基于自适应约束正则HL-MRF先验模型的MAP超分辨率重建

针对Huber-MRF先验模型对图像高频噪声抑制能力较差,而Gauss-MRF先验模型对图像高频过度惩罚的问题,提出了一种改进的自适应约束正则HL-MRF先验模型。该模型将Huber边缘惩罚低频函数与Lorentzian边缘惩罚高频函数相结合,对低频进行线性约束的同时对高频实现平滑惩罚;并采用自适应约束方法确定正则化参数,从而得到最优的参数解。与基于Gauss-MRF先验模型和Huber-MRF先验模型的超分辨率算法相比,HL-MRF先验模型获得的超分辨率重建图像在峰值信噪比(PSNR)和细节方面都有一定程度的提高,在抑制高频噪声、避免图像细节被过度平滑方面具有一定的优势。     

基于结构张量的视频超分辨率算法

针对传统正则化超分辨率（SR）重建模型中,正则化参数选择过大会使重建结果模糊,导致边缘和纹理等细节丢失,选择过小模型去噪能力又不足的问题,提出一种基于结构张量的双正则化参数的视频超分辨率重建算法。首先,利用局部结构张量对图像进行平滑区域和边缘的检测;然后,利用差异曲率对全变分（TV）进行先验信息加权;最后,对平滑区域和边缘采用不同的正则化参数进行超分辨率重建。实验数据显示提出的算法将峰值信噪比（PSNR）提高了0.033～0.11 dB,具有较好的重建效果。实验结果表明：该算法能够有效地提升低分辨率（LR）视频帧重建效果,可应用于低分辨率视频增强、车牌识别和视频监控中感兴趣目标增强等方面。     

基于单层小波变换的视觉传感图像超分辨率重建

针对目前图像重建方法去噪效果不佳,导致重建后图像分辨率较低的问题,提出基于单层小波变换的视觉传感图像超分辨率重建方法.建立低分辨率和高分辨率两种识别空间,分别计算含有噪声干扰区域、正常区域以及信道噪声参数三者间的欧式距离.利用二维平滑函数定义单层小波变换,有效去除视觉传感图像中的噪声,根据多尺度特性对图像中处于边缘微值...     

基于自适应双边全变差的图像超分辨率重建

超分辨率图像重建技术就是通过融合多幅变形、模糊、有噪、频谱混叠的低分辨率降质图像(或视频序列)来重建一幅高质量高分辨率图像.MAP估计算法是一种广泛使用的统计重建方法.针对标准的MAP算法引入了自适应概念,引入了图像自适应加权系数矩阵;据此给出一种基于自适应双边全变差的图像超分辨率重建算法,该方法不仅能在图像超分辨率重建过程中抑制噪声,而且能锐化图像中的边缘信息;建立了自适应重建模型并用梯度下降法推导出迭代计算公式.实验表明,该算法在收敛性和精确性上都达到了较好的效果.     

一种新型图像噪声抑制各向异性扩散算法

噪声抑制是红外图像处理中一个重要的研究课题,但常用的去噪算法会造成细节的损失。为有效地抑制噪声,同时保护边缘,在P-M扩散模型的基础上,提出了一种新的基于方向信息测度和边缘隶属度的各向异性扩散滤波算法。该算法的核心内容是将图像分为边缘区和非边缘区两个区域,对非边缘区采用常规P-M扩散方程完成噪声的滤除,对边缘区采用基于方向信息测度的非线性扩散方法,在平滑去噪的同时对边缘进行修整、增强。最终的仿真结果表明,该算法的峰值信噪比、均方误差、辐射分辨率等参数均优于常规算法,该算法具有良好的前景和实用价值。     

多阶导数自适应视频超分辨率重建

传统视频超分辨率重建算法在去除噪声的同时,很难有效保持图像边缘细节信息。针对该问题,构建了一种结合多阶导数数据项和自适应正则化项的视频超分辨率重建算法。在正则化重建模型的基础上,该算法对数据项进行改进,引入能更好描述噪声统计特性的噪声多阶导数,并利用去噪效果较好的全变分(TV)和非局部均值(NLM)正则化项对视频超分辨率重建过程进行约束。此外,为了更好地保持图像细节信息,采用区域空间自适应曲率差分算法提取结构信息,从而对正则化系数进行自适应加权。实验结果表明:在噪声方差为3时,与核回归算法和聚类算法相比,该算法重建视频主观效果边缘更加锐化,局部结构更加正确、清晰;重建视频的均方误差(MSE)平均下降幅度分别为25.75%和22.50%;峰值信噪比(PSNR)分别平均提升了1.35 dB和1.14 dB。所提算法能够在去除噪声的同时有效保持图像的细节特征。     

