基于自适应P-Laplace扩散的图像复原

针对图像复原问题提出基于自适应P-Laplace扩散的图像盲复原算法。该算法结合图像的梯度和曲率性质,采用各向异性的空间自适应正则化处理,建立具有非线性和各向异性扩散的正则化方程,使其在恢复目标图像时能自适应地进行梯度平滑和边缘保留。通过最小化能量方案极小化代价函数,同时通过定点交替迭代策略将非线性方程进行线性化处理,快速恢复图像。实验结果证明,该方法能对模糊图像进行有效复原,提高图像的质量。     

基于Split Bregman算法的图像复原

图像复原研究由来已久。一种比较传统的图像复原方法是假设系统的脉冲响应,即事先知道点扩散函数。然而,在大多数实际情况下,很难具体确定点扩散函数,我们仅能通过退化之后的图像来恢复图像,即图像盲复原法。图像盲复原法是在已经观测到的退化图像的基础上,根据特定条件建立合适的数学模型,从而在一定条件下获得最接近原始图像的逼近值。文章通过Split Bregman算法对灰度图和LAB图进行图像复原,并进行了对比实验。     

面向遥感图像无损压缩的CCD噪声抑制方法研究

CCD在成像过程中所产生的噪声会限制星地间遥感图像数据的传输效率。因此,为有效抑制CCD噪声并提高遥感图像的无损压缩比,本文提出了一种基于图像噪声标准差估计的各向异性扩散方法。首先,结合图像同质性测度和边缘提取结果提出一种遥感图像噪声标准差的自动化估计方法。而后,通过噪声模拟的方式拟合出图像噪声标准差与经典式各向异性扩散方程传导系数中梯度阈值的线性关系。基于图像噪声标准差估计和同质性测度结果,最终提出一种可自适应性调整传导系数值和迭代次数的噪声驱动式各向异性扩散方法。本文中分别采用北京一号小卫星多光谱遥感图像和标准测试图像对所提出的噪声估计方法和噪声抑制方法进行评价。试验结果表明,对比其他各向异性扩散方法,本文所提出的方法不仅可实现更好的图像复原效果,还可有效地提高多光谱遥感图像的无损压缩比,并为今后星上数据处理系统的研究提供一种较新的思路。     

基于平稳小波域的各向异性扩散图像去噪方法

针对传统的各向异性扩散去噪方法存在的导致图像细节丢失的问题,提出了一种基于平稳小波域的各向异性扩散图像去噪方法。该方法根据平稳小波变换的特性,通过在高频和低频子带上选用不同的梯度门限进行各向异性扩散,然后进行重构得到去噪后的结果图像。实验结果表明,该方法在有效去除噪声的同时,图像细节保留较好,去噪后的图像具有更好的质量。     

结合自适应倒易晶胞和HMT模型的斜采样遥感图像复原方法

传统的图像复原方法往往只考虑遥感图像获取过程中模糊和噪声对图像质量的影响,而忽略了图像混迭的影响.针对斜模采样系统调制传递函数各向异性的特点,通过自适应倒易晶胞确定图像中混迭和噪声较小的频谱覆盖范围;从图像复原的贝叶斯方法出发,以小波域隐马尔科夫树模型作为图像的先验模型,提出一种结合自适应倒易晶胞和隐马尔科夫模型的斜采样遥感图像复原方法.实验结果表明,该方法可有效地提高图像分辨率,较常用的图像复原方法复原效果更好.     

用于彩色图像复原的带有高阶耦合项的TV模型

提出了一种改进的TV(Total Variance)彩色图像复原方法。为消除TV模型的各向异性扩散导致的块效应,采用在TV模型的基础上耦合高阶项的新模型;并将这个新的模型推广到彩色图像,利用多通道的耦合机制实现各单色通道图像复原过程的相互制约。新模型保持了各向异性扩散的特性,图像的边缘得到了保持。实验结果证明, 与其它模型的复原 彩色图像相比,新模型复原的图像的峰值信噪比(PSNR)有了更大的提高,图像的非边缘区看上去更加平滑自然。     

