服从传输方程光学层析图像的正则化重建

基于近红外光子的辐射传输方程给出一种光学层析图像的正则化重建方法。通过引入图像熵和局部平滑函数为正则化项克服了重建问题的病态特性。首先阐述了基于辐射传输方程光学层析成像的前向模型,进而提出基于平滑准则的正则化重建方法。重建过程是对目标函数的优化过程。目标函数包括预测值和测量值之间的误差函数和正则化函数两部分。对上述目标函数,采用基于梯度的迭代优化方法。本文提出一种具体的基于梯度树的梯度求解算法。实验表明：该方法与非正则化重建方法相比,可有效降低重建的病态性。提高图像重建质量。     

基于最大熵的光学层析图像重建

基于最大熵的光学层析图像的正则化重建方法是将图像重建问题转化为对目标函数的优化问题,进而用基于梯度的迭代图像重建方法实现对目标函数的求解。针对此优化问题,给出了一个具体的梯度求解方法。实验证明,该方法能够降低光学层析图像重建的病态性,提高图像重建质量。     

基于梯度树的光学层析正则化重建

光学层析成像是一个病态重建过程,为降低重建过程中的病态特性,需加入合适的先验信息。目前,大多数重建都是基于扩散方程的,在某些情况下,这种重建会失败。直接基于玻耳兹曼传输模型,并以图像熵为正则化项的梯度迭代重建是一种有效的方法。该方法中,梯度计算是个难点。对此,提出一种基于梯度树的求解方法,降低光学层析图像重建的病态性,有效地重建光学层析图像。     

基于迭代条件模型算法的图像超分辨率重建

图像超分辨重建是从一系列降质的低分辨率图像中获取高分辨率的图像。在最大后验概率算法基础上提出了一种基于马尔可夫随机场的超分辨率重建算法,并通过迭代条件模型实现超分辨率图像重建。实验结果表明,与传统的超分辨率重建算法相比,该算法是一种快速的计算最大后验概率的方法,采用Potts-Strauss模型作为图像的先验概率密度函数,经过五、六次的迭代就能达到理想的迭代效果,解决了最大后验概率算法计算量大的缺点,是一种高效的超分辨率重建算法,具有一定的实用价值。     

基于TS-MRF与模糊MLL模型的图像分割

基于树结构的马尔可夫随机场（TS-MRF）,提出模糊多级逻辑模型（fuzzy MLL）,并提出了一种新的图像分割算法——模糊TS-MRF算法。与传统的MRF分割算法和TS-MRF算法比较,该方法在计算耗时增加很少的情况下,对分割精度提高较大。更为重要的是,该方法提供了一个新思路,使得基于MRF的先验信息的描述更为精细。     

传输扩散方程的差分格式

本文对传输扩散方程构造了两个带单参数的两层半显差分格式,证明了格式的绝对稳定性,对于初边值问题,计算是显式的。     

基于高阶马尔可夫随机场的图像分割

图像分割是个病态问题,精确化的图像分割需要用户提供足够多的约束信息才能实现.近年来随着马尔可夫随机场吉布斯能量函数最小化图割求解技术的突破,许多国外研究人员开展基于图割方法的交互式图像分割技术的研究.在众多交互式图像分割技术中,由于用户友好性和潜在应用价值,采用矩形框约束的交互式图像分割方法非常吸引人.从超像素马尔可夫随机场模型和网格马尔可夫随机场模型出发,在吉布斯能量函数中引入高阶势能项,高阶势能项的引入使得新的模型既能捕捉细粒度的单个像素信息又能捕捉单像素一定范围内的关联信息,从而提高了矩形框限制条件下的图像分割性能.实验表明:与GrabCut算法相比,所提算法准确性上有一定提高.最后,将所提算法应用在视频对象分割上也取得了不错的效果.     

