基于Contourlet变换的图像压缩感知重构

根据图像信号在Contourlet变换域的稀疏特性,分析Contourlet变换的基本原理,提出一种基于Contourlet变换的压缩感知重构方法。针对Contourlet变换的基函数并不严格规范正交、无法构造正交变换矩阵的问题,采用改进梯度投影算法恢复稀疏处理后的系数,在保证图像质量的情况下,实现图像的低速率重构。实验结果表明,该算法的鲁棒性较好。     

基于小波变换的图像压缩感知

针对图像变换后系数采样数量和图像重建质量之间的矛盾,从图像的结构和纹理特性出发,提出基于小波变换的图像压缩感知算法.讨论图像经过多尺度小波变换后系数的稀疏性,保留图像变换后的低频系数,只对高频系数进行测量,同时利用正交匹配追踪算法重构高频系数.实验仿真结果表明,该算法能有效提高图像重建质量.     

基于灰度纹理信息的图像压缩感知编码与重构

引入了压缩感知(Compressed Sensing,CS)理论,在分析图像DCT系数分布特性的基础上,提出了一种基于灰度纹理信息的压缩采样方法。该方法通过提取图像分块离散余弦变换交流系数的能量,进而对用于对测量过程进行加权修正,充分利用代表图像细节纹理信息的交流分量系数,基于图像轮廓纹理细节信息来分配测量维数,最终实现对不同图像块有区别的压缩采样。比较同类研究结果表明,提出的采样方法在有效减少测量维数或提高重构图像的峰值信噪比和主观视觉效果,以及在降低计算复杂度方面均有更好的表现。     

基于Curvelet变换的图像压缩感知重构

压缩感知主要采用离散余弦变换(DCT)和正交小波进行图像的稀疏表示,但是DCT时频分析性能不佳,小波方向选择性差,不能很好地表示图像边缘的信息。为此,利用Curvelet变换具有的多尺度、各向奇异性、更高稀疏表示性能等特性,提出基于Curvelet变换的图像压缩感知重构算法,采用Curvelet对图像进行稀疏表示和小波域阈值处理,以此解决信号重构噪声问题。实验结果证明,与传统小波变换和Contourlet变换相比,该算法在Lena图像上峰值信噪比平均提高了1.86 dB和1.15 dB。将Curvelet变换应用于压缩感知,能使图像边缘和平滑部分得到最优的表示,图像细节部分重构效果得到大幅提升,有效提高图像整体重构质量。     

基于PCA硬阈值收缩的平滑投影Landweber图像压缩感知重构

利用压缩感知理论对图像进行测量和重构时,基于分块思想可有效提高重构速度,但同时会带来较强的块效应.为了解决该问题,在编码端提出了一种基于边缘检测的自适应分块压缩感知测量方案;在解码端提出了一种基于主成分分析(PCA)的平滑投影Landweber(SPL)重构法,该算法运用PCA训练出适合于图像结构的稀疏字典,用于进行硬阈值收缩,从而有效消除了块效应,提升了重构图像的质量.为了提高硬阈值收缩效率和减少训练复杂度,采用了3种基于块的PCA硬阈值收缩方案:全局PCA、局部PCA和分层PCA.仿真实验结果表明:所提出的自适应压缩感知测量方案与SPL重构法相结合,和传统分块压缩感知方案相比,峰值信噪比(PSNR)值均提升了1～3 dB;本文算法,无论在传统分块压缩感知方案下还是在自适应分块压缩感知方案下,与基于方向小波阈值收缩的SPL重构算法相比,均获得了更高的PSNR值.     

基于压缩感知和GHM多小波变换的信息隐藏算法

针对基于秘密信息置乱方法等类型的信息隐藏算法不可见性低和抗攻击性弱这一问题,提出了一种基于压缩感知和GHM多小波变换的信息隐藏算法。首先,将载体图像进行一次GHM多小波变换,再对所得到的中间能量区域进行一次小波变换得到HH分量,将HH分量进行奇异值分解;其次,将秘密图像进行小波变换,将得到的小波系数进行压缩感知得到观测矩阵,再对观测矩阵元素进行奇异值分解;最后,利用秘密图像的奇异值替换掉载体图像的奇异值来完成秘密信息的嵌入。实验结果表明,相比两种加密算法,算法不可见性（PSNR值）分别提高5.99%和22.11%;对低通滤波、椒盐噪声、高斯噪声、JPEG压缩等常见攻击具有良好的鲁棒性,相关系数（NC）平均增强了4.11%和11.53%。     

基于局部和非局部正则化的图像压缩感知

基于低秩正则化的非局部低秩约束(Nonlocal low-rank regularization, NLR)算法利用相似块的结构稀疏性,获得了目前最好的重构结果。但是它仅仅利用了图像的非局部信息,忽略了图像像素间的局部信息,不能有 效地重建图像的边缘,同时Logdet函数不能很好地替代矩阵秩,因为它跟真实解之间存在着不可忽视的差距。因此,本文提出了一种基于局部和非局部正则化的压缩感知图像重建方法,同时考虑图像的非局部低秩性和图像像素的局部稀疏梯度性。选择利用Schatten-p 范数来替代矩阵秩,同时选择交替方向乘子算法求解产生的非凸优化问题。实验 结果表明,与传统的稀疏性先验重建算法和NLR算法相比,本文算法能够获得更高的图像重构质量。     

