基于奇异值分解的图像降噪方法

由于奇异值分解可以有效地提取图像的主要特征,为了提高算法的鲁棒性,通过将矩阵的奇异值分解引入振幅-相位恢复算法,提出了基于奇异值分解的抗噪声多强度相位恢复算法。首先,将奇异值分解引入振幅-相位恢复算法,在振幅-相位恢复算法取平均值之后,对恢复的图像进行奇异值分解,奇异值较小的分量认为是噪声,保留奇异值较大的分量,将奇异值较小的分量置为0。其次,通过数值模拟实验可以看出,通过奇异值分解,不仅可以去除测量过程中所引入的噪声,而且还可以充分利用自然图像稀疏的特性,加快振幅-相位恢复算法的收敛,且具有更少的算法运行时间。     

基于加权高阶奇异值分解的支持张量机图像分类

为了有效提高图像分类的准确率,充分利用图像本身的结构信息并压缩图像数据,首先构造三阶图像特征张量,利用非负矩阵分解(NMF)在张量子空间降维,提出了一种基于二维主成分分析(2DPCA)来得到NMF初始点的方法,保证了图像信息的有效利用.然后,为了保持降维后的张量子空间所在的流形空间的本征结构,根据图像类标构造权值矩阵,并把图像集合构造成四阶张量实现图像的分类.通过对两个图像数据库的实验,表明该方法能有效提升图像分类的准确率.     

基于高维张量奇异值分解的图像加密

现有基于奇异值分解(SVD)的彩色信息加密系统提供了一种光学矩阵分解方案、安全的密文和敏感的密钥。高维张量奇异值分解(HOSVD)是SVD矩阵的自然线性延伸,提出了一种基于HOSVD的彩色图像加密算法。在加密过程中,HOSVD比SVD提供了更多的密文乘法组合次序。这些乘法组合次序可以有效地增加未经授权的解密难度。在解密过程中,HOSVD的重建精度比SVD更高。这些优点提高了准确性、安全性和鲁棒性。通过对100个图像测试数据集的计算机仿真验证了该算法的可行性。     

基于奇异值分解的图像去噪

提出了利用奇异值分解去除图像噪声的方法。从矩阵的角度出发,通过对图像矩阵进行奇异值分解,将包含图像信息的矩阵分解到一系列奇异值和奇异值矢量对应的子空间中,然后通过有效奇异值重构图像矩阵达到去噪目的。试验利用MATLAB通过对MRI(核磁共振)医学图像进行去噪处理,验证了奇异值分解的去噪效果,并且通过对多幅图像的试验结果进行分析,得到了去噪重构图像时所需有效奇异值数目的统计值。     

Shearlet变换和奇异值分解的图像隐藏方法

为了更好地平衡Shearlet域图像隐藏不可见性、鲁棒性和算法时间复杂度之间的关系,提出了一种基于Shearlet变换和奇异值分解的图像隐藏方法。利用Shearlet变换的能量聚集性、小波包分解低频子带抗攻击性强和矩阵奇异值良好的稳定性,载体图像先进行Shearlet分解,得到的低频子带再进行二级小波包分解。将秘密图像的重要信息位平面隐藏到小波包分解低频系数的奇异值矩阵中,次要信息嵌入Shearlet高频子带中。实验表明,该算法对高斯噪声、滤波和剪切等攻击都有较好的鲁棒性,同时,不可见性较好,时间复杂度较低。     

基于奇异值分解的图像目标跟踪算法

传统相关跟踪方法是利用模板图像与目标图像对应像素的灰度差异信息进行跟踪,它对旋转变化敏感,且存在跟踪累积误差,容易导致模板漂移而丢失目标。文中提出基于奇异值分解的跟踪算法,算法首先建立模板图像训练集合,利用奇异值分解方法,张成模板图像特征空间,然后求出模板图像在特征空间里的投影值,代替传统算法中灰度对两幅待匹配图像进行的全局搜索定位。在进行投影值间的相似性度量时,欧氏距离同等对待所有的特征向量不移合理,文中采用了一种鲁棒估计方法,可以对不同距离的值做不同处理。匹配跟踪实验效果良好。     

基于奇异值分解动态寻找最佳压缩比的方法

针对奇异值分解变换在对图像进行压缩时,其压缩比是动态可调的,从而提出了一种新的方法,在图像压缩过程中能自适应的寻找最佳压缩比。文章引入能量差Q的概念,利用Q与奇异值个数q之间的关系,通过确定合适的Q值,动态寻找最佳的q值,从而达到动态图像压缩的目的。经过对多幅灰度图像的压缩实验证明,该方法切实可行,具有一定的应用前景。     

基于奇异值分解的图像匹配方法

传统的图像匹配方法中, 由于实时图和参考图之间存在着灰度差异和几何形变,仅用灰度作为特征进行匹配算法的性能很容易受到影响。文中提出了一种基于奇异值分解的图像匹配方法。该方法首先利用奇异值分解方法,求出模板图像矩阵的奇异值及奇异值向量,用它们作为模板图像的特征代替传统算法中的灰度对两幅待匹配图像进行全局搜索定位。由于奇异分解方法所特有的优越性,匹配实验取得了良好效果。实验结果验证了该方法的有效性。     

基于奇异值分解的基图像的人脸识别

研究了基于奇异值分解的人脸识别问题。首先证明了图像的大量信息主要体现在图像矩阵奇异值分解的前几个最大奇异值所对应的左、右奇异向量中,然后给出了模板图像的基图像,并将图像展开成基图像的线性表示,提取其组合系数作为图像的代数特征并用于人脸识别中。实验表明,较以投影系数向量为代数特征的人脸识别方法,该方法所需的运行时间明显降低,而且与基于奇异值向量作为图像特征的方法相比,该方法的识别精度明显提高。     