基于马尔可夫随机场的图像恢复方法

根据噪声的先验特点,建立了基于Ｍａｒｋｏｖ随机场的退化图像恢复模型,从而将图像的恢复问题转化为求解最大后验概率（ＭＡＰ）问题。该文以模拟退火算法的思想为基础,通过引入随机判据的方法代替退火过程来进行ＭＡＰ的估计,实验结果证明了这种方法的有效性。     

基于局部空间自适应MRF模型的图像分割

针对固定参数的点对马尔可夫随机场(Pairwise MRF)模型不能充分描述图像丰富的统计特征的问题,在研究 Pairwise MRF 模型的基础上,提出一种自适应分割算法.该算法首先建立一种空间自适应的局部区域 MRF 分割模型,并对局部区域的先验知识进行自适应估计;然后通过局部收敛的循环置信度传播(LBP)算法最大化自适应 MRF 模型的全局后验概率.实验结果表明所提出算法具有较好的分割结果.     

基于局部区域能量最小化模型的图像分割

在马尔可夫随机场(MRF)和概率理论的基础上,提出局部区域能量最小化模型,将传统基于像素的分割转化为基于区域的分割,能减小均匀区域中的误分类率。在该模型和MRF模型下,使用ICM算法、Gibbs采样算法、Metropolis采样算法对图像进行分割,结果表明该模型能取得更精确的分割结果,可有效拟制图像噪音和纹理对分割的影响。     

基于双边随机投影算法的光学相干层析成像降噪

为了解决光学相干层析成像（Optical coherence tomography, OCT）系统中的散斑噪声问题,提出了一种基于双边随机投影的光学相干层析成像去噪算法。基于三维OCT图像相邻帧的生物组织结构之间的高度相似性及图像高分辨率的特性,将原始OCT图像信号分解为无噪低秩矩阵、稀疏矩阵以及噪声矩阵;然后采用双边随机投影算法进行求解,提取低秩矩阵,从而去除噪声,恢复无噪图像;在临床数据集上对本文算法进行了测试,并通过信噪比（Signal to noise, SNR）、对比度噪声比（Contrast to noise ratio, CNR）以及等效视数（Equivalent number of looks, ENL）3个指标对降噪效果进行评价。实验结果表明,与稳健性主成分分析算法相比,本文算法在信噪比、对比度信噪比以及等效视数指标上分别提高了1.22 dB、0.84 dB和59.5,能更有效地抑制散斑噪声,且计算复杂度较低。     

3-D Depth Reconstruction from a Single Still Image

We consider the task of 3-d depth estimation from a single still image. We take a supervised learning approach to this problem, in which we begin by collecting a training set of monocular images (of unstructured indoor and outdoor environments which include forests, sidewalks, trees, buildings, etc.) and their corresponding ground-truth depthmaps. Then, we apply supervised learning to predict the value of the depthmap as a function of the image. Depth estimation is a challenging problem, since local features alone are insufficient to estimate depth at a point, and one needs to consider the global context of the image. Our model uses a hierarchical, multiscale Markov Random Field (MRF) that incorporates multiscale local- and global-image features, and models the depths and the relation between depths at different points in the image. We show that, even on unstructured scenes, our algorithm is frequently able to recover fairly accurate depthmaps. We further propose a model that incorporates both monocular cues and stereo (triangulation) cues, to obtain significantly more accurate depth estimates than is possible using either monocular or stereo cues alone.     

3-D Reconstruction of Urban Scenes from Aerial Stereo Imagery: A Focusing Strategy

A contribution to the automatic 3-D reconstruction of complex urban scenes from aerial stereo pairs is proposed. It consists of segmenting the scene into two different kinds of components: the ground and the above-ground objects. The above-ground objects are classified either as buildings or as vegetation. The idea is to define appropriate regions of interest in order to achieve a relevant 3-D reconstruction. For that purpose, a digital elevation model of the scene is first computed and segmented into above-ground regions using a Markov random field model. Then a radiometric analysis is used to classify above-ground regions as building or vegetation, leading to the determination of the final above-ground objects. The originality of the method is its ability to cope with extended above-ground areas, even in case of a sloping ground surface. This characteristic is necessary in a urban environment. Results are very robust to image and scene variability, and they enable the utilization of appropriate local 3-D reconstruction algorithms.