基于小波变换的图象感知熵编码

本文提出了一种基于小波变换的图象感知熵量化编码方法，此法首先通过小波变换将图象在频率域内进行分解；然后在充分考虑人眼对图象的视觉效果的基础上对小波系数进行量化和行程编码；最后针对小波系数量化和行程编码所得的码字分布特性，采用感知熵编码实现编码码率趋近于图象的感知熵，采用该方法可在保证一定图象质量的情况下，消除冗余信息，提高图家编码的压缩比。     

Contourlet域方向子带稀疏表示的图像压缩感知

为了提高压缩感知中图像的稀疏表示性能, 提出了一种Contourlet域方向子带稀疏表示的图像压缩感知算法。将图像Contourlet分解后的多个高频子带根据方向正交特点进行重组, 采用随机高斯矩阵对重组后的子带分别进行测量, 实现压缩采样; 利用正交匹配追踪法重建各子带系数, 并进行Contourlet反变换重构原图像。实验结果表明, 在相同采样率下, 算法重构图像的主观视觉效果和峰值信噪比都优于小波压缩感知算法。     

基于感知生成对抗网络的图像压缩感知重建

现有的深度压缩感知重建算法在低采样率下,由于使用像素损失指导优化的网络会使得重建的图像无法有效地提取出原始图像的纹理细节,导致重建图像视觉观感较差。针对上述问题,提出了基于感知生成对抗网络的图像压缩感知重建算法,用感知损失代替像素损失,使得重建图像细节和纹理特征保留。通过对比实验表明,提出的基于感知生成对抗网络的图像压缩感知重建算法在低采样率下重建出的图像具有更强的视觉效果和真实性。     

显著图和多特征结合的遥感图像飞机目标识别

目的 遥感图像飞机目标的检测与识别是近年来国内外研究的热点之一。传统的飞机目标识别算法一般是先通过目标分割,然后提取不变特征进行训练来完成目标的识别。在干扰较少的情况下,传统算法的识别效果较好。但遥感图像存在着大量的干扰因素,如光照变化、复杂背景及噪声等,因此传统算法识别精度较低,耗时量较大。为快速、准确识别遥感图像中飞机目标,提出一种基于显著图和全局特征、局部特征结合的飞机目标识别算法。方法 首先使用改进的Itti显著算法提取遥感图像中的显著目标;接着使用基于区域增长和线标记算法寻找连通区域来确定候选目标的数量和位置;然后提取MSA（multi-scale autoconvolution）、Pseudo-Zernike矩和Harris-Laplace特征描述子,并使用标准差和均值的比值来评估特征的稳定性,再把提取的特征结合成特征向量;最后应用支持向量机的方法完成对候选目标的识别。结果 实验结果表明,本文算法检测率和识别率分别为97.2%和94.9%,均高于现有算法,并且耗时少,虚警率低（为0.03）,对噪声干扰、背景影响以及光照变化和仿射变化均具有良好的鲁棒性。结论 本文算法使用了图像的3种特征信息,包括MSA、Pseudo-Zernike矩和Harris-Laplace特征描述子,有效克服单一特征的缺点,提高了遥感图像飞机目标的识别率和抗干扰能力。     

Pan-sharpening based on common saliency feature analysis and multiscale spatial information extraction for multiple remote sensing images

ABSTRACT

The requirements of spectral and spatial quality differ from region to region in remote sensing images. The employment of saliency in pan-sharpening methods is an effective approach to fulfil this kind of demands. Common saliency feature analysis, which considers the mutual information between multiple images, can ensure the consistency and accuracy when assigning saliency to regions in different images. Thus, we propose a pan-sharpening method based on common saliency feature analysis and multiscale spatial information extraction for multiple remote sensing images. Firstly, we extract spatial information by the guided filter and accurate intensity component estimation. Then, a common saliency feature analysis method based on global contrast calculation and intensity feature extraction is designed to obtain preliminary pixel-wise saliency estimation, which is subsequently integrated with text-featured based compensation to generate adaptive injection gains. The introduction of common saliency feature analysis guarantees that the same pan-sharpening strategy will be applied to regions with similar features in multiple images. Finally, the injection gains are used to implement the detail injection. Our proposal satisfies diverse needs of spatial and spectral information for different regions in the single image and guarantees that regions with similar features in different images are treated consistently in the process of pan-sharpening. Both visual and quantitative results demonstrate that our method has better performance in guaranteeing consistency in multiple images, improving spatial quality and preserving spectral fidelity.     

Compressed sensing based remote sensing image reconstruction via employing similarities of reference images

In the traditional reconstruction algorithm for compressed sensing, we use the measurement matrix and the corresponding observed image to recover the target image. In the application of remote sensing, there are many multi-source and multi-temporal reference images that have similar information to that of the target image. In this paper, we propose an algorithm to reconstruct the target image with information from multi-source and multi-temporal reference images to improve the image reconstruction accuracy, in other words, to improve the degree of similarity between the reconstructed image and the target image. The basic principle of our method is to construct a penalty term with the similarity of the target sparse coefficient and the reference sparse coefficient to constrain the reconstruction process. The experimental results demonstrate the effectiveness of our method.     

