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     

An Algorithm for Boundary Extraction Based on Turning Row Permutation into Sequence Permutation

Image output by computer is done row by row, the shortcoming of which is that we cannot know the topological relations between points at the image boundary. To obtain the closed boundary of the target from an image and turn points row permutation of boundary into sequence permutation, an algorithm based on 4-connection relation of pixel points is proposed and the analysis of its correctness and complexity is given. Compared with classical operators and existing method, the single pixel boundary extracted from gray images by this algorithm is more complete and more distinct. Moreover, it has a lower time complexity and can eliminate the noise inside and outside the target area. The obtained sequence permutation of points is also conducive to follow-up image processing.     

L1范数约束的非局部均值正则图像去模糊模型

为了保护图像边缘、细节等信息,建立了l₁范数约束的非局部均值正则模型.首先通过实验证明了非局部均值去噪算法余项的概率密度函数具有较强的拖尾性质,符合Laplace分布的特点.基于此,使用l₁范数约束的非局部均值去噪算法余项作为新的正则项,提出了新的正则模型.然后利用Bregman算子分裂算法求解得到相应的优化算法,并且可将新算法看成Plug-and-Play Priors算法的推广.实验结果表明,新模型在去除模糊,保护图像边缘、细节等信息方面的性能都优于l₂范数约束的非局部均值正则模型和Plug-and-Play Priors模型.     

压缩感知的天文图像去噪算法

针对压缩感知迭代收缩阈值算法在图像处理中存在收敛速度慢和去噪性能差的缺陷,提出了一种改进的高性能迭代收缩阈值天文图像去噪重建算法.首先,使用经典最速下降法中的BB线性搜索步长算子加快迭代收缩阈值算法的收敛速度;其次,为了进一步提高重构天文图像的质量,在传统Visu Shrink收缩阈值的基础上,提出一种下降Visu Shrink收缩阈值对图像信息进行筛选;由于阈值去噪方法在迭代重建的过程中会导致重建的图像中出现伪吉布斯效应,最后采用循环平移的方法在每次迭代过程中对获取的重建图像进行调整.多次的试验结果表明,与传统的压缩感知迭代收缩阈值算法相比,所提出的算法不仅能够获得较优的去噪性能和较快的收敛速度,同时可以有效地保护天文图像的特征和纹理等细节信息.此外,当选取的压缩采样比较低时,本算法也可以获得相对较高的峰值信噪比和视觉质量,进一步验证了本算法在天文图像去噪中的有效性.     

贝叶斯框架下的总变分图像去噪算法

针对经典去噪模型易造成图像细节丢失以及确定性算法无法自动估计去噪过程中的未知参数等问题,提出一种新的图像去噪算法.该算法在贝叶斯框架下,用总变分模型（TV）和伽马分布分别刻画原始图像及未知参数的统计特征,并基于最大联合分布的推导,估计最优原始图像.总变分模型使最终的能量泛函非线性且不可微分,因此,引入迭代重加权最小二乘法（IRLS）,通过迭代的方式用加权的L2范数逼近L1范数来表示图像的统计模型.实验结果表明,该算法可有效去除图像的噪声,提升去噪速度,使所恢复的图像在实际视觉效果和信噪比等方面均优于其他同类算法.     

基于正交投影学习的图像特征提取算法

为了改进低秩嵌入在数据重构和噪声抑制方面存在的不足,提高特征的识别准确度,提出了一种基于正交投影学习的图像特征提取算法,设计了半二次方的交替方向乘子法用于求解正交投影学习模型。 该模型通过引入正交矩阵保留样本的主要特征,引入范数约束使提取的特征更加显著;使用加权 Schatten p 范数来逼近秩的最优解。为提高模型的鲁棒性并使其适用于有监督场景,将广义相关熵用于数据项建模和分类损失函数的构建。 在不同规模数据集上的实验结果表明,所提模型具有比现有其他模型更优良的特征提取性能。     

基于压缩感知的图像快速重构去噪算法

针对传统的压缩感知重构算法运算量大,图像质量低的缺点,提出一种新的图像快速重构去噪算法。首先对图像进行一级小波分解,分别提取近似分量子图像和细节分量子图像,并对细节分量子图像进行软阈值去噪处理,然后对近似分量子图像和处理后的细节分量子图像运用新的压缩感知重构算法进行恢复,最后将恢复的细节分量和近似分量进行小波逆变换,得到重构后的图像。实验结果表明,新方法可减少重构时的运算量,有一定的去噪效果,且可提高图像质量。     

