高噪声遥感图像稀疏去噪重建

高噪声遥感图像去噪一直是遥感领域研究的一个重要难题,为进一步提高高噪声遥感图像的重建质量,在经典的压缩感知迭代小波阈值算法的基础上,提出了一种改进迭代小波阈值算法.首先,提出一种自适应小波滤波算子在图像稀疏变换过程中对获取的遥感图像小波系数进行筛选,去除图像中的部分噪声信息;其次,使用提出的下降BayesShrink阈值在每次迭代过程中对获取的小波系数进行二次筛选过程;最后,使用改进的块稀疏全变差方法对获得的重建图像进行调整以进一步提高重建遥感图像的质量.试验结果表明,该算法的去噪重建性能优于经典的压缩感知迭代小波阈值算法,可以从高噪声图像中重建一幅高质量的遥感图像,验证了该算法的有效性.此外,该算法能够有效地保护遥感图像的边缘和纹理等重要特征信息.在低压缩采样比情况下,该算法也能够获得相对较高的峰值信噪比和视觉质量.在卫星地面接收站,该算法可直接使用获取的少量含噪遥感图像数据重建一幅清晰的遥感图像.     

封面图片说明

正封面图片来自本期论文"块核范数的RPCA分解与熵权类稀疏的壁画修复",是兰州交通大学电子与信息工程学院陈永教授课题组提出的块核范数的RPCA分解与熵权类稀疏的壁画修复字典构造过程示意图。首先,采用提出的基于块核范数的RPCA图像分解算法得到待修复壁画的结构层图像。然后,对结构层图像进行类稀疏修复时,采用提出的熵加权的k-means聚类算法,得到结构相似的各子类图像并构造生成相应的类字典。最后,通过奇异值分解和分裂Bregman迭代优化的类稀疏修复方法,     

高噪声图像的结构性缺失低秩矩阵重建算法

为了提高图像信噪比和结构性缺失低秩矩阵重建精度,本文提出基于重加权的高噪声图像的结构性缺失低秩矩阵重建算法.利用中值滤波、阈值处理以及小波系数法对高频子带图像中的脉冲噪声进行处理.利用小波逆变换获取恢复图像,实现高噪声图像初步处理,构建低秩与稀疏先验下结构性缺失矩阵重建模型.根据低秩先验和稀疏先验对重建矩阵进行约束,并...     

基于图像块先验的低秩近似和维纳滤波的去噪算法

利用混合高斯模型(gaussian mixture model, GMM)学习自然图像块的纹理结构,提出一种基于图像块先验的低秩近似和维纳滤波的去噪算法。该算法能够同时利用外部图像块的先验结构信息和内部图像的自相似性,对待去噪图像进行分块聚类,并根据每类相似块的数量进行协同滤波。当相似图像块数量较多时,采用低秩近似的方法复原,有效利用图像的内部自相似性;当相似图像块数量较少时,采用维纳滤波,利用先验信息保持图像重要的纹理结构。试验结果表明此方法较适用于弧形边界和角点等存在较少相似块的自然图像,其峰值信噪比(peak signal to noise ratio, PSNR)和视觉效果优于目前部分主流算法。     

基于低秩矩阵分解和协作表示的人脸图像分类

为了降低干扰因素对人脸识别准确率的影响,提出一种基于低秩矩阵分解和协作表示的人脸图像分类算法。针对噪声阴影影响,使用鲁棒主分量分析(RPCA)对人脸数据进行低秩矩阵分解,去除干扰,得到较为干净的人脸图像。通过协作表示分类方法对经RPCA处理后的低秩分量图像进行分类,通过归一化的最小重构误差来判定测试样本的具体类标。在3个人脸数据集上对算法性能进行仿真测试,结果表明,该算法在10%到50%的标记率下较其他算法均能提升分类识别率。     

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.     

基于降采样块匹配的数字视频3D降噪算法

针对数字视频图像的高斯白噪声,提出了一种基于降采样块匹配的3D降噪算法.该算法先进行边缘检测并分块噪声估计,根据噪声强度设置阈值,然后利用图像的自相似特征,对搜索块内部像素降采样,再进行块匹配运算以降低算法复杂度.在自适应阈值筛选阶段,对选出的刚体运动块和非刚体运动块分别统一进行处理,对刚体运动区域进行时域加权滤波,对非刚体运动区域用改进的双边滤波器进行系数自适应滤波,减少了单独对每个块进行处理所产生的块效应,对细节处理更好.仿真结果表明,该算法能明显改善图像主观质量,提高信噪比.     

