基于张量分解的电阻抗三维成像方法

针对现有的三维电阻抗成像只是对图像横截面的单独重建,然后罗列为三维进行显示,没有考虑到不同图层间的关联性,致使图像信息利用不充分的问题,提出一种基于张量分解的电阻抗三维成像方法。该方法将实验中测得的数据建立张量模型,使用张量分解可以对胸腔进行直接三维重建,能够充分利用图层间的关联性;并将该方法与总变差正则化（Total Variation,TV）成像算法、Tikhonov正则化重建算法进行实验对比。实验结果表明：基于张量分解的电阻抗三维成像方法,可以充分利用图像的空间结构信息,考虑图像层与层之间的关联特性,能够更加接近肺部的真实情况,准确地反映肺的状态,进而提高图像重建质量;基于张量分解的电阻抗三维成像方法相比于二维张量重建方法,将图像的峰值信噪比（PSNR）提高了13.8%。由此可得,与Tikhonov正则化以及TV成像算法相比,基于张量分解的电阻抗三维成像方法更适合电阻抗的图像重建工作。     

基于Shearlet变换的泊松噪声图像复原问题研究

为了解决泊松噪声图像的复原问题,几种正则化方法已被提出,其中最著名的是全变差（TV）模型,但TV模型会引起阶梯效应。总广义变差（TGV）是全变差的推广,用TGV作为正则项来恢复泊松图像,可以消除阶梯效应,但图像的边缘细节信息不能很好地保持。为了克服这个缺点,基于TGV和Shearlet变换,该文提出了一种新的正则化模型,并用交替方向乘子法（ADMM）求解。数值结果有效地展示了该模型在保持图像边缘细节上的优越性。     

去除乘性噪声的迭代重加权二阶正则模型

为了去除图像中乘性噪声的影响,在乘性噪声服从伽玛(Gamma)分布的假设下,提出了迭代重加权二阶导数(Hessian矩阵F范数)正则模型,从而推广了迭代重加权全变差正则模型．然后对迭代重加权Hessian矩阵F范数正则模型建立了原始-对偶算法．数值实验表明,文中模型和算法能够在有效去除噪声的同时,较好地保留图像的细节,抑制阶梯效应并避免边缘模糊．     

运用总变分最小化和振荡函数的图像分解方法

为有效地提取纹理和去噪而不损坏图像的边缘及其他重要细节,Meyer(2001)提出了分别用BV空间和G空间刻画图像的主体和细节部分,笔者在Meyer的图像分解模型基础上,建立能量最小化PDE方程,将模型离散化后,利用投影算法和ROF模型的求解方法,将图像分解为有界变差部分u和包含纹理和噪声的部分v.数值实验表明,此方法仅用共40次迭代就能达到很好的分解效果,且去噪的信噪比比ROF模型提高了29.95%,而且除能有效地提取纹理和去噪外本方法对图像的边缘及其他重要细节损坏较小.     

空间变化模糊的图像复原算法

传统的空间不变的模糊图像复原算法无法对空间变化图像取得良好的复原效果,空间变化的图像复原算法能够较好地复原图像,增强复原图像的可读性。新算法使用奇异值分解法将模糊核分解为基滤波器和系数滤波器的线性组合,提出一种总变分和小波框架双正则化模型。并使用ADMM算法将原问题分解为易于求解的子问题进行独立求解,使得算法能快速迭代收敛,在迭代过程中完成图像的复原与优化。实验结果表明:对于空间变化的模糊图像,提出的新算法能够较好地去模糊,取得较高的峰值信噪比和结构相似度,在主观评价上也具有良好的视觉效果。     

全变差图像去噪模型的快速求解

针对全变差正则化模型求解算法普遍存在收敛速度慢的问题,基于Bregman迭代正则化方法构建了一种快速求解全变差正则化模型的迭代算法。实验结果表明,该算法能快速求解全变差正则化模型,得到的复原图像在峰值信噪比和主观视觉效果方面有着明显提高。     