基于稀疏先验的非局域聚类图像去噪算法研究

图像去噪是一类典型的病态（ill-posed）逆问题求解,噪声掩盖下的真实图像并不确定,需要引入先验信息缩小病态问题的求解范围。为了将外部干净图像的先验信息引入去噪进程,提出了一种基于外部干净图像与内部噪声图像稀疏先验的非局域聚类图像去噪算法,通过联合外部干净图像与内部噪声图像的图像块得到类稀疏化表达字典;通过全局的相似块匹配,得到理想图像的稀疏系数估计;基于类字典和估计的稀疏系数,采用压缩感知技术的稀疏重建方法实现图像去噪。实验表明,与传统的非局域稀疏聚类图像去噪方法相比,所提算法显著降低去噪块效应,在保留更多细节的同时,图像平坦区域过渡更加自然;而理想图像先验来源的扩展则进一步提高了算法在强噪声下的去噪性能,对强噪声具有更强的抑制能力。     

基于多种正则化的改进超分辨率重建算法

为了解决超分辨率图像重建过程中无法同时降低平滑区域噪声和保持图像细节的问题,结合改进的非局部变分（NLTV）和全变分（TV）正则项方法提出一种新的超分辨率重建算法。首先,根据图像重尾分布特性,结合高斯分布、拉普拉斯分布及柯西分布改进了传统NLTV正则项系数,提出了改进的ANLTV正则项。然后利用ANLTV正则项基于分裂Bregman算法重建了初始的高分辨率图像。最后结合TV正则项对重建的高分辨率图像进行去模糊操作,进而得到最终的超分辨率图像重建结果。为验证所提算法的性能,分别利用该算法与传统的TV和NLTV算法进行超分辨率图像重建并对比。实验结果表明,所提出的方法相比于传统的TV和NLTV重建算法,其峰值信噪比、信噪比和结构相似度均有所提高,能够同时满足超分辨率图像重建过程中抑制噪声和保持边缘细节的需求。     

基于双分支融合的反馈迭代金字塔去模糊和超分辨率算法

针对低分辨率模糊图像实施超分辨率重建后出现大量伪影和边缘纹理不清晰问题,提出了一种双分支融合的反馈迭代金字塔算法.首先采用不同的分支模块分别提取低分辨率模糊图像中潜在的去模糊特征和超分辨率特征信息;然后采用自适应融合机制将两种不同性质的特征进行信息匹配,使网络在去模糊和超分辨率重建模块中更加关注模糊区域;其次使用迭代金字塔重建模块将低分辨率模糊图像渐进重建为逼近真实分布的超分辨率清晰图像;最后重建图像通过分支反馈模块生成清晰低分辨率图像,构建反馈监督.在GOPRO数据集中与现有算法的对比实验结果表明,所提算法能够生成纹理细节更加清晰的超分辨率图像.     

基于图像分割的非局部均值去噪算法

针对传统非局部均值（NLM）算法的滤波参数非自适应及去噪后边缘易模糊的缺点,提出一种基于图像分割的非局部均值去噪算法。该算法分为两个阶段：第一阶段根据噪声大小及图像纹理自适应确定滤波参数的值,并采用传统非局部均值算法得到去噪结果图;第二阶段根据像素点方差的不同,将该去噪结果图分为细节区域和背景区域,再对属于不同区域的图像块分别去噪,同时为了更有效地去除噪声,还采用了反向投影的方式,充分利用了第一阶段方法噪声中残留的结构信息。实验结果表明,与传统非局部均值算法及其三种改进算法相比,所提算法的峰值信噪比（PSNR）及结构相似性（SSIM）更高,纹理细节和边缘结构更完整,图像更清晰,本真信息保留更完整。     

一种基于图像区域分割的小波去噪方法

提出一种基于区域分割的图像去噪方法。该方法利用具有平移不变性的DWT去噪法和NeighShrink_ SURE去噪法对平滑图像和纹理图像分别具有良好去噪效果,遂将含噪图像进行区域分割得到平滑、突变和过渡三个区域,最终去噪图像的三个区域分别由两种方法得到的去噪图像加权来确定。实验结果显示,该方法利用了前两种算法的优点,得到了具有较高峰值信噪比、较完整保留图像细节而且具有更佳视觉效果的去噪图像。     