块核范数的RPCA分解与熵权类稀疏的壁画修复

针对图像修复过程中,颜色纹理光学属性分离不彻底,以及在稀疏表示图像修复时字典设计单一,导致壁画图像修复结果易出现结构不连贯和模糊效应等问题,提出了一种基于块核范数的鲁棒主成分分析(robust principal component analysis, RPCA)分解与熵权类稀疏的壁画修复方法。首先,采用提出的基于块核范数的RPCA图像分解算法,将壁画图像分解为结构层和纹理层,利用块核范数进行纹理矫正操作,克服了RPCA结构纹理分离不完全的问题。然后,提出熵加权k-means方法对结构层图像进行聚类,构建得到稀疏子类字典,并通过奇异值分解和分裂Bregman迭代优化的类稀疏修复方法,完成结构层图像的重构。最后,利用双三次插值算法实现对纹理层图像的修复,将修复后的结构层和纹理层进行融合,完成破损壁画的修复。通过对真实敦煌壁画数字化修复,实验结果表明,该算法能够有效地保护壁画图像的边缘和纹理等重要特征信息,无论从视觉效果还是从峰值信噪比等定量评价方面,提出的方法修复效果均优于比较算法,且修复执行效率更高。     

3DDCT变换下的图像去噪与增强方法

为了解决传统图像去噪算法存在边缘纹理信息损失的问题,根据图像平滑区域DCT非零系数个数较少的特点,提出了基于3DDCT的图像去噪及增强处理方法.该方法首先依据l2范式将含噪图像的相似区域块构成块群;再根据块群中块内像素的相关性,对各块进行2DDCT变换并利用阈值进行首次去噪,根据群内块间对应像素的相似性,对块群进行一维...     

基于NSCT变换和相似信息鲁棒主成分分析模型的图像融合技术

针对传统的图像处理是以单个像素点为基础进行融合而忽略了信息的相似性以及存在信息丢失的问题,提出了基于非下采样Contourlet变换(Nonsubsampled contourlet transform,NSCT)和相似信息鲁棒主成分分析(Robust principle component analysis,RPCA)模型的图像融合技术。首先对源图像获取图像块构造初始矩阵,通过对构造矩阵进行NSCT分解获得高频和低频部分,利用提出的具有相似信息低秩矩阵模型将低频成分分解成低秩矩阵和稀疏误差矩阵,再分别对两幅图像的低秩矩阵、稀疏误差矩阵及高频成分采用绝对值最大法融合规则进行融合,最后通过逆变换得到融合图像。MRI和CT的脑部图像的实验分析结果表明,本文算法可以更好地保留源图像中的边缘和纹理信息。     

基于余弦相似度的非局部均值滤波方法

为了解决非局部均值滤波(N L M)中会出现过度滤波,模糊了边缘结构信息等问题,提出了一种基于余弦相似度非局部均值滤波方法.该方法用余弦相似度改进非局部均值滤波中子块相似度的度量,能利用结构信息,对图像边缘结构信息进行更好的保持,同时可以减少图像明暗程度对去噪效果的影响.通过多个典型图像和不同的滤波参数h的实验表明,该算法与经典非局部均值滤波算法、基于积分图像的非局部均值滤波算法、Adaptive Wavelet Thresh?old算法、2VAR-BMWP-MAP算法、减小斑点扩散算法相比,实验结果表明:该算法能在有效去除噪声的同时更好保持边缘结构信息.另外,针对少有图像评价指标能在反映图像去噪程度的同时反映去噪算法的细节保持程度,在方法噪声的基础上提出了一种新的图像去噪评价指标,定义为方法噪声差(C B).结论表明:方法噪声差的确能反应去噪程度的同时反应图像细节的保持程度,且比误差的均方差(M S E)更符合人的主观视觉感受.     

基于广义全变分低秩矩阵恢复的对抗样本防御（英文）

一阶全变分(TV)正则化的低秩矩阵分解在恢复图像结构上表现出优异性能。利用全变分在图像去噪方面的优异性能,提高深度神经网络鲁棒性。然而,尽管一阶全变分正则化可以提高模型鲁棒性,但其过度平滑降低了干净样本的准确率。本文提出一种新的低秩矩阵恢复模型,称为LRTGV,该模型将广义全变分(TGV)正则化引入到重加权低秩矩阵恢复模型。在所构建的模型中,TGV可以在不过度平滑的情况下更好地重建图像纹理信息。重加权核范数和L₁范数可以增强全局结构信息。因此,本文所提出的LRTGV模型在破坏对抗噪声结构的同时能增强图像全局结构和局部纹理信息。为解决具有挑战性的最优模型问题,本文提出一种基于交替方向乘子法的算法。实验结果表明,该算法对黑盒攻击具有一定防御能力,并且在图像恢复方面优于现有低秩矩阵恢复方法。     

图像修复问题的低秩对偶逼近算法

为改进传统基于样本修复方法在实际应用中的不足,提出了一种新的图像修复算法.新算法以显著性排序法确保优先修复含明显结构边的目标块,利用图像欧氏距离搜索与该目标块匹配的相似样本块,对由搜索样本向量化构成的相似块矩阵进一步采用低秩对偶逼近提取可用信息以修复缺失像素.实验表明,新算法能够准确地优先修复显著性结构,且对多种类型的缺失均具有较好的修复效果.     