运用拓扑优化和分数阶扩散的图像去噪方法

针对目前经典的图像去噪方法去掉图像噪声的同时使边缘变得模糊这一局限性,提出了一种利用拓扑导数和分数阶扩散的图像去噪方法.基于拓扑优化的思想,以拓扑导数为指标,提取边缘点,并在边缘点处选取最优的各向异性扩散系数.利用对时间的分数阶扩散方程对图像扩散.本文确定扩散系数的方法具有全局性的特征.数值实验证明,算法能有效地去除图像中的噪声,并能很好地保留图像的边缘等细节信息.因此将分数阶扩散方法与拓扑优化思想相结合能获得很好的图像去噪效果.     

带几何约束的彩色图像选择性分割

为了解决彩色图像分割任务中有选择性的定位感兴趣区域的具体需求,基于Lavdie-Chen的灰度图像单水平集选择性分割方法,提出带几何约束的彩色图像选择性分割方法。该试验方法将彩色图像作为一个整体,求其梯度及边缘检测函数,借助边缘检测函数、目标物体约束点确定的距离函数以及形成的多边形内外面积,共同决定曲线演化进程中的方向与速度。区域信息的加入克服了边缘函数依赖单一图像梯度的缺点;正则化优化算法的引入克服了凹陷处分割效果不理想的缺点;加法分裂算子算法可以快速求解模型的Euler-Lagrange方程。试验结果表明,本研究提出的彩色图像选择性分割方法具有有效性强和正确性高的特点。     

基于多正则化约束的图像去运动模糊

针对图像去运动模糊问题的病态性,已有的方法通常引入对图像的正则化约束从而缩小解空间范围使其良态化,但单一的正则化约束并不能很好地估计点扩散函数和复原原始图像。基于此,本文提出一种基于多正则化约束的图像去运动模糊方法。首先,根据图像梯度符合重尾分布的特性,采用归一化的超拉普拉斯先验项作为对图像先验约束的正则项。其次,分析描述图像运动模糊的点扩散函数的内在特性包括稀疏性和连续光滑性;同时,采用点扩散函数自身的L₁范数保证其稀疏性并作为其中一项点扩散函数先验约束的正则项,采用Tikhonov正则化约束保证其连续平滑性并作为另一项点扩散函数先验约束的正则项,避免估计的点扩散函数中存在孤立的点。由于所建立的正则项虽然不可微但其是非严格凸函数,故引入辅助变量采用分裂法和交替求解法对所建能量方程进行求解,并利用小波软阈值公式求解辅助变量。本文方法对合成的运动模糊图像和实际相机抖动造成的自然模糊图像均进行实验,实验结果验证了该模型和求解算法的有效性和快速性。实验结果表明,本文方法提高了点扩散函数估计准确度,同时提高了复原图像质量,具有较好的复原效果。     

改进的偏微分扩散方程图像增强方法

通过改进P-M扩散系数和融入相干增强扩散改善了传统的P-M模型,使得裂缝图像非边缘处以改进后的P-M扩散为主,在边缘处以相干增强扩散为主,达到了对裂缝图像去噪和增强的目的．理论分析和仿真实验表明,提出的方案较传统的P-M模型能使地面图像的特征得到更好的保护,使裂缝更加明显,利用该方法对裂缝图像进行预处理后,提高了路面裂缝目标检测的准确性,体现了该方法的优越性．     

基于机器视觉的加工刀具磨损监测方法

为了对加工过程中刀具的磨损状态进行监测,针对麻花钻的磨损形式,提出基于机器视觉的加工刀具磨损监测方法. 根据磨损刀具图像的灰度分布特点,提出基于积分图加速和Turky bi-weight核函数的非局部均值去噪方法;采用单、双阈值大津法获取磨损区域的灰度区间,实现对图像的自适应对比度增强;提出基于形态学重构方法的磨损区域局部极值点提取方法,有效完成对磨损区域的检测和边界提取. 该刀具磨损检测方法成功应用于麻花钻头磨损状态的监测过程,实验结果表明,相较于目前已有的机器视觉监测方法,所提出的方法具有更高的检测精度和效率,准确地提取磨损轮廓,从而有效实现对刀具磨损状态的监测和自动化监控加工过程,达到降低人工成本和产品不合格率的目的.     