基于小波域的图像噪声估计新方法

提出一种基于小波域区域分割的估计图像噪声的新疗法。该方法利用图像的小波高频系数，在提出图像平滑区域的基础上，准确地估计图像高斯噪声的标准方差、由于考虑了图像的局部信息，因此该方法优于传统的估计方法。用于多幅实验图像的结果表明：在图像受噪声比较小或图像含高频信息较丰富时，该方法比传统疗法更准确。     

结合PCA及字典学习的高光谱图像自适应去噪方法

高光谱图像各波段图像噪声分布复杂,传统去噪方法难以达到理想效果。针对这一问题,在主成分分析（PCA）的基础上,结合噪声估计和字典学习,提出一种新的高光谱去噪方法。首先,对原始高光谱数据进行主成分变换得到一组主成分图像并根据能量比重将其划分为清晰图像组和含噪图像组;然后,根据任一波段图像的信息,利用奇异值分解（SVD）对图像进行噪声估计,再将得到的噪声估计方法与K-SVD字典学习去噪算法结合,提出一种具备自适应噪声估计特性的字典学习去噪算法,并将其应用于信息量较小的含噪图像组进行去噪处理;最后,按各主成分图像对应的信息量比例进行加权融合得到最终的去噪图像。通过对模拟与实际高光谱遥感图像的实验表明,与PCA、PCA-Bish、PCA-Contourlet三种去噪方法相比,所提方法去噪后图像的峰值信噪比（PSNR）可以提升1~3 dB,且具有更多的细节信息和更好的视觉效果。     

基于EMD-CLEAN的图像去噪方法

噪声的存在会影响对图像中有用信息的提取。针对经验模态分解(Empirical Mode Decomposition, EMD)方法噪声抑制后图像质量下降的问题,提出了一种基于EMD-CLEAN的图像去噪方法。首先利用EMD对含噪图像进行分析,将其自动分解为一系列本征模函数(Intrinsic Mode Function...     

基于Chambolle-Pock算法框架的高阶TV图像重建算法

传统的总变差（TV）最小算法是一种基于压缩感知(CS)的经典迭代重建算法，可以从稀疏数据或含噪数据中高精度地重建图像。然而，TV算法在重建分段常数特征不明显的图像时可能会引入块状伪影，通过研究得出，在图像去噪中使用高阶总变差（HOTV）能有效压制TV模型引入的块状伪影。鉴于此，提出了一种HOTV图像重建模型及其Chambolle-Pock（CP）求解算法。具体来说，以二阶梯度构建二阶TV范数，进而设计了一种数据保真约束的二阶TV最小重建模型，并推导出了相应的CP算法。在理想数据投影和含噪数据投影条件下，分别采用基于波浪背景的Shepp-Logan模体、灰度渐变模体以及真实CT图像模体进行重建实验，并进行定性和定量分析。理想数据投影的重建结果表明，和传统TV算法相比，HOTV算法能有效压制块状伪影并提高重建精度。含噪数据投影的重建结果表明，HOTV算法和TV算法均有良好的抗噪能力，但HOTV算法的保边性能更好且抗噪性更强。在重建分段常数特征不明显而灰度波动特征明显的图像时，HOTV算法是一种比TV算法更优的重建算法。所提HOTV算法可以被推广到各种扫描模式下的CT重建及其他成像模态中。     

