基于TLS的正交小波变换红外图像去噪

提出了一种基于总体最小二乘的正交小波变换红外图像去噪算法。对红外图像进行离散正交小波变换,分别对各个分解层的高频子带,通过总体最小二乘算法估计小波系数,获得各个高频子带信号的估计系数,然后通过正交小波反变换得到去噪图像。仿真结果表明,该红外图像去噪算法能有效去除加性红外图像噪声,在信噪比、直方图匹配等方面都有较大改善,并获得了良好的主观视觉效果。     

基于总体最小二乘的Shearlet自适应零值绝缘子红外图像去噪

提出一种基于总体最小二乘(Total Least Square)和Shearlet变换相结合的零值绝缘子红外图像自适应去噪算法。首先利用Shearlet变换对原始图像进行分解,得到各尺度各方向的Shearlet系数;然后考虑到不同尺度Shearlet系数之间的相关性,利用总体最小二乘准确估计了各层的Shearlet系数;最后对处理后的系数进行Shearlet反变换重构得到去噪图像。实验结果表明,该方法与小波去噪法和Bayes估计去噪法相比,能够在有效去噪的同时,更好地保留了图像边界和纹理信息。     

基于无线传感器网络的TDOA-CTLS定位算法研究

节点位置的确定是无线传感器网络的应用基础.为了提高传感器网络节点定位的精度,利用转移矩阵和观测矩阵噪声之间的关系,采用约束总体最小二乘算法求解时差定位问题.通过将定位问题转化为一个约束总体最小二乘问题,然后又将有约束问题等价为无约束的问题,利用Newton算法进行迭代求解.最后计算机仿真结果验证了该算法的有效性.     

基于空间约束的模糊核聚类红外图像分割

提出了一种基于空间约束的模糊核聚类红外图像分割算法.首先将图像映射到特征空间,在特征空间内进行模糊聚类,针对红外图像中存在的噪声点和野值等干扰问题引入了像素点的八邻域局部空间约束信息,并定义了像素分类可靠性指数修正隶属度函数在整个图像范围内分析像素分类的合理性,其中像素分类可靠性指数包括像素分类灰度可靠性指数和像素分类距离可靠性指数.实验结果表明,这种考虑局部空间约束和整体空间约束的模糊核聚类算法可更有效地对红外图像进行分割.     

基于聚类的图像稀疏去噪方法

在图像去噪方法的研究中,非局部均值算法与稀疏去噪算法是近几年受到广为关注的方法.非局部均值算法将具有邻域相似性的像素点作加权平均;而稀疏去噪算法是将图像的非噪声部分用过完备字典进行稀疏表示.基于上述两种方法的思想,本文提出了基于聚类的稀疏去噪方法,该方法结合了非局部均值算法与稀疏去噪算法的优点,对相似的图像块进行聚类,并通过施加l1/l2范数的正则化约束,对同一类中的图像块在过完备字典上进行相同结构的稀疏表示,从而达到去噪目的.在字典的选择上,本文使用DCT字典和双正交小波字典,能够同时保留原图像中的平滑分量与细节分量.实验结果表明,本文方法比传统的稀疏去噪方法有更好的去噪效果.     

快速空间邻域信息的中智模糊聚类分割算法

为了克服传统的模糊C-均值聚类算法抗噪性能差的局限性,在中智模糊聚类基础上提出了一种新的基于邻域信息的中智模糊聚类图像分割算法.将中智集合引入模糊C-均值聚类算法,转化为一个优化问题.通过建立局部邻域信息约束的函数考虑像素之间的相互联系进行图像分割.通过对灰度图像添加不同的加性和乘性噪声进行分割测试,其测试结果表明,该算法得到的图像分割结果更稳定、边界更平滑且具有较强的噪声抑制能力.     

基于最小二乘密度聚类的城市点云去噪算法

点云作为一种简便的三维表达方式,已经被大量应用在城市三维数字化中,但是城市对象的复杂多变,导致城市点云相较于其他场景点云,其较为复杂,去噪难度更高,去噪精度要求更高。为了解决城市点云的去噪问题,本文从高维特征密度空间出发,采用最小二乘密度聚类约束,遵循标准阈值原则设计了一种新的算法。本算法先构建高维特征密度空间,再用最小二乘算法求解各维度密度拟合曲线,最后根据标准阈值原则提取各维度合限点集的交集,即为目标点集。实验表明:本文算法针对城市场景中的点云具有较高的精度与较好的剔除效果,满足城市点云去噪任务的要求,达到了预期的效果。     

基于光谱空间信息的高光谱遥感图像混合噪声评估

综合利用高光谱图像的光谱信息和空间信息,提出了一种新的混合噪声评估方法.首先通过滤波算法进行图像中均匀图像块的自动选取;然后利用多元线性回归模型,将均匀图像块内像素点的信号值和噪声值进行分离,并实现了图像中加性、乘性噪声的粗评估;最后根据噪声模型构建似然函数,利用最大似然估计法求解噪声模型参数.通过仿真图像和真实高光谱图像进行实验,验证了该方法的准确性和鲁棒性.     

基于Zernike-Facet模型和总体最小二乘的弱小目标检测

弱小目标一般是图像局部区域的极值点。针对这个特点,依据二元三次函数的极值理论,该文提出了一种新的弱小目标候选点的检测方法。发展了一种新的图像局部灰度拟合模型,即Zernike-facet模型,模型参数的求解采用比最小二乘(LS)抗噪能力更强的总体最小二乘(TLS)算法。新检测方法通过Zernike-facet模型和TLS对原始图像中每一个像素的局部区域进行曲面拟合,然后在拟合曲面上提取极值点作为目标候选点。仿真表明,新方法在抑制噪声上优于其他常用方法。可见光/红外图像小目标检测实验也证实了新方法的有效性。     

基于小波系数和LS-SVM的图像去噪

提出一种基于小波系数和最小二乘支持向量机(LS-SVM)的图像去噪方法.根据小波系数的性质,依据邻域小波系数的平均值来选取特征向量来进行训练,然后用训练得到的LS-SVM分类器将含噪图像中的像素分为噪声或非噪声点,进行去噪处理.实验结果表明该方法能达到较高的峰值信噪比,具有很好的去噪效果.