基于l1/2范数正则化的图像重建方法

为了利用[l1]范数保持图像边缘信息的优势,并兼顾[l2]范数对图像平坦区域噪声抑制的特性,提出了一种自适应范数混合模型--[l12]范数正则化方法。相比于经典的[l1]范数正则化方法,该方法能够得到更加稀疏的解,同时相比于传统去噪方法,该方法对自然图像的长尾分布噪声具有比较理想的去除效果。还针对范数混合模型中噪声的分布的自适应变化,设计了一种自适应收敛准则迭代方法,该方法可以有效地减少迭代次数。实验结果和分析验证了混合模型在图像重建效果和计算效率方面的有效性。     

基于NSCT变换的遥感图像快速自适应去噪方法

针对遥感图像受噪声影响导致质量较低的问题,提出了基于NSCT变换的遥感图像快速自适应去噪方法.将Gibbs效应添加至Contourlet变换的图像处理环节,利用非下采样拉普拉斯金字塔与方向滤波器组构建NSCT变换.根据NSCT变换后遥感图像信号能量汇聚至小部分变换系数的特征,利用硬阈值快速去噪方法和NSCT变换系数邻域...     

基于改进正则化方法的SAR图像区域特征提取

合成孔径雷达(SAR)图像上的各种噪声削弱了目标、阴影等感兴趣区域(region of interest,ROI)的细节特征,影响了后续的目标检测、分类和识别等应用。传统的正则化方法能够增强SAR图像的目标特征,但是运算量过大,实时性不好。提出一种改进的正则化方法,有效地提高了SAR图像区域特征提取的速度和精度。理论上证明,降质算子的优化可以使运算量由O(M3N3)降到O(MN),同时保留了区域特征增强的能力。利用MSTAR数据库中实测的SAR图像进行算法验证,实验结果表明该方法能够大幅度提高目标杂波比,有效抑制感兴趣区域内的噪声,从而更精确地把目标和阴影等区域从背景杂波中提取出来。     

基于正则模型的SAR图像自适应目标特征增强方法

研究SAR图像特征增强的自适应阈值选取方法.本文采用一种新的度量函教表示SAR图像的稀疏先验,建立正则化模型,证明了不动点迭代求解的收敛性.然后将SAR相位历史数据转化为复数据,得到复数域正则解的解析表示式.该方法不需要迭代,简化了求解过程,并且将正则化参数的确定归结为阈值的选择问题.最后基于广义交叉检验准则实现了阈值的自适应选取.实验中采用目标杂波比来衡量处理效果,实验结果说明本文方法能快速有效地实现SAR图像特征增强.     

基于正则化的多光谱图像二值化处理

为了进一步提升传统多光谱图像二值化处理方法的处理速度和抗噪性能,提出基于正则化的多光谱图像二值化处理方法。将正则化约束引入到多光谱图像去噪模型中,对现有的多光谱去噪模型进行改进。并利用正则化框架中的数据正则项对图像的噪声机制以及图像的先验信息进行建模,以实现多光谱图像去噪处理。根据去噪结果采用约束能量最小化方法获取多光谱图像的边缘信息,将最佳全局阈值法和局部阈值自适应方法在边缘信息的基础上相结合,实现对多光谱图像的二值化处理。仿真结果表明,所设计方法具有较强的抗噪能力和较快的处理速度,并且经处理后的图像分辨率较高,充分验证了上述方法的有效性。     

去噪正则化与FFDNet结合的相位恢复算法

相位恢复是图像逆问题的一种,通过图像信号的幅值,恢复出采样过程中缺失的相位信息。目前相位恢复算法使用稀疏先验以及传统去噪器先验,存在特征表征不充分的问题。prDeep算法使用DnCNN卷积神经网络作为去噪器先验,结合去噪正则化模型提升了恢复效果,但是仍存在对复杂噪声鲁棒性较差的问题。针对prDeep算法对复杂噪声鲁棒不足的问题,提出了用FFDNet作为去噪器先验与去噪正则化模型相结合的算法。该算法利用FFDNet网络对噪声的自适应性,使用去噪正则化(RED)构建优化模型,解决了复杂正则化模型求导繁琐的问题。在保证卷积神经网络对特征表征能力的同时,提高了对复杂噪声的鲁棒性以及算法的迭代效率。仿真实验结果表明,该算法在不同噪声等级下,恢复图像信噪比和迭代效率均有所提升。     