基于分数阶全变差和自适应正则化参数的图像去模糊

为更好地复原图像的纹理细节,避免求解图像去模糊模型时面临正则化参数难以选择的问题,提出了一种基于分数阶全变差（FOTV）模型和自适应更新正则化参数的非盲去模糊图像重建方法。首先,在分析不同分数阶下FOTV的幅频响应特性的基础上,采用不同分数阶次的FOTV模型约束图像的平滑（低频）部分和纹理细节（高频）部分,从而建立图像非盲去模糊重建模型。其次,为了有效地求解重建模型和实现两个正则化参数的自适应更新,采用交替方向乘子法(ADMM)将原本含有两个正则化参数的复杂问题分解成两个相对容易的子问题进行求解,每个子问题只含一个正则化参数。最后,根据偏差准则,在迭代求解过程中实现了两个正则化参数的自适应更新。将所提算法应用于包含平滑、边缘和纹理细节的多幅图像中,测试4种不同模糊核下的去模糊效果;与传统的4种去模糊算法相比,实验结果表明所提算法能自适应地更新两个正则化参数,对于纹理细节适中的图像具有较好的去模糊效果。     

基于改进总变差正则化算法的金属缺陷三维重建方法

为解决电磁层析成像(electromagnetic tomography,EMT)图像重建中的不适定性和病态性,将电磁层析成像用于金属缺陷检测,根据缺陷分布的稀疏性,提出了一种基于改进的总变差正则化算法(total variation,TV)的电磁层析成像图像重建方法,讨论了检测深度与激励频率的关系,利用三维重建算法对金属零件的表面和内部缺陷进行检测。通过仿真和实验评估了所提出算法的性能,并与Tikhonov正则化算法和L1正则化算法的重建图像和相对误差(relative error,RE)进行了比较。仿真和实验结果表明:使用改进的TV正则化算法重建的图像具有更好的图像重建效果和更小的相对误差,相对误差低至0.1左右,可以提高缺陷图像的重建质量和精度。     

基于多管秩和全变分的低秩张量填充

提出了一种基于酉变换张量低多管秩分解的张量填充方法。受多光谱图像中空间光谱平滑性特征的启发,在模型中加入了空间平滑(TV)正则项,并使用邻近交替极小化(PAM)算法求解该模型。多光谱图像(MSI)数据上的仿真实验表明所提模型和算法是有效的。     

基于边缘增强的正则化超分辨率图像重建

针对双边全变差正则化算法边缘区域重建图像效果不理想问题,提出一种基于边缘增强的正则化超分辨率图像重建算法。该算法在构造初始图像时,对样条插值后的图像先进行非局部均值滤波预处理,然后进行拉普拉斯锐化处理;采用L1范数度量数据保真项和正则项,并从自适应的角度确定正则化参数,从而增强算法的稳健性。实验结果表明,与样条插值算法、双边全变差算法相比,该算法能更好地增强重建图像的边缘信息。     

改进TV-H-1模型的图像修复方法

为改善现存图像修复算法在修复时存在的"灰度跳变"现象,同时降低运行复杂度,提出一种基于偏微分方程模型(称为Isophote-TV-H-1模型)和改进Criminisi算法的数字图像修复算法.首先利用图像分解模型(TV-H~(-1))获得缺损图像的结构部分和纹理部分;然后用Isophote-TV-H-1模型和改进的Criminisi算法分别对缺损图像的结构部分和纹理部分进行修复;最后将修复后的结构部分和纹理部分进行叠加得到最终的修复结果.实验结果表明,本模型与TV模型相比,能够较好地修复缺损区域中的纹理信息;与Criminisi算法相比,本模型通过对相似度度量方法的改进,有效地抑制了图像修复过程中的误差传播,并利用局部搜索(图像局部相似性)来替代传统的穷尽搜索,进而提高算法的效率.同传统的基于图像分解的图像复原算法以及TV模型相比,本模型能解决"灰度跳变"问题,获得更好的修复结果.     

