基于MCMC方法的自适应低剂量CT图像去噪

针对低剂量CT图像的低信噪比的问题,提出了一种新的基于MCMC方法的低剂量CT投影图像的自适应降噪算法.该算法是在对投影图像先验模型中的平滑参数以及噪声方差进行自适应估计的基础上,求解理想投影图像在观察投影图像条件下的期望值,以此期望值作为理想投影图像的估计值,从而达到图像降噪的目的.其中对先验概率模型中的平滑参数以及非平稳噪声的方差在运用EM算法进行估计过程中,引入MCMC技术中的Gibbs采样,很好解决了参数估计中的计算问题,并在此基础上,通过再一次运用MCMC的Gibbs采样,以获得理想数据的条件期望值.计算机仿真实验以及真实投影图像的实验均表明了本文所提出的算法在低剂量CT图像降噪中能够取得良好的效果.     

基于统计估计的图像边缘检测

针对传统的基于微分边缘检测算法的噪声鲁棒性较差这一问题,分析了图像边缘形成机理,依据统计估计评价准则,提出一种基于统计估计的边缘检测算法.该算法将像素点的圆形邻域沿θ方向分割成2个半圆,分别计算出2个半圆内像素样本的均值和方差,分析2个半圆内样本统计估计的有效性,进而排除噪声和纹理对边缘检测的影响.根据边缘两侧像素样本的统计估计偏度呈屋脊形分布的特点,对边缘进行细化和连接,以无噪声Canny算子检测得到的边缘作为先验知识,运用条件概率建立边缘检测评价函数.实验结果表明,基于统计估计的图像边缘检测方法具有较好的检测精度和噪声鲁棒性.     

自适应压缩双边滤波算法

为了提高压缩双边滤波算法的滤波效果,对其灰度方差参数值的设置加以改进,即使用自适应的参数值代替原有固定的参数值。对加噪图像进行小波分解,将分解得到的高频部分,分成相同大小的子图像,根据拉普拉斯快速估计算法估计各子块的噪声方差,并计算其平均值,然后利用灰度方差与噪声方差的线性关系计算灰度方差参数值。随机选取4幅灰度图像,添加噪声,测试改进算法。结果显示,改进后的算法比改进前的算法的图像的峰值信噪比更高,滤波效果更好。     

最优多级式多传感器状态融合估计

基于单传感器Kalman滤波方程 ,本文提出了多级式多传感器信息融合系统的两级和三级最优集中式与分布式融合估计算法。算法表明当融合系统的相关噪声方差矩阵、噪声均值、控制输入及测量误差为零时 ,本文算法与文献 [6 ]讨论标准融合系统的算法一致。融合系统的噪声均值、控制输入及测量误差不会影响融合系统的估计方差 ,但当相关噪声方差与过程噪声方法相近时 ,融合系统的估计方差会发生较大的变化。     

图像噪声方差分段估计法

为了提高对较小噪声估计的准确性,提出一种图像噪声估计的新方法.该方法基于图像小波细节系数的统计特性,用分段函数进行分析处理.将原始图像进行小波变换,根据传统的Donoho方法得出噪声标准方差的初始估计值,将初始估计值根据提出的公式进行处理.实验结果表明,所提方法比传统的小波噪声估计方法更准确,特别是对于图像噪声较小（标准差小于20）和细节较多的图像.将所提方法和传统方法估计出的噪声方差分别代入小波阈值去噪方法中,所提方法去噪效果更好,能更好地保持图像细节,当噪声标准差等于10时,峰值信噪比（PSNR）至少比传统方法高0.6 dB.     

基于多尺度Meanshift图像去噪算法

针对图像噪声类型未知、Meanshift平滑窗口难以确定致使图像细节被模糊的问题,提出多尺度Meanshift图像去噪算法。结合小波的"数字显微镜"的优点与Meanshift较强无参概率密度估计及快速模板匹配的特点,非常有效地去除了一组实际夜间远程拍摄图像中的未知噪声。算法执行过程中,首先,将图像进行二维离散小波变换,分解出低频子图和承载细节的高频轮廓子图;然后,区别于传统处理方式,高频子图保护不变,对低频子图进行Mean shift分析窗平滑,最后合成高频子图与低频滤波后图像形成去噪声后图像。该方法不仅弥补了单一Meanshift算法由于平滑窗口难以确定致使图像细节被过滤的缺陷,而且解决了一类实拍高噪声图像的去除,信噪比SNR为34.29。结果表明:本文提出的算法可以去除不同类型噪声图像,并可得到较高的信噪比。     

最优多级式多传感器状态融合估计

基于单传感器Kalman滤波方程，本文提出了多级式多传感器信息融合系统的两级和三级最优集中式与分布式融合估计算法。算法表明当融合系统的相关噪声方差矩阵、噪声均值、控制输入及测量误差为零时，本文算法与文献[6]讨论标准融合系统的算法一致。融合系统的噪声均值、控制输入及测量误差不会影响融合系统的估计方差，但当相关噪声方差与过程噪声方法相近时，融合系统的估计方差会发生较大的变化。     

基于曲波系数局部统计特性的图像去噪算法

提出一种利用图像在曲波域上局部统计特性的自适应去噪方法.首先在最小线性均方差(LMMSE)准则下,推导出曲波系数在局部区域的恢复公式;为进一步精确估计理想曲波系数的局部方差,提出利用尺度空间和子带内的相关性,即利用粗尺度下小波系数的局部方差预测精细尺度下相应位置的曲波系数为噪声的概率,以及常规估计下的曲波系教的局部方差是否小于门限值判断其是否为噪声;然后以这些局域窗内非噪声成分系数估计理想曲波系数的方差.实验表明,本算法与传统算法相比,图像质量有进一步地改善,尤其是对细节丰富的图像表现更为突出.     