两阶段多层感知的随机脉冲噪声比例预测

目的 基于卷积神经网络（CNN）在图块级上实现的随机脉冲噪声（RVIN）降噪算法在执行效率方面较经典的逐像素点开关型降噪算法有显著优势,但降噪效果如何取决于能否对降噪图像受噪声干扰程度（噪声比例值）进行准确估计。为此,提出一种基于多层感知网络的两阶段噪声比例预测算法,达到自适应调用CNN预训练降噪模型获得最佳去噪效果的目的。方法 首先,对大量无噪声图像添加不同噪声比例的RVIN噪声构成噪声图像集合;其次,基于视觉码本（visual codebook）采用软分配（soft-assignment）编码法提取并筛选若干能反映噪声图像受随机脉冲噪声干扰程度的特征值构成特征矢量;再次,将从噪声图像上提取的特征矢量及对应的噪声比例分别作为多层感知网络的输入和输出训练噪声比例预测模型,实现从特征矢量到噪声比例值的映射（预测）;最后,采用粗精相结合的两阶段实现策略进一步提高RVIN噪声比例的预测准确性。结果 针对不同RVIN噪声比例的失真图像,从预测准确性、实际降噪效果和执行效率3个方面验证提出算法的性能和实用性。实验数据表明,本文算法在大多数噪声比例下的预测误差小于2%,降噪效果（PSNR指标）较其他主流降噪算法高24 dB,处理一幅大小为512×512像素的图像仅需3 s左右。结论 本文提出的RVIN噪声比例预测算法在各个噪声比例下具有鲁棒的预测准确性,在降噪效果和执行效率两个方面较经典的开关型RVIN降噪算法有显著提升,更具实用价值。     

采用训练策略实现的快速噪声水平估计

目的 大多数图像降噪算法都属于非盲降噪算法,其获得良好降噪性能的前提是能够准确地获知图像的噪声水平值。然而,现有的噪声水平估计（NLE）算法在噪声水平感知特征（NLAF）提取和噪声水平值映射两个核心模块中分别存在特征描述能力不足和预测准确性有待提高的问题。为此,提出了一种基于卷积神经网络（CNN）自动提取NLAF特征,并利用增强BP （back propagation）神经网络将其映射为相应噪声水平值的改进算法。方法 在训练阶段,首先通过训练卷积神经网络模型并以全连接层中若干与噪声水平值相关系数较高的输出值构成NLAF特征矢量;然后,在AdaBoost技术的支撑下,利用多个映射能力相对较弱的BP神经网络构建一个非线性映射能力更强的增强BP神经网络预测模型,将NLAF特征矢量直接映射为噪声水平值。在预测阶段,首先从给定噪声图像中随机选取若干个图块输入到卷积神经网络模型中,提取每个图块的若干维NLAF特征值后,利用预先训练的BP网络模型将其映射为对应的噪声水平值,然后以估计值的中值作为图像噪声水平值的最终估计结果。结果 对于具有不同噪声水平和内容结构的噪声图像,利用所提算法估计出的噪声水平值与真实值之间的估计误差小于0.5,均方根误差小于0.9,表现出良好的预测准确性和稳定性。此外,所提算法具有较高的执行效率,估计一幅512×512像素的图像的噪声水平值仅需约13.9 ms。结论 实验数据表明,所提算法在高、中、低各个噪声水平下都具有稳定的预测准确性和较高的执行效率,与现有的主流噪声水平估计算法相比综合性能更佳,可以很好地应用于要求噪声水平作为关键参数的实际应用中。     

Image denoising based on hierarchical Markov random field

We propose a hierarchical Markov random field model-based method for image denoising in this paper. The method employs a Markov random field (MRF) model with three layers. The first layer represents the underlying texture regions. The second layer represents the noise free image. And the third layer is the observed noisy image. Iterated conditional modes (ICM) is used to find the maximum a posteriori (MAP) estimation of the noise free image and texture region field. The experimental results show that the new method can effectively suppress additive noise and restore image details.     

信号点自适应生长算法和图像脉冲噪声的抑制

针对脉冲噪声的抑制问题,提出了一种利用图像中未被污染的信号点向外自适应生长来消噪的快速自适应算法。算法首先利用信号阈值判决区间提取出输入图像中未被污染的信号点形成信号矩阵并作标记,同时计算信号密度;然后利用信号密度自适应控制信号点按一定幅度向外生长;最后对生长后的信号矩阵进行归一化处理和修正,得到滤波结果。与当前消噪算法相比,所提出的算法在消噪效果和复杂度方面优势较为明显。     

小波局部适应插值的图像超分辨率重建

针对单帧低分辨率图像的超分辨率重建问题,提出一种改进的小波局部适应插值的超分辨率重建方法,该方法能够弥补重建图像边缘不平滑的缺陷。结合小波变换与可分离高低频信息的特性,提出一种综合两者优点的单帧图像超分辨率重建算法。实验结果表明,采用该算法得到的重建图像不仅能较好地保留原始图像的细节信息,提高图像的空间分辨率,并能提高图像的峰值信噪比,更适合人眼视觉系统。