基于奇异值分解图像压缩算法的研究

提出了一种奇异值分解（SVD）的图像压缩算法,该算法通过对数字图像矩阵进行奇异值分解,将一幅图像转换成包含几个非零值的奇异值矩阵,实现图像压缩,便于图像的储存和传输。MATLAB仿真分析表明,矩阵的奇异值分解压缩方法具有较好的压缩性能,有效提高了压缩比。     

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。     

奇异值分解带通滤波背景抑制和去噪

针对可见光图像弱小目标检测中的背景抑制和去噪问题,提出了奇异值分解(Singular Value Decomposition,SVD)带通滤波新方法.首先分析了图像奇异值与目标、噪声和图像背景的关系,结果表明奇异值的高序部分更多地反映图像噪声,中序部分更多地反映目标性质,而低序部分更多地反映图像背景.以此为依据提出了SVD-I型和SVD-II型两种带通滤波器,并给出了奇异值曲线转折点法和门限准则法两种滤波器参数确定方法.实验表明SVD带通滤波能有效抑制图像背景,去除噪声,进而提高弱小目标的信噪比.     

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。     

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NQR信号去噪分析

核四极矩共振方法探测系统可用于炸药等危险品的检测,通常它们的核四极矩共振信号十分微弱,探测系统的输出信噪比很低,大大增加了检测的困难,文中基于奇异值分解,叙述了一种有效的去噪方法,从而有效地提高了系统的输出信噪比.     

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。     

基于奇异值分解法的红外热图像序列处理

针对脉冲涡流热成像检测技术中原始红外图像信噪比较低、温度对比性较差以及存在邻近效应和不均匀加热的问题,将奇异值分解法应用到热图序列的处理中以增强重构图像中的缺陷特征.介绍了奇异值分解法的原理,用奇异值分解法对实验中采集到的热图序列进行处理,以信噪比为指标对图像的处理效果进行评定.结果表明奇异值分解法能够抽取红外热图序列反映缺陷信息特征,可消除邻近效应和不均匀加热的影响,提高图像的信噪比.将奇异值分解法与主成分分析法比较,发现前者重构的图像质量高于后者,是处理红外热图序列的又一有效方法.     

基于本体和奇异值分解的图像数据索引查询算法

提出一种基于领域本体潜在语义索引和奇异值分解的图像数据查询算法,将查询扩展向量映射到潜在语义空间,根据相似度计算方法计算查询向量与图像文档之间的相似度,并将相似度大于阀值的文档作为检索结果降序排列返回给用户.该算法能更有效地提高图像检索的查准率和查全率.     

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。     

基于小波变换和改进SVD的红外图像去噪

针对小波变换红外图像去噪需要已知噪声先验知识的缺点,提出了一种基于分块奇异值分解的正交小波变换红外图像去噪新算法。首先对红外图像进行离散正交小波变换,并对高频图像采用改进的分块奇异值分解估计小波系数,其中对奇异向量采用傅里叶变换进行了修正;最后将低频图像与估计的高频图像通过小波反变换得到去噪图像。仿真结果表明,该图像去噪算法能在无噪声先验知识条件下有效去除图像噪声,信噪比有了明显提高,并获得了良好的主观视觉效果。     

基于形状角与分块图像的车辆轮廓分割算法

为了减小对车辆进行外形超限测量时其他车辆对图像的影响,精确地将目标车辆的轮廓信息分割并测量,提出一种基于形状角、结合分块图像与边缘提取的分割算法。对获取图像进行帧差法削弱背景边缘信息的影响,再用Canny算子边缘提取,将得到的轮廓信息进行基于形状角的识别与提取。提出了一种对图像进行分块分类的图像分割法。该算法有效解决了测量中背景对前景的影响。实验结果表明该算法具有较高的鲁棒性与准确性。     

加强边缘保护的Curvelet图像去噪方法

提出了一种基于Curvelet变换的图像去噪方法。我们改进了Starck等所提出的Curvelet变换，去除了“环绕”现象，并将硬阈值去噪法与基于子带相关的图像去噪法相结合，在去除噪声的同时对图像的边缘特征予以保护。实验结果表明，用该方法去噪后的图像PSNR值更高，视觉效果也更好。     

基于全变分理论的红外图像去噪

为了去除红外图像中的噪声,提出了一种基于全变分理论的去噪算法。该方法继承了经典全变分模型在去除噪声中保护边缘的优点,结合图像平滑扩散原理,得到了一个全新的扩散函数;同时引入了一个边缘检测算子,对正则项和忠诚项的相关参量进行了改进,使得修复后的图像大大避免了阶梯效应;最后对该算法的实现进行了推导。结果表明,该算法能够有效地去除噪声,并且避免了阶梯效应的产生。     

基于Contourlet变换的图像去噪方法

图像去噪是数字图像处理领域的一项重要技术.传统的基于小波变换的去噪方法,去噪效果不是很理想.为了解决这一问题,提出了一种基于Contourlet变换的图像去噪方法.实验结果表明,与传统小波去噪方法相比,该方法不但可以保留图像的边缘信息,而且能提高去噪后图像的信噪比.     

Shearlet变换域自适应图像去噪算法

首先采用Haar小波滤波器,设计出一种数字Shearlet变换算法。然后对Shearlet系数间的相关性进行统计分析,提出了一种尺度相关的自适应阈值收缩图像去噪算法。最后选用峰值信噪比和视觉质量为评价标准,实验验证算法的去噪性能。结果表明,本文算法获得更高的峰值信噪比,更好地保留了图像的细节信息。     

基于双边滤波与非局部均值的图像去噪研究

提出了一种基于双边滤波与非局部均值的图像去 噪算法,近年来提出的非局部均值算法是去噪效果非常 出色的算法之一,双边滤波去噪算法采用空间邻近度和灰度相似性构造新的权重系数,其取 得了良好的去噪效果,本文 据此改进非局部均值算法的权重部分,把空间邻近度因子与非局部均值的权重系数相结合, 构造新的权重系数。实验表 明,本文改进权重的非局部均值算法与已有的去噪方法相比,能得到更好的峰值信噪比,能 更好的保护图像细节以及结构信息。     

基于稀疏表达的图像去噪方法研究

提出一种基于混合字典的图像稀疏分解去噪方法。使用小波包函数和离散余弦函数构成混合字典,采用匹配追踪算法对图像进行稀疏分解,提取含噪图像中的稀疏成分,最后利用稀疏成分进行图像重构,达到去除图像中噪声的目的。实验中与单一字典稀疏分解去噪算法进行了对比,结果表明,所提出的混合字典稀疏去噪算法可有效提取图像中的稀疏结构,改善重构图像的主客观质量。     

基于非局部均值的彩色图像去噪

传统的彩色图像去噪算法通常是分层处理的,而忽略了彩色图像RGB通道之间的相关性,因此基于RGB通道联合相似度估计提出了一种新的彩色图像非局部均值去噪方法。在用非局部均值滤波对彩色图像进行去噪时,首先以目标像素为中心确定其支撑区域,然后根据多通道联合相似度估计确定权重,最后采用逐块滤波的方法对每一层进行滤波。并且针对彩色图像中含有的高斯噪声提出了一种新的噪声参数估计方法。由实验结果可以看出该算法比传统的去噪算法在PSNR和FSIM方面都有提高。因此可以看出在图像去噪过程中考虑三通道之间的相关性是必要的,同时也证明了算法的有效性。