一种结合显著性检测和超像素分割的遥感信息提取算法研究*

针对目前显著性检测算法在复杂多目标遥感图像中检测能力不足问题,提出一种结合显著性检测和超像素分割的遥感信息提取算法。该算法首先通过Graph-based Visual Saliency(GBVS)方法检测出原始影像中部分显著性较高的区域,然后利用Simple Linear Iterative Clustering(SLIC)方法分割显著区域,并修正显著区域边缘得到训练样本数据,进一步对训练样本进行统计学习,构造显著目标提取的阈值区间,最后实现对整幅超像素图像的显著目标提取。实验结果表明,该算法具有较高的准确率和召回率,能更加有效地检测出遥感图像中的显著目标,比目前主流的显著区域检测算法提取效果更好,可以很好地应用于具有明显显著区域的复杂多目标遥感图像信息提取中。     

Retargeting images and video for preserving information saliency.

A nonphotorealistic algorithm for retargeting images adapts large images so that important objects in the image are still recognizable when displayed at a lower target resolution. Unlike existing image manipulation techniques such as cropping and scaling, the retargeting algorithm can handle multiple important objects in an image. To identify the important objects in an image, we must first segment the image. We use mean-shift image segmentation to decompose an image into homogeneous regions.     

结合KSVD和分类稀疏表示的图像压缩感知

由于传统稀疏字典训练方法不能充分利用图像细节信息,提出一种分类稀疏字典训练方法。根据待训练样本的特性,将其划分为平滑、边缘和纹理三类,用KSVD算法分别训练出适合三类图像块特性的冗余字典,利用构造的冗余字典分别稀疏表示三类图像块。同时根据每类图像块所含信息量,自适应地分配测量率。实验结果表明,和单一正交基、冗余字典相比,该算法的稀疏系数更加稀疏,在低图像测量率时,重构效果更好,对边缘信息丰富的图像重构效果改善尤为明显。     

融合双层信息的显著性检测

目的 针对已有工作在颜色及结构显著性描述方面的缺陷,提出一种新的图像显著性检测方法。方法 本文方法在不同的图像区域表达上从颜色与空间结构角度计算图像的显著性,充分考虑图像的特征与像素聚类方式之间的适应性。首先,根据颜色复杂度、边缘与连通性等信息,将图像从像素空间映射到双层区域表示空间。然后,根据两个层次空间的特性,与每个图像区域的边界特性,计算图像的结构和颜色显著度。最后,由于不同图像表示中的显著性信息存在互补性,将所有这些信息进行融合得到最终的显著性图。结果 在公认的MSRA-1000数据集上验证本文方法并与目前国际上流行的方法进行对比。实验结果表明,本文方法在精确率、召回率以及绝对误差(分别为75.03%、89.39%、85.61%)等方面要优于当前前沿的方法。结论 提出了一种融合双层信息的显著性检测算法。根据图像本身信息控制区域数目构建图像双层表示,提高了方法的普适性;利用图像不同层次的特性从不同角度计算显著性,增强了方法鲁棒性。     

基于OpenMP的压缩感知并行处理算法

针对压缩感知重建算法复杂度高、运行时间长等缺点,提出一种应用于多核处理器的压缩感知并行算法。在认真分析压缩感知算法的基础上,利用OpenMP对压缩感知的编码测量和正交匹配追踪(OMP)算法进行并行处理,提升程序的性能。实验结果表明,随着线程数的增加,程序的执行效率显著提高,加速比呈线性增长; 并且重构过程越复杂,其性能优化越明显。     

基于支持向量机的遥感影像湿地信息提取研究*

以ETM 影像数据为例,采用基于支持向量机的方法对黄河中上游区域湿地信息进行提取,并将该方法与传统的最大似然分类提取方法以及面向对象的提取方法进行对比分析。结果表明:基于支持向量机方法的提取精度高达93.57%,Kappa系数也超过了0.9,比单纯的最大似然分类方法或者面向对象的方法提取精度高得多,而且该方法操作性和实用性也很强。     

How important is location information in saliency detection of natural images

Location information, i.e., the position of content in image plane, is considered as an important supplement in saliency detection. The effect of location information is usually evaluated by integrating it with the selected saliency detection methods and measuring the improvement, which is highly influenced by the selection of saliency methods. In this paper, we provide direct and quantitative analysis of the importance of location information for saliency detection in natural images. We firstly analyze the relationship between content location and saliency distribution on four public image datasets, and validate the distribution by simply treating location based Gaussian distribution as saliency map. To further validate the effectiveness of location information, we propose a location based saliency detection approach, which completely initializes saliency maps with location information and propagate saliency among patches based on color similarity, and discuss the robustness of location information’s effect. The experimental results show that location information plays a positive role in saliency detection, and the proposed method can outperform most state-of-the-art saliency detection methods and handle natural images with different object positions and multiple salient objects.