基于最小鉴别信息的正则化图像恢复方法

提出在正则化图像恢复方法中将图像恢复结果与先验图像的最小鉴别信息作为新的正则化约束.同传统的正则化约束不同,新的约束使得恢复的图像与给定的先验图像具有最相似的灰度分布.同时给出一种自适应确定正则化参数的方法.实验结果表明,新方法在恢复效果上要优于传统的正则化方法,但对噪声则比较敏感.因此,提出在降质图像含有较多的噪声时保留传统的正则化约束,以达到更好的恢复效果.     

基于自适应正则化的全变分去噪算法

Stanley Osher和Martin Burger提出的基于Bregman距离的迭代正则化全变分去噪算法运算速度较快,但是应用于图像去噪时,没有考虑不同区域的灰度分布特性,从而容易导致纹理等重要信息丢失或模糊的缺陷.针对这一现象,提出了一种基于自适应正则化的全变分去噪算法.论文对Osher的去噪模型中的全局正则化参数进行改进,给出了一种根据图像中不同区域的灰度分布特性,自适应选取正则化参数的方法.该算法可以保留图像的边缘和纹理细节信息.实验结果证实了所提算法的有效性,其信噪比较原有方法至少提高1.0 dB以上.     

基于PSO自适应正则化参数图像恢复的研究

图像恢复的根本目的是使降质图像趋向于复原或没有噪声影响的理想图像,当前的主要问题是如何在平滑噪声的同时保持图像的边缘和细节.文中提出了基于粒子群优化算法的自适应正则化参数图像恢复算法,与传统方法相比较,实验结果表明,文中方法在恢复效果上要优于传统的正则化方法、Lucy-Richardson 算法和维纳(Wiener)滤波器恢复,明显地克服模糊退化,同时也保护了图像的边缘等细节信息,图像纹路更加清晰,图像质量评价的ISNR好于传统方法.     

基于非下采样Contourlet变换和图正则化去噪

用非下采样Contourlet变换提取图像的边缘、轮廓和纹理等具有高维奇异性的特征,并将提取的特征用来构造图的权重函数,用建立在图上的正则化方程实现图像的去噪处理。仿真实验结果表明:该方法能有效地去除图像中的噪声,在去噪性能上优于其他的偏微分方程方法。     

基于SAR统计参数的4f系统小波阈值去噪方法

针对典型4f信息光学系统的低通特性和高斯白噪声性,引入合成孔径雷达(SAR)领域中常用的统计参数标准,提出一种小波阈值去噪方案。通过实际和仿真实验验证,该方案能有效滤除噪声,同时较好地保留有用细节信息,适合类似于4f信息光学系统的含有高斯白噪声和明显低通滤波效果的应用场合。     

一种基于正则化参数自适应选择的快速近似求逆的图像恢复新算法

本文根据正则化恢复中正则化参数应具有的性质,提出了一种基于正则化参数自适选择方案的新的空域迭代恢复算法。     

压缩图像空时自适应正则化超分辨率重建

所谓超分辨率(SR)技术就是由低分辨率(LR)图像序列来重建高分辨率(HR)图像的技术,而基于压缩图像的SR技术正成为当前研究的热点。为了提高压缩图像的重建质量,在正则化理论的基础上,通过利用比特流中的信息,提出了一种新颖的空时自适应超分辨率重建算法,该算法先利用正则化代价函数控制时域数据和空域先验信息之间的平衡,使正则化参数在SR重建过程中得到自适应地调整,然后利用迭代梯度下降法进行超分辨率重建。仿真实验表明,该自适应算法比采用传统算法重建的图像的主、客观质量有一定的提高,适合压缩图像的应用。     