基于SVD的小波变换图像去噪方法

针对传统SVD图像去噪方法的不足,提出了一种基于SVD分解的小波分解图像去噪方法。通过对小波变换的系数矩阵进行奇异值分解,将其中的信号特征成分和噪声分解到不同的正交子空间中,在子空间中选取集成信号特征成分的奇异值矢量进行重构,从而提取出淹没在噪声中的信号成分。实验结果表明该文提出的方法适用于图像信号的提取,与传统的SVD去噪方法相比,它提取出的信号特征成分更完整,信噪比更高。     

基于多分辨奇异值分解的多聚焦图像融合

提出了一种多分辨奇异值分解（MSVD）的新框架,并把它应用于多聚焦图像融合中.首先,基于分块算法原理,利用奇异值分解获得具有不同分辨率的一幅近似和三幅细节图像.然后结合重构算法,给出了图像的融合框架.其次,对比基于离散小波变换（DWT）的融合算法,基于MSVD的融合效果更好,而且 MSVD的基向量只依赖于图像本身而不像小波需要固定的基.最后,采用客观性能指标对结果图像进行评价.实验结果表明,本文的方法不仅简单易行,而且图像表现出良好的视觉效果,清晰度和空间频率都有很大提高.     

块奇异值分解和量化实现的图像数字水印算法

讨论了当前将水印嵌入在块奇异值分解（SVD,singular value decomposition）后最大奇异值中的图像数字水印算法不足,进而提出了两种新的将水印嵌入在块SVD后最大奇异值除外的其余奇异值中的图像数字水印算法。两种新算法均采用了量化嵌入策略,从而使两种算法在提取水印时无需任何原始信息的帮助。实验结果表...     

基于图像结构信息复数表示与奇异值分解的灰度图像质量评价方法

为了进一步突出图像结构中人眼敏感的重要特征,采用复数矩阵表示图像结构,将图像的局部方差和像素灰度值分别作为复数的实部和虚部。进而对复数矩阵进行分块奇异值分解,分析了传统奇异值分解图像质量评价方法的特点,将复数矩阵每一分块奇异值分布的标准差作为分块图像结构的表征,分别计算参考图像与待测图像对应图像分块奇异值标准差,从而得到了图像结构失真映射图谱,通过计算图谱中的数据分布特征得到最终的量化评价结果。采用LIVE数据库中包含5种失真类型的779幅测试图像验证所提的算法。试验结果表明,本文方法采用复数矩阵描述图像结构信息,平衡了对各种失真类型的敏感程度,与人眼视觉感知(HVS)的一致性优于传统方法。     

基于奇异值分解的特征跟踪方法

在传统的基于模板匹配的跟踪方法中，均是给定一个模板，然后从图像中各个位置取出一个个与模板大小一致的区域进行相似性度量，找出与模板距离最小的一个区域作为当前模板，以便进行下一步的匹配跟踪工作。在景象匹配和相关跟踪过程中，由于所面临的大多数是变化的场景，实时获取的图像与预存模板之间存在比较大的差异，传统相关匹配方法的应用就会受到限制；而且在跟踪过程中，随时更新模板会造成跟踪性能对扰动过分敏感，从而产生漂移。首先拍摄目标不同角度的图像（尽可能包含目标可能出现的所有情况），构成目标图像训练集合，抽取出特征矩阵，对它进行奇异值分解，构成一个关于目标的多维空间。然后再用匹配方法在全局范围搜索，找出目标的大致位置，并利用收敛方法在确定的大致位置内进行搜索，确定目标的仿射变换系数，从而得到一个目标位置的确切描述。     

基于Contourlet视觉模型和奇异值分解的图像质量评价

针对基于像素值的图像质量评价方法忽视图像结构信息和需要完全参考图像等问题,提出了一种基于Contourlet域奇异值分解CW-SVD,部分参考图像质量评价方法(contourlet weighted singular value decomposition)。在Contourlet域中,利用奇异值向量对图像结构的表征能力,结合人眼视觉敏感性确定每个子带的视觉权重,得到每个子带的评价测度,再综合得出图像的最终评价指标。实验表明,该方法应用于4种类型的降质图像质量评价时,比峰值信噪比(PSNR、MSSIM)等算法具有更好的稳定性和更好的主客观评价一致性。     

基于Pignistic概率转换和奇异值分解的证据冲突度量方法

针对常见证据冲突度量方法适应性差、准确性低的问题,提出了一种基于Pignistic概率转换和奇异值分解的证据冲突度量方法。首先通过Pignistic概率转换将证据焦元差异映射到信度差异上,构建证据复合信任函数矩阵。然后采用奇异值分解的方法提取矩阵特征,根据奇异值特性将矩阵特征空间划分为相似子空间和冲突子空间,综合考虑证据矩阵相似特性和冲突特性,将冲突子空间奇异值与相似子空间奇异值之比作为新的冲突度量因子。最后在全冲突场景、变信度场景、变焦元场景、焦元嵌套场景等多种证据冲突场景下将所提方法与常见方法进行了对比分析,结果表明所提方法具有适应性广、准确性高、稳定性好的特点。     

基于奇异值分解的PCNN红外与可见光图像融合

为了提升红外与可见光图像融合精度,提出了一种基于局部区域奇异值分解的自适应PCNN红外与可见光图像融合算法。利用局部区域奇异值构造局部结构信息因子,作为PCNN对应神经元的链接强度。经过PCNN点火处理,获得源图像的点火映射图,通过比较选择算子,选择源图像中明显特征部分生成融合图像。采用多组红外与可见光图像进行融合实验,并对融合结果进行客观评价。实验结果表明本文提出的算法在主观和客观评价上均优于已有文献的一些典型融合算法,可获得更好的融合效果。