带有高阶耦合项的各向异性扩散图像复原*

二阶各向异性扩散进行图像去噪容易产生块效应。针对这个方面的不足,通过在整体方差模型中引入高阶耦合项,使图像边缘得到保持的同时得到分片光滑的结果。分析了耦合系数和迭代次数对图像复原结果的影响。实验结果证明,引入高阶耦合项的新模型能够很好地防止块效应的产生。新模型与其他两种模型(整体方差模型、四阶偏微分复原模型)的图像复原相比,最大峰值信噪比比整体方差高出2 dB,比四阶偏微分高出1dB左右。     

各向异性扩散与高斯差分模型的多聚焦图像融合方法

利用各向异性扩散模型具有良好的边缘保持特性,提出一种基于各向异性扩散滤波与高斯滤波差分规则的图像融合算法。各向异性扩散方程对图像进行滤波操作,在图像的同质区域实施正向扩散以平滑图像,而在图像边缘实行较弱平滑以保护边缘细节信息。将通过各向异性扩散模型处理的图像与经过高斯函数滤波的结果图像进行差分操作,可以得到图像的高频系数信息。为提高健壮性,对高频系数进行小窗口累加,其作为像素选择准则,再分别从原始图像中直接获取对应的像素值组成融合结果图像。实验结果表明,所提出的方法可以有效地融合源图像信息,非常适合多聚焦     

基于异性扩散方法的数字图像水印研究

基于人类视觉系统的特性,提出一种结合各向异性扩散和小波域的数字水印算法。根据各向异性扩散在图像处理中具有良好的边缘保持与增强的作用,首先对原图像进行各向异性扩散,在其小波分解高频区域求解噪声敏感模型,确定水印嵌入合适位置,最后把水印信息嵌入到原图像的小波域的等同位置。实验证明了算法在保证水印不可见性的同时,具有较好的鲁棒性。运用各向异性扩散方法的结果也提高了水印方法的安全性。     

基于p—Laplace算子的CDD图像修补算法

图像修补是图像复原研究中的一个重要内容,它的目的是根据图像现有的信息来自动恢复丢失的信息,其可以用于旧照片中丢失信息的恢复、视频文字去除以及视频错误隐藏等。对如何将基于曲率驱动扩散模型用于图像修补进行了讨论,并提出一种基于p-Laplace算子的CDD图像修补算法,利用p-Laplace算子的非线性各向异性扩散的性能来填充受损区域,主要修补有划痕的旧照片和被文字覆盖的图像。采用峰值信噪比和运算时间两个参数来评定图像的修补效果。对修补后的图像来说,其峰值信噪比越大,修补时间越短,说明修补的效果越好和速度越快。实验结果表明,与原方法相比,能提高图像修补速度,使图片边缘过渡更加自然,修补效果得到改善。     

各向异性扩散平滑滤波的改进算法

图像的噪声过滤和增强是数字图像处理中非常重要的组成部分.在图像处理过程中,为了既有效地去除噪声,又能够较好地保持图像的边缘和重要的细节信息,在Perona-Malik各向异性扩散模型（PM模型）的基础上,通过对变分方法的扩散方程中扩散系数的改进,提出了一个对噪声图像更有效更具有适应性的去噪扩散模型.该模型针对不同的梯度大小采用了不同的扩散系数.在实际处理过程中该模型不仅能够有效地保持图像的边缘,而且还能够克服PM模型对小尺度噪声敏感和部分边缘和细节失真的问题.实验结果表明,改进的扩散模型的性能优于PM模型,是一种较为理想的保边缘平滑模型.     

基于分数阶非线性各向异性扩散的图像去雾算法

针对大多数各向异性扩散方程在去雾过程中容易模糊边缘细节的问题,提出一种基于分数阶非线性各向异性扩散的去雾算法.使用从模糊图像中提取的大气光作为各向异性扩散过程中的初始值,通过迭代扩散过程计算精细的大气光传输图.使用分数阶导数的Riemann-Liouville模型,将各向异性扩散过程推广到1～2之间的任何实数阶数,而且...     