一种图像尺寸调整的纹理感知突出边缘模型

图像尺寸调整的目的是将一幅给定图像调整为任意指定大小而不产生视觉扭曲,为此,须定义可靠的图像重要性图.利用总变差正则化空间的高阶统计提出一种新的图像重要性图,称之为纹理感知突出边缘图,基于纹理感知突出边缘图利用重要性扩散方法对图像进行尺寸调整.数值实验结果显示,在图像背景杂乱且受到噪声干扰的情况下,与目前流行的其他方法相比,文中方法能获得更好的图像尺寸调整效果.     

Image decomposition using the non-convex functional

This paper proposes a new model for image decomposition by non-convex functional minimization. Instead of using the Banach norm as the fidelity term, we use the integral of the square of residual component divided by its gradient as the fidelity term. This non-convex fidelity term has a very low value for the texture image and a high value for the geometric image, so it is appropriate for image decomposition. The gradient descent procedure is used to solve the proposed minimization problem, which leads to evolving a new nonlinear second-order partial differential equation(PDE) to a steady state. Compared with the total variation minimization(TV) model and the fourth-order PDE(OSV) model, the proposed nonlinear second-order PDE maintains many more sharp edges, so the texture part has less cartoon information. Experimental results also demonstrate that our model performs better than the standard TV and OSV models in image decomposition.     

Multi-channel fast super-resolution image reconstruction based on matrix observation model

A multi-channel fast super-resolution image reconstruction algorithm based on matrix observation model is proposed in the paper,which consists of three steps to avoid the computational complexity: a single image SR reconstruction step,a registration step and a wavelet-based image fusion. This algorithm decomposes two large matrixes to the tensor product of two little matrixes and uses the natural isomorphism between matrix space and vector space to transform cost function based on matrix-vector products model to matrix form. Furthermore,we prove that the regularization part can be transformed to the matrix formed. The conjugate-gradient method is used to solve this new model. Finally,the wavelet fusion is used to integrate all the registered highresolution images obtained from the single image SR reconstruction step. The proposed algorithm reduces the storage requirement and the calculating complexity,and can be applied to large-dimension low-resolution images.     

非监督的高光谱混合像元非线性分解方法

在进行高光谱混合像元非线性分解应用中,提出一种非监督的高光谱混合像元非线性分解方法.通过核函数把原始高光谱数据映射到高维特征空间中,揭示数据之间的高阶性质.通过非线性映射,原始数据在高维特征空间中变得线性可分.在高维特征空间中运用线性的非负矩阵分解(NMF)算法进行光谱解混,挖掘出数据间更多的特征.解混结果以端元相关系数、光谱角距离、光谱信息散度和均方根误差作为质量评价指标.进行模拟数据仿真实验和真实高光谱遥感数据分解实验,结果表明,采用该算法得到的分解结果优于非负矩阵分解算法.     

TV/L2-based image denoising algorithm with automatic parameter selection

In order to improve the adaptiveness of TV/L2-based image denoising algorithm in differ- ent signal-to-noise ratio （SNR） environments, an iterative denoising method with automatic parame- ter selection is proposed. Based upon the close connection between optimization function of denois- ing problem and regularization parameter, an updating model is built to select the regularized param- eter. Both the parameter and the objective function are dynamically updated in alternating minimiza- tion iterations, consequently, it can make the algorithm work in different SNR environments. Mean- while, a strategy for choosing the initial regularization parameter is presented. Considering Morozov discrepancy principle, a convex function with respect to the regularization parameter is modeled. Via the optimization method, it is easy and fast to find the convergence value of parameter, which is suitable for the iterative image denoising algorithm. Comparing with several state-of-the-art algo- rithms, many experiments confirm that the denoising algorithm with the proposed parameter selec- tion is highly effective to evaluate peak signal-to-noise ratio （PSNR） and structural similarity