基于压缩感知与结构自相似性的遥感图像超分辨率方法

本文提出了一种基于压缩感知、结构自相似性和字典学习的遥感图像超分辨率方法,其基本思路是建立能够稀疏表示原始高分辨率图像块的字典。实现超分辨率所必需的附加信息来源于遥感图像中广泛存在的自相似结构,该信息可在压缩感知框架下通过字典学习而得到。这里,本文采用K-SVD方法构建字典、并采用OMP方法获取用于稀疏表达的相关系数。与现有基于样本的超分辨率方法的最大不同在于,本文方法仅使用了低分辨率图像及其插值图像,而不需要使用其它高分辨率图像。另外,为了评价方法的效果,本文还引入了一个衡量图像结构自相似性程度的新型指标SSSIM。对比实验结果表明,本文方法具有更好的超分辨率重构效果和运算效率,并且SSSIM指标与超分辨率重构效果具有较强的相关性。      

马尔科夫随机场模型下的Retinex夜间彩色图像增强

由于Retinex算法在处理夜间彩色图像时容易出现光晕、颜色失真、细节丢失与噪声干扰等问题,本文基于马尔科夫随机场（MRF）提出了一种针对单幅图像的Retinex图像增强算法。该算法在HSV颜色空间下采用线性引导滤波估计图像照度分量;在MRF模型下求解仅包含物体本身特性的反射分量,并通过颜色恢复函数与增益补偿方法进行颜色恢复与校正,最终实现了夜间彩色图像的增强。实验结果表明,利用本文算法处理后图像的均值（整体亮度）可以提高2倍以上,标准差、熵、峰值信噪比（PSNR）等参数均有5%以上的提升。与其它基于Retinex原理的算法相比,本文提出的算法增强效果显著,具有消除“光晕伪影”现象、抑制噪声、颜色保真和有效地凸显边缘细节信息等能力。     

自适应聚类Hough变换及地震断层检测

针对现有基于Hough变换的地震断层检测方法只能检测单个断层,不能准确检测多个断层的不足,提出了一种基于自适应聚类Hough变换的地震断层检测方法。该方法首先对预处理后的地震相干图像进行边缘检测并对边缘图像进行Hough变换以检测出边缘图像中的线段,然后根据倾斜角和位置信息对线段进行自适应聚类以获得更完整的线段,最后根据初始地震图像对完整线段中的各点进行调整以获得准确、平滑的断层。为验证该方法的有效性,在实际地震图像上进行了对比实验。实验结果表明,该方法可正确检测地震图像中的多个断层,正确率达到90%以上,与现有方法相比,峰值信噪比提高了约10%。     

图像去雾技术研究进展

在雾、霾等天气条件下,大气粒子的散射作用导致成像传感器采集的图像严重降质。图像去雾技术的任务是去除天气因素对图像质量的影响,从而增强图像的视见度。本文归纳和总结了图像去雾技术的国内外研究现状。将现有的方法分为基于物理模型和非物理模型两类,分别详细阐述了这两类方法,分析它们各自的优势和不足,并总结了算法性能评价的无参考客观质量评测准则。最后,指出该技术的研究难点和发展趋势。     

一种基于MAP的超分辨率图像重建的快速算法

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MAP估计算法运算量大的问题提出了两点改进.第1点是当计算梯度时直接计算目标函数的增量,避免了函数值的冗余计算;第2点是采用非精确一维搜索确定步长,避免了运算量庞大的海塞矩阵的计算.实验结果表明,提出的改进在保持重建效果基本不变的前提下,在很大程度上提高了MAP超分辨率图像重建方法的速率,与此同时保证了算法的收敛性.     

一种改善超分辨率图像重建中边缘质量的方法

超分辨率图像重建技术指通过融合多幅变形、模糊、有噪、频谱混叠的低分辨率降质图像来重建一幅高质量高分辨率图像. 凸集投影 (POCS) 算法是一种广泛使用的超分辨率图像重建方法. 本文提出了一种适用于 POCS 算法的改善高分辨率重建图像边缘质量的方法. 该方法将中心在边缘像素的点扩散函数 (PSF) 与一个指数型权值函数相乘, 使得修改的 PSF 系数沿着边缘正交的方向减小. 实验结果表明, 这样的修改有效地保持了边缘的特性, 明显地提高了重建图像的质量     

