一种彩色图像复原新方法:基于滑动窗口的支持向量回归算法

提出一种彩色图像复原新方法,将彩色图像按RGB三个通道进行分解,针对每个通道分别采用滑动窗口操作,直至遍历整幅图像,从而获得三个训练集.然后应用支持向量机进行回归分析,建立清晰图像与模糊图像之间的对应关系,从而得出彩色图像复原网络模型.最后根据该模型对待测模糊图像进行复原校正.实验结果显示新算法能很好地对模糊彩色图像进行复原,复原效果优于维纳滤波等经典滤波算法,且计算量远远小于迭代盲反卷积方法.     

基于神经网络和维纳滤波的半盲离焦图像复原

本文提出了一种基于小波神经网络和维纳(Wiener)滤波的半盲离焦图像复原算法,首先提取训练图像的小波域特点参数向量,将该参数用来训练小波神经网络,利用训练好的网络估计图像离焦模糊参数.由离焦模糊参数获得点扩展函数,然后用Wiener滤波完成图像的复原.实验结果表明:该方法能有效地估计离焦模糊参数和复原模糊图像.     

基于光斑图像特征的飞秒激光烧蚀功率分类模型研究

针对光晕导致的光斑图像边缘模糊的特点,采用Niblack局部阈值分割得到光斑目标区域,并提取光斑的几何特征;以Niblack分割得到的图像边缘对原始光斑图像进行裁剪,得到去除光晕影响的光斑目标灰度图像,在此基础上提取该区域光斑图像亮度,结合光斑几何特征构造6维特征矩阵。分别采用BP神经网络、线性局部切空间排列LLTSA-BP网络、局部保持投影LPP-BP模型对烧蚀功率进行识别;进一步采用极限学习机(ELM-Extreme Learning Machine)、LLTSA-ELM和LPP-ELM降维模型,基于降维后的特征矩阵进行烧蚀功率分类。对比研究发现BP神经网络在对6维特征矩阵分类时收敛时间比ELM分类模型短,所需隐含层神经元个数少。而流形学习-ELM模型则在对降维之后的数据分类时表现较优,所需时间远远小于BP神经网络模型的处理时间,其中LPP-ELM模型对光斑的分类效果最优。     

基于神经网络的图像弱边缘检测方法研究

主要立足于图像点处理与神经网络相结合的思想,提出了一种基于边缘点特征的BP神经网络图像边缘检测方法.利用提取出的图像边缘特征向量作为训练样本来训练BP神经网络,进一步完成图像边缘的检测.最后,通过实验与传统的边缘检测方法进行了对比,结果证明该方法检测的边缘轮廓清晰,检测速度较快,特别对含有弱边缘的图像能够更好避免漏检和...     

基于自适应滑动窗口的双色中波红外图像融合方法研究

基于滑动窗口的图像处理方法具有抗干扰能力强、突出图像局部信息等特点,在图像处理领域得到广泛应用。针对最优窗口大小的选择问题,提出了一种自适应尺寸的滑动窗口方法。该方法首先对作用图像进行边缘检测,然后采用固定区域顶点的方式,根据该区域所含边缘的数量,自适应地放大滑动窗口尺寸,直到区域中的边缘数量大于某一阈值为止。并将这种自适应滑动窗口引入双色中波红外图像差异特征驱动的融合模型中,仿真结果表明,改进后的融合模型与原始模型及传统融合方法相比,融合效果在主观观察和客观评价中均有显著提高。     

基于自回归移动平均模型的图像模糊消除机制

为了克服图像模糊消除算法不稳定与解模糊等难题,保证复原图像的细节信息清晰完整,并提高算法的运行效率,获取实时性,提出了神经网络融合自回归移动平均模型的图像模糊消除并行稳定机制.引入神经网络,基于突触权重系数,构造激活函数;再嵌入人工蜂群算法(Artificial Bees Colony,ABC),并以神经网络的均方误差函数设计适应度方程,由ABC算法训练神经网络,利用优化后的神经网络来获取自回归移动平均模型的参数;再将自回归移动平均优化模型引入模糊图像,以同时识别模糊函数与模糊图像;并对模糊函数进行相关定义,以消除算法不稳定性与解模糊问题;再对模糊图像进行反卷积,消除模糊.借助仿真实验来测试该机制的相关性能,结果表明:与其他模糊消除算法相比,该机制的运行速度更快,时耗最短;且该机制更稳定,模糊消除效果更好,复原图像的细节信息清晰可见.     