图像阈值去噪中的小波特性分析及算法改进

选取合理的小波和阈值算法能够获得理想的图像阈值去噪结果;分析了小波正交性、消失矩以及滤波器结构等特性对图像阈值去噪的影响,提出了图像闽值去噪中小波特性的选取依据．按照噪声与图像信息在小波多尺度分解中传递特性的不同,提出基于信息量的自适应分层阈值算法;仿真结果表明,在进行图像阈值去噪时应优先选取双正交小波,且其消失矩阶数近似于图像的最高次奇异性,去噪小波的高通分解滤波器应具有偶对称性质,低通分解滤波器长度不宜过短．自适应分层阈值算法的图像去噪效果要明显优于全局阈值算法,图像信噪比能够提升至27．86（bior2．6,SNR0=20）;具有偶对称高通分解滤波器的双正交小波能够获得较好的图像去噪效果,其消失矩阶数应近似等于图像的最高次奇异性,基于信息量的小波自适应阈值算法在提升图像信噪比的同时,能够有效保留图像的细节信息．     

一种基于小波阈值改进的图像去噪方法

为了更有效地去除图像中的噪声,对小波阈值图像去噪算法进行了研究,针对常规的软、硬阈值函数在图像去噪中存在的缺陷,在此基础上提出了一种改进的阈值去噪算法,通过小波系数和阈值的比较,自适应地改变控制系数,能够较多的保留图像的边缘和细节信息,还在一定程度上避免了小波系数的盲目置零。通过实验仿真,相比传统的阈值去噪算法,改进的阈值算法在图像去噪中具有更高的信噪比(SNR)和更低的均方误差(MSE),取得了更好的视觉效果,具有较好的实用性。     

基于自适应维纳滤波和2D-VMD的声呐图像去噪算法

声呐图像易产生对比度低、分辨率低、边缘失真等问题,所以在去除声呐图像噪声时难以将有效信号与噪声准确分离,从而导致去噪后图像对比度降低、边缘轮廓不清晰、细节丢失严重等问题.本文提出一种基于自适应维纳滤波和2D-VMD(二维变分模态分解)的声呐图像去噪算法.首先通过二维变分模态分解对含噪图像进行分解,得到一系列不同中心频率的模态分量,利用相关系数和结构相似度筛选出有效的模态分量,并使用自适应维纳滤波处理有效的模态分量,最后将滤波后的模态分量进行重构,从而去除图像中的噪声.实验结果表明:所提图像去噪算法在相关系数(CC)、结构相似度(SSIM)这两项客观数据上表现最优,峰值信噪比(PSNR)略低于NSST域去噪,综合客观数据与视觉效果,本文所提算法去除噪声后的图像细节和边缘保持能力效果最佳.     

多尺度图像迭代去噪

为了解决传统图像去噪算法仅对平稳噪声或缓慢变化噪声有效，且存在残留图像噪声较大的问题。研究了非平稳环境下基于小波变换的图像去噪算法。该算法根据图像与噪声在小波域的分布特性以及图像和噪声小波模极大值随尺度的变化大小不同，运用迭代算法得到不同尺度小波域中噪声的具体位置以及小波系数大小，完成了多尺度图像去噪。实验结果表明：对峰值信噪比较低的图像去噪，本方法去噪后峰值信噪比比传统的方法高，并且保留较多的图像细节。该算法对平稳和非平稳的噪声都能进行较好地去噪。     

一种基于加权均值滤波噪声点检测的中值滤波算法

针对常规中值滤波在图像去噪过程中会将原图像的有用信息同时滤除的问题,提出了一种基于加权均值滤波噪声点检测的中值滤波算法.该算法通过含噪图像与其经加权均值滤波的图像作差对图像中的噪声点进行判别,从而针对噪声点进行滤波,能在保持图像原始信息的前提下有效地将图像中的噪声滤除.实验结果表明,与常规中值滤波算法相比,该方法既具有较好的去噪特性,也具有较强的细节保护能力.     

视频车辆检测中改进的阈值分割算法研究

针对使用迭代式阈值分割算法检测车辆时,易造成目标特征信息丢失以及边缘模糊化的问题,提出了一种基于形态学权重自适应图像去噪的迭代式阈值分割算法:利用数学形态学原理设计了一种权重自适应形态学滤波器,采用由小到大的多结构元构造串、并联复合形态的滤波器对视频序列图像进行去噪;同时,对迭代式阈值分割法引入一个偏移系数,可以更加快速获取最优分割阈值,对图像作精确的分割.实验证明,该算法比迭代式阈值分割算法的抗噪性好且减少阈值分割中的寻优尝试次数,得到了比较理想的分割效果.     

基于小波收缩阈值和维纳滤波的去噪方法

针对高斯噪声图像的结构特点及传统去噪方法中所存在的问题,提出一种基于小波收缩阈值法和维纳滤波法相结合的图像去噪方法。采用小波收缩阈值法对图像进行去噪,对处理后的图像用维纳滤波法进行平滑处理。采用独立自适应阈值,对其子带阈值进行确定,并引入调节系数。仿真结果表明,所提出的方法在高斯去噪效果和保留图像细节信息性能方面优于中值滤波算法、均值滤波算法等方法。