和解压缩标准,其预处理采用简单的线性变换,将彩色图像从RGB转换到亮度/色度空间(YCbCr),达到了去除分量之间相关性的目的。为获取高压缩率,文章提出了以主成分变换进行彩色图像预处理的方法,该方法对每个图像单元进行变换,去除彩色分量之间的相关性。实验表明,其去相关性能优于JPEG的线性变换,并且在同压缩比下,其PSNR高于JPEG,图像质量优于JPEG。     

基于BM3D图像去噪算法的参数研究

BM3D算法是目前最好的图像去噪算法之一,最近提出的很多更有效的去噪算法都是以BM3D算法作为对比基准。BM3D算法先通过块匹配生成三维矩阵,然后在三维变换域去噪,最后逆变换还原图片。通过对BM3D算法的深入研究,发现BM3D算法的性能与它的参数密切相关。针对BM3D算法的参数进行了实验统计,并对BM3D算法的参数设置进行了总结。实验不仅验证了BM3D算法在图像去噪方面取得了较好效果,而且为BM3D算法的参数设定提供了借鉴。     

基于分块主成分分析的人体运动合成

在高维运动数据处理中,传统降维方法过度关注于保护拓扑结构和重构信息,导致低维子空间参数具有不可理解性。针对该问题,提出一种基于分块主成分分析的运动合成方法。对根据人体骨骼结构特点分组的运动数据进行分块主成分分析,获得具有特定语义的低维子空间参数。以跳跃运动为例进行实验,结果表明,该方法通过直观地改变具有语义的运动参数,可实时合成满足要求的运动结果。     

广义主分量分析及人脸识别

传统的主分量分析和Fisher线性鉴别分析在处理图像识别问题时都是基于图像向量的。该文提出了一种直接基于图像矩阵的主分量分析方法,它的突出优点是大大加快了特征抽取的速度。在ORL标准人脸库上的试验结果表明,该文所提出的方法不仅在识别性能上优于传统的主分量分析方法和Fisher线性鉴别分析方法,而且特征抽取的速度得到了很大的提高。     

基于PCA和平行坐标的高维数据可视化

将平行坐标用于高维数据的可视化时,如果要展示的数据维太多,会发生可视化混乱。针对上述问题,提出一种结合主成分分析(PCA)和平行坐标的数据可视化方法PPCP。利用PCA方法对高维数据进行有效的降维处理,将降维后的数据进行平行坐标可视化展示。实验结果证明,该方法能有效地揭示高维数据之间的关系。     

基于主成分分析的表面缺陷自动检测算法

为检测产品表面的缺陷,提出一种基于主成分分析的自动检测算法。利用主成分分析法进行图像重构,以增强缺陷特征,对比原图像与重构图像,得到缺陷信息,通过统计过程控制二值化方法检测出缺陷。实验结果表明,该算法检测效果较好,运算速度较快,对于80张不同的表面图片,平均缺陷检测率达80%。     

基于主分量分析的矢量量化数字水印算法

针对矢量量化过程中码书训练复杂的缺点,基于主分量分析方法对图像进行降维,根据降维后各主分量熵和标准差的差异性对其进行分类,采用非均匀矢量量化方法生成码书。在水印嵌入过程中,将水印图像嵌入降维后主分量能量适中的码书中以提高水印图像质量,利用EENNS算法代替完全搜索算法缩短编码时间。实验结果表明,该算法在提高码书质量的同时,能有效减少码书训练时间,对JPEG压缩、剪切、旋转等图像攻击也具有较强的鲁棒性。     

基于混合PCA和KFD的多级说话人确认

提出一种基于混合主成分分析(PCA)分类器和核Fisher判别(KFD)的多级说话人确认方法。利用PCA对注册说话人的特征向量进行降维,根据转换矩阵得到说话人特征向量的主成分空间和截断误差空间,结合这2个空间构造混合PCA分类器,用于快速判断最有可能的R个目标说话人,并采用KFD寻找最终目标说话人。仿真实验结果验证了该方法的有效性。     

基于BM3D的复杂纹理区域图像去噪

纵观图像去噪领域,目前也出现了一些效果较好,并且应用广泛的图像去噪算法,例如频域滤波中的小波分解、遗传算法(GA)、字典学习算法(K-SVD)、非局部滤波(Non-Local Means,NLM)等等,可以说在单图像去噪上效果最被认可的还是块匹配3D去噪(BM3D)。但在该方法应用的过程中,还是出现了一些需要改进的实际问题。特别是在图像复杂纹理区域的去噪上,由于BM3D去噪的结构特性,导致了在该区域上并没有得到较好的效果。所以在该文提出了一种结合TV模型和改进的Prewitt边缘检测的混合去噪方法。最后的实验结果也表明了改进的BM3D方法相对于原始的方法还是取得了不错的提升。     

基于PCA的图像小波去噪方法

目前使用的各种小波去噪方法基本上都是建立在对噪声方差精确估计的基础上，而对噪声方差的精确估计是很困难的．提出了一种采用主分量分析（PCA）提取小波系数的主要特征，通过对小波域中噪声能量的估计来实现去噪的新方法．首先利用PCA对小波高频子带进行局部特征提取；然后以主分量对小波系数进行重建的平均能量作为局部噪声能量的估计；将原小波系数的能量减去噪声能量，就得到去噪后的小波系数；最后用小波逆变换对剔除噪声分量后的小波系数进行恢复得到去噪后的图像．本文算法无需对噪声方差进行估计，因而更具实用价值．本文算法与“软阈值”、“硬阈值”去噪方法相比，峰值信噪比（PNNR）提高了2～8dB．实验证实了本文算法良好的去噪性能。