相干光学系统图像复原的各向异性扩散方法

相干光学系统中图像噪声污染严重,提出一种基于各向异性扩散的图像复原模型,该模型的扩散系数从理论上满足Charbonnier等人提出的构造扩散系数准则,同时结合对数变换对相干光学图像进行复原去噪处理。实验结果表明,同SRAD、Lee、Frost、Non-local Means算法和基于小波的BLS-GSM、BM3D等方法相比,该算法可以更有效地进行边缘平滑,而且还能够较好地解决图像边缘和细节失真的问题,不论从PSNR,还是从视觉评价效果来看,该算法都具有一定的优越性。     

基于非凸的全变分和低秩混合正则化的图像去模糊模型和算法

非盲图像去模糊问题是从已知核的带噪声的线性卷积变换中恢复原始图像.如果噪声是满足高斯分布的,则可以直接使用最小二乘求解.然而在大多数情况下,去模糊问题都是高度病态的,直接求解无法做到.因此,通常的做法是通过抽取原始图像的已知统计先验信息进行正则化来帮助求解问题.两种常用的正则化是低秩和全变分.早期的相关工作单独使用这两种正则化.直到几年前,人们才考虑将这两种正则化结合起来.已有的结果表明,混合正则化模型比单一模型具有更好的性能.然而,目前的混合正则化方法只是采用凸方法,非凸的工作仍然是空白的.考虑到非凸正则化在很多种情况下都比凸正则化的效果要好,因此本文使用L1/2范数和Schatten-1/2范数提出了一种新的非凸混合模型.我们使用这两个非凸函数,因为它们的近端算子很容易计算.这种非凸混合正则化模型本质上是一个非凸线性约束问题,可以通过交替方向乘子法求解.然而,非凸性使得交替方向乘子法收敛十分困难.因此,我们转向求解原问题的惩罚问题.将交替最小化方法应用于惩罚问题就可以得到提出的算法,其中每个子步骤只涉及非常简单的计算.由于惩罚参数很大时,交替极小化算法速度会很慢,为了加速算法,针对惩罚参数我们使用了预热技术,即选取很小的初值但是在迭代过程中不断将参数增大.我们证明了该算法的收敛性.数值实验验证了本文提出的模型和算法的有效性.在非常温和的假设下,我们证明了算法的收敛性.数值实验验证了本文提出的模型和算法的有效性.     

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.     

一种改进的PDE图像去噪方法

研究用于图像去噪的偏微分方程;在理论上对去噪原理进行了分析。通过对扩散方程中扩散系数的改进,提出了一个对噪声图像更有效、更具有适应性的去噪扩散模型,对高斯噪声图像进行处理。与传统的各向异性扩散算法进行了比较并对偏微分方程的未来发展方向进行了展望。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图像噪声,提高图像的质量。     

基于GPU的血管造影图像增强方法*

血管增强扩散算法遵循多尺度方法,利用非线性各向异性扩散方法进行血管增强,该方法在可视化不同半径的血管和增强血管外观上比现存的大部分方法都要好,但医学图像数据分辨率和灰度级都很高,多尺度选择和求解非线性各向异性扩散的偏微分方程时运算量很大,执行速率低,不适合实际应用。提出一种基于GPU(graphic processing unit)的血管造影图像增强方法,采用计算统一设备架构(CUDA)技术,利用像素的独立性和偏微分方程求解的并发性,实现了并行血管增强扩散算法。实验结果表明,该方法在保持血管增强效果一样的同时降低了处理时间,加速比达到27倍以上。     

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。     

保边缘自蛇模型毫米波图像去噪

由于毫米波图像分辨率低并伴随有大量噪声,其图像边缘常被噪声污染或丢失,为此提出保边缘自蛇模型并应用于毫米波图像去噪。引入只在图像的边缘处具有最大值,且对噪声不敏感的非局部梯度,以此构造边缘停止函数,使其在图像边缘处接近0,而在平坦同质区域接近1;给出保边缘的自蛇模型迎风差分数字解法;提出毫米波图像去噪的定量评价算法性能指标。实验结果表明,该算法在等效视数和边缘清晰度性能指标上明显优于标准自蛇模型和保特征的各向异性扩散模型,具有较好的去噪效果和保边缘能力。