在多尺度Contourlet域中的SAR图像正则化超分辨

针对SAR图像超分辨重构问题,建立了基于多尺度Contourlet域的正则化模型。在选取正则化参数时,提出一种自适应确定方法,该方法无需知道噪声大小和图像的先验知识,提高了确定正则化参数的准确性;求解模型时用FR共轭梯度法来改善算法的收敛性。将该算法分别与空域中正则化算法和小波域中正则化算法进行了比较,仿真实验结果表明,该算法较好地再现了各种边缘信息,其重构结果均优于其他两种方法。     

RCTLS图像恢复中局部线化的优化算法以及正则化参数的自适应选择

关于模糊图像的恢复问题,可采用DFT域中的正则化约束总体最小二乘法(RCTLS)有效地加以解决.该方法的实现是对非凸函数进行求解,尽管采取了一些经典优化迭代算法,仍难以获得高质量的恢复图像,并需要较多的机时.为此,本文对DFT域中的RCTLS算法提出两个具有创新性的解决方案:首先提出了局部线化优化算法进行求解;在此基础上,我们还对正则化参数进行自适应选择,以进一步提高恢复图像的质量.实验证明,采用局部线化方法可以成倍地提高计算速度,明显改善了图像恢复质量;同时,对正则化参数进行了自适应迭代选择不仅提高了工作效率,并且能使恢复图像的质量得到进一步改善.     

小波构造变正则参数变分模型在带噪图像恢复中的应用

在利用正则化方法构造变分模型进行图像去噪时,其正则参数往往选择为恒定值．文中利用小波分解的层次性和带噪图像中噪声所具有的时频特点,构造出变正则参数的变分模型．在不同的小波分解层,通过选择不同的正则参数从而达到自适应去噪的目的．     

基于提升的自适应图像消噪

信号经过小波分解后采用软阈值处理具有良好的降噪效果，提升结构是小波技术的新发展。从提升小波出发，通过引入正交性等约束条件得到了具有良好子带分解特性的一族小波；将这些小波应用到软阈值降噪处理中去，依据信号特性自适应的选择滤波器参数，可以明显地提高PSNR．     

小波域噪声分布估计的自适应正则化图像恢复

提出一种正则化图像恢复中自适应选择局部正则化参数的方法．首先提出局部正则化参数的大小应正比于降质图像局部噪声方差;然后在小波域内给出一种估计降质图像局部噪声方差的算法;最后根据小波域噪声方差估计值的分布自适应地确定局部正则化参数．实验结果表明,对于存在多种类型噪声的降质图像,文中方法对噪声方差的估计在分布上与真实噪声一致,而在恢复效果上则要优于Katsaggelos所提出的方法．     

基于对偶树复小波域图像融合的SAR图像去噪

边缘信息是图像重要的细节信息,保护图像的边缘信息对提高图像质量非常重要.但是在图像去噪的过程中,往往会破坏图像的边缘信息.针对去除噪声和保护边缘信息的双重考虑,提出一种基于对偶树复小波域图像融合的SAR图像阈值去噪.考虑到局部硬阈值和软阈值各自的特点,利用对偶树复小波变换的优点和图像融合的特点,首先在自然对数域对SAR图像进行对偶树复小波分解,然后对小波系数分别执行局部硬阈值去噪和局部软阈值去噪,最后依次通过图像融合,对偶树复小波反变换,指数变换得到去噪以后的图像.实验结果表明,算法融合了两种周值去噪方法的优点,在明显去噪的同时,更好地保护了图像的边缘信息.     

变正则参数方法在带噪图像保边缘恢复中的应用

提出变正则参数的变分方法．该方法通过选取随梯度变化的自适应的正则参数，达到去噪和保持边缘的目的．通过5点格式构造出变分模型的离散解法，可以避免格林函数的繁琐计算。