基于跨尺度低秩约束的图像盲解卷积算法EI北大核心CSCD

在模糊核未知的情况下对模糊图像进行复原称为盲解卷积问题,这是一个欠定逆问题,现有的大部分盲解卷积算法利用图像的各种先验知识约束问题的解空间.由于清晰图像的跨尺度自相似性强于模糊图像的跨尺度自相似性,且降采样模糊图像与清晰图像具有更强的相似性,本文提出了一种基于跨尺度低秩约束的单幅图像盲解卷积算法,利用图像跨尺度自相似性,在降采样图像中搜索相似图像块构成相似图像块组,从整体上对相似图像块组进行低秩约束,作为正则项加入到图像盲解卷积的目标函数中,迫使重建图像的边缘接近清晰图像的边缘.本文算法没有对噪声进行特殊处理,由于低秩约束更好地表示了数据的全局结构特性,因此避免了盲解卷积过程受噪声的干扰.在模糊图像和模糊有噪图像上的实验验证了本文的算法能够解决大尺寸模糊核的盲复原并对噪声具有良好的鲁棒性.     

基于点对相似度的深度非松弛哈希算法

哈希学习能够在保持数据之间语义相似性的同时, 将高维数据投影到低维的二值空间中以降低数据维度实现快速检索. 传统的监督型哈希学习算法主要是将手工设计特征作为模型输入, 通过分类和量化生成哈希码. 手工设计特征缺乏自适应性且独立于量化过程使得检索的准确率不高. 本文提出了一种基于点对相似度的深度非松弛哈希算法, 在卷积神经网络的输出端使用可导的软阈值函数代替常用的符号函数使准哈希码非线性接近-1或1, 将网络输出的结果直接用于计算训练误差, 在损失函数中使用$\ell_1$范数约束准哈希码的各个哈希位接近二值编码. 模型训练完成之后, 在网络模型外部使用符号函数, 通过符号函数量化生成低维的二值哈希码, 在低维的二值空间中进行数据的存储与检索. 在公开数据集上的实验表明, 本文的算法能够有效地提取图像特征并准确地生成二值哈希码, 且在准确率上优于其他算法.     

双加权 L p 范数RPCA模型及其在椒盐去噪中的应用

鲁棒主成分分析（Robust principal component analysis，RPCA）模型中秩函数和 L 0 范数的求解是非确定性多项式（Nondeterministic polynominal，NP）难问题，凸近似模型的求解通常会导致过收缩。本文结合加权方法和 L p 范数提出了一种基于双加权 L p 范数的RPCA模型，利用加权 S p 范数低秩项和加权 L p 范数稀疏项分别对RPCA框架中的低秩恢复问题和稀疏恢复问题进行建模，使其更接近秩函数和 L 0 范数最小化问题的解，提升了矩阵秩估计和稀疏估计的准确性。为了验证模型性能，本文利用图像的非局部自相似性，结合相似图像块组的低秩性与椒盐噪声的稀疏性，将双加权 L p 范数鲁棒主成分分析模型应用于去除椒盐噪声过程中。定量与定性的实验结果表明，本文模型性能优于其他模型，同时奇异值过收缩分析也表明本文模型能够有效抑制秩成分的过度收缩。     

SSD与时空特征融合的视频目标检测

目的 视频目标检测旨在序列图像中定位运动目标,并为各个目标分配指定的类别标签。视频目标检测存在目标模糊和多目标遮挡等问题,现有的大部分视频目标检测方法是在静态图像目标检测的基础上,通过考虑时空一致性来提高运动目标检测的准确率,但由于运动目标存在遮挡、模糊等现象,目前视频目标检测的鲁棒性不高。为此,本文提出了一种单阶段多框检测（single shot multibox detector,SSD）与时空特征融合的视频目标检测模型。方法 在单阶段目标检测的SSD模型框架下,利用光流网络估计当前帧与近邻帧之间的光流场,结合多个近邻帧的特征对当前帧的特征进行运动补偿,并利用特征金字塔网络提取多尺度特征用于检测不同尺寸的目标,最后通过高低层特征融合增强低层特征的语义信息。结果 实验结果表明,本文模型在ImageNet VID （Imagelvet for video object detetion）数据集上的mAP （mean average precision）为72.0%,相对于TCN （temporal convolutional networks）模型、TPN+LSTM （tubelet proposal network and long short term memory network）模型和SSD+孪生网络模型,分别提高了24.5%、3.6%和2.5%,在不同结构网络模型上的分离实验进一步验证了本文模型的有效性。结论 本文模型利用视频特有的时间相关性和空间相关性,通过时空特征融合提高了视频目标检测的准确率,较好地解决了视频目标检测中目标漏检和误检的问题。