Parameter adaptive SAR image denoising method

In the traditional SAR image nonlocal means denoising algorithms, the patch similarity is measured by the accumulation of the pixel similarities, and a good denoising performance can be obtained for the additive noise model. This paper extends this idea to the multiplicative noise model for the SAR image, and improves the PPB (Probabilistic Patch-Based) algorithm under the weighted maximum likelihood estimation framework. Since the parameters setting in the PPB algorithm is complicated and it cannot adaptively get the best performance, this paper proposes a particle swarm optimization based parameter adaptive nonlocal means algorithm for SAR image denoising. Finally, experiments compared with the canonical PPB method on the real SAR image are carried out. Experiments demonstrate that the proposed method has a good performance in speckle reduction and details preservation.     

基于通道可靠性和异常抑制的目标跟踪算法

针对时空正则目标跟踪算法无法有效利用特征,为了缓解边界效应扩大搜索区域导致的滤波器倾向于从背景中学习的问题,提出基于通道可靠性和异常抑制的目标跟踪算法.构造通道正则项,在训练阶段求解不同特征通道对应的权重,实现对不同特征通道的加权,降低通道冗余并提高定位精度.在目标函数中加入异常抑制正则项,约束当前帧的响应图,实现滤波器模型的平滑约束.利用交替方向乘子法将求解目标问题转化为求滤波器、辅助因子以及通道权重的最优解.将所提算法在OTB2015、TempleColor128以及UAV20L公开数据集测试并与其他跟踪算法进行对比.实验结果表明,所提算法在快速运动、光照变化场景中的跟踪效果稳定,基本满足实时性要求.     

基于MLS点云模型特征的提取算法

针对以往特征提取算法提取边界特征效果不理想和特征识别时间较长的问题,提出了一种改进的点云模型特征边界线提取算法.该算法以移动最小二乘法为基础,在对已有的边界特征提取方法研究的基础上,结合研究对象棱角分明的特点,提取点云模型边界特征点集,利用双向搜索方法快速生成模型的特征边界线,并对得到的特征边界线进行特征修复,从而得到较为稳定的点云模型的特征边界线.实验结果表明,该算法能快速地提取点云模型的特征边界线,为后续基于特征边界的建模节约了大量时间.     

基于独立分量分析的运动目标精确检测

运动目标检测与跟踪是计算机视觉的难点问题.针对传统方法存在抗噪声、抗抖动性能弱等问题,将独立分量分析(ICA)的算法应用到目标检测与前景图像去噪环节中,目的是提高运动目标检测的鲁棒性和精确性,为后续处理提供尽可能多的目标信息.实验表明,ICA用于目标检测具有较高的鲁棒性,同时ICA用于前景图像去噪比传统的去噪方法具有更好的效果,较好地保留了目标的特征信息.     

基于余弦高斯核函数的非局部均值煤尘图像去噪

煤尘是引发煤矿事故的主要诱因,煤尘颗粒的分类测量对煤尘浓度的在线检测至关重要。近几年,颗粒图像分析处理技术的应用越来越广泛,但是煤矿井下环境复杂,煤尘图像在采集和传输的过程中,不可避免的会受到噪声的干扰,对后续的颗粒检测产生影响。因此,煤尘颗粒图像的去噪处理就显得十分重要。非局部均值去噪算法(Non-Local Means,NLM)在图像去噪方面效果显著,但是对于经典NLM,使用指数函数作为核函数会造成图像细节的缺失。为了改进这一缺陷,本文采用余弦加权的高斯核函数对传统的非局部均值算法进行改进,能够更好的保留去噪后图像的细节。通过实验结果表明,该算法的去噪性能明显优于经典NLM算法,能更好地保留煤尘图像中的细节信息。     

基于小波域自适应高斯混合模型的图像去噪方法

提出了一种基于小波系数局部统计模型的图像去噪方法。该方法利用小波子带的方向性特点以及小波系数尺度内的相关性,将小波系数的概率分布建模为一种自适应高斯混合模型,在贝叶斯框架中采用这种概率模型可以得到一种具有空间自适应性的贝叶斯萎缩函数。利用这种萎缩函数可以实现对小波系数的修正。实验结果表明,利用该方法进行图像去噪能够取得良好的效果,同时可以有效地保留图像的细节。     

带Besov忠诚项的图像去噪变分模型

对基于Besov空间的图像去噪模型,利用Besov空间B12,2与Sobolev空间H1的等价关系,引入用Besov模刻画梯度变化的忠诚项,从而得到一类新的图像去噪变分模型.给出了相应的基于小波的数值算法,不需要处理非线性偏微分方程,是一种高效的快速算法.数值实验表明新模型能够获得很好的去噪效果,同时还能够保持图像的边缘和细节.     

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.