基于头脑风暴优化算法的BP神经网络模糊图像复原

该文提出一种基于头脑风暴智能优化算法的BP神经网络模糊图像复原方法(OBSO-BP)。该方法在聚类和变异两方面优化了头脑风暴智能算法,利用头脑风暴优化算法易于解决多峰高维函数问题的特点,自动搜寻BP神经网络更佳的初始权值和阈值,以减少BP网络对其初始权值和阈值的敏感性,避免网络陷入局部最优解,增加网络的收敛速度,减小网络误差,提高图像还原质量。该文采用20张不同的图像,对其模糊图像分别进行维纳滤波复原(Wiener)、基于头脑风暴算法的维纳滤波复原(Wiener-BSO)、BP神经网络复原以及基于头脑风暴算法的BP神经网络(BSO-BP)图像复原实验。实验结果表明,该方法能够取得更好的图像复原效果。     

一种利用神经网络提取运动模糊区域的新方法

针对传统提取区域方法受背景区域影响的现象,本文提出了一种基于频谱的人工神经网络提取模糊区域的新方法.对于局部运动模糊图像,其完全模糊区域和局部模糊区域的频谱差异较大,以此作为依据,利用径向基(RBF)神经网络其进行训练,逐步检测并提取出局部运动模糊图像的模糊区域.实验证明,该方法能较好地实现局部运动模糊图像模糊区域的提取.     

基于多阈值归一化分割的模糊图像边缘分割算法

模糊图像边缘的像素特征较为复杂,一般需要采用多个阈值作为分隔约束条件的方法来进行图像边缘分割,但是该方法存在诸如多阈值无法形成统一标准、边缘提取过程需要多次校对,以及效率较低等缺点.提出一种基于多阈值归一化分割的模糊图像边缘分割算法,通过设计超像素网格对模糊图像边缘特征的像素进行匹配,分析模糊图像的反调张量信息,并根据不同张量信息对多阈值进行归一化,以及采用灰度窗口相关系数匹配方法,将获得的多阈值归一化结果分别覆盖图中的单一目标对象,以实现模糊图像的边缘分割.实验表明,利用该算法进行模糊图像边缘分割能较好地获取图像的边缘细节特征,使得边缘具有更好的连线段连通性和宽度一致性.     

基于自回归移动平均模型的图像模糊消除并行稳定机制研究

为了克服图像模糊消除算法不稳定与解模糊等难题,保证复原图像的细节信息清晰完整; 并提高算法的运行效率,获取实时性,本文提出了神经网络融合自回归移动平均模型的图像模糊消除并行稳定机制。引入神经网络,基于突触权重系数,构造激活函数;再嵌入人工蜂群算法（ABC- Artificial Bees Colony）,并以神经网络的均方误差函数设计适应度方程,由ABC算法训练神经网络,利用优化后的神经网络来获取自回归移动平均模型的参数;再将自回归移动平均优化模型引入模糊图像,以同时识别模糊函数与模糊图像;并对模糊函数进行相关定义,以消除算法不稳定性与解模糊问题;再对模糊图像进行反卷积,消除模糊。借助仿真实验来测试本文机制的相关性能,结果表明：与其他模糊消除算法相比,该机制的运行速度更快,时耗最短;且本文机制更稳定,模糊消除效果更好,复原图像的细节信息清晰可见。