基于自适应双边滤波的太赫兹图像去噪算法

针对太赫兹反射扫描成像中介质不均匀及激光器抖动造成图像边缘分辨率较差、噪声严重和图像质量差的问题进行研究,提出了自适应双边滤波算法对太赫兹反射扫描图像进行去噪复原的方法。依据图像整体的高斯噪声分布,利用主成分分析(PCA)的方法估计最优图像噪声方差,达到由噪声方差自适应设置双边滤波的最优亮度标准差。实现提高去噪能力的同时更好的保留图像边缘特征,不必像传统双边滤波算法根据经验设置参数。实验结果表明,算法在峰值信噪比方面提高1.5963d B和结构相似度提高0.06,均优于传统双边滤波。     

一种改进的最大互信息医学图像配准算法

给出了一种基于最大互信息和边缘互方差的医学图像配准算法．这种算法是在计算原始图像互信息之后，引入参考图像和浮动图像的边缘互方差值，从而建立起一个新的测度函数来指导寻优过程，最终实现图像配准。与传统的最大互信息配准算法相比，避免了单纯依赖图像联合直方图所造成的不稳定性，使配准能更加符舍图像的特点。实验证明，这种改进算法有以下优点：配准参数曲线峰值尖锐。易于选择出最优值；在图像灰度缺失的情况下配准有较高的准确性；在噪声方差增大的情况下配准有较强的鲁棒性。     

基于小波变换的数字图像双重随机置乱加密

提出了一个用于图像加密的基于小波变换的双重随机置乱算法。算法首先对图像进行小波分解：再对分解结果进行第一次随机置乱。这一置乱有两种方案：第一种是直接对每一分量图像分别进行置乱,第二种是对由所有分量图像拼接而成的图像进行置乱,置乱后再分割成与原分量位置与大小一致的分量图像;然后对这些分量图像进行小波重构,并对重构结果再次进行随机置乱,得双重随机置乱加密图像。实验中,以统计直方图和视觉效果对两种方法作了比较。比较结果表明两种方法的视觉置乱效果都不错,但由第一种方法置乱所得图像的直方图与原图很相似,说明该方法是以位置置乱为主,而由第二种方法置乱所得图像的直方图则与原图差别很大,说明该方法不仅有位置置乱,而且灰度级置乱更明显。可见,第二种置乱方法更有效。     

基于熵检测的图像噪声方差小波域估计

提出一种在小波域中基于熵值检测的图像噪声方差估计算法. 利用小波变换能显著降低图像信号的熵而并不改变高斯噪声熵的特性以及噪声熵值与噪声方差之间呈对数关系变化的规律,定量地分析了含噪图像在小波高频对角子带中系数的熵值随噪声幅值的变化规律,揭示出这种变化关系对图像具有较强的鲁棒性,从而利用这种变化关系,通过对含噪图像小波域熵值的检测对高斯噪声进行估计. 仿真结果表明,提出的算法能够有效估计出图像中噪声的方差,并且受图像细节影响较小,其性能优于现有其他算法.     

结合编码曝光和运动先验信息的局部模糊图像复原

针对局部运动模糊图像复原的病态性和背景被破坏的问题,提出基于编码曝光和运动先验信息的局部模糊图像复原方法. 分析编码曝光成像理论模型,建立最优码字选取的适应度函数准则. 通过物像关系,获得运动目标的点扩散函数（PSF）像移尺度初步估计参数,作为运动先验信息. 采用背景差分法进行目标提取,综合编码曝光运动模糊图像的叠加特性,实现对运动模糊目标区域的精确提取. 结合先验信息,引入基于贝叶斯最大后验概率框架的student-t复原算法进行PSF精确估计和复原重建,快速迭代得到复原结果. 搭建实验仿真系统,并开展针对实际运动目标的复原实验. 实验结果表明,该方法能有效改善传统曝光中运动模糊复原的病态性问题,抑制复原过程中目标图像边缘振铃及背景噪声的放大效应,所复原图像具有更好的主客观评价结果.     

一种分块差分滤波器及其在仅有角度跟踪中的应用

为解决仅有角度跟踪时,目标估计受限于较大的初始估计误差和噪声统计特性未知的问题,提出了一种带有噪声智能统计功能的改进型分块差分滤波器.通过统计线性化方法得到了一种S-H智能噪声统计估值器,并用其优化传统分块噪声滤波器的测量更新步骤,实现了对未知过程和测量噪声的智能统计处理,通过迭代更新进一步提高了滤波器对于复杂非线性函数的适应能力.与目前几类主流的自适应滤波器性能相比,结果表明:对于具有线性系统模型和非线性测量模型的典型被动跟踪估计问题,针对较大的初始状态估计误差,所给出的滤波器能更好地完成系统噪声和测量噪声部分参数统计特性未知情况下的非线性估计任务,在保证计算量适中的同时有效地提高跟踪制导精度.     

方向字典子图的初始邻域嵌入重构

邻域嵌入超分辨率重构算法在空间邻域选取过程中,细节特征易被大幅度特征分量淹没,为此,提出了基于方向字典子图的初始邻域嵌入重构算法.对输入图像及邻域利用方向字典进行稀疏分解,从大、小幅值表示系数中分别重构大、小幅度特征子图,保护邻域计算中的小幅度特征;同时,为降低多子图重构的运算量,通过随机森林机制,将输入图像在分类树森林中对应叶子节点图像子库的并集作为初始邻域,减小实际参与运算的图像库大小.实验结果表明,相对于邻域嵌入超分辨率算法,基于方向字典子图的初始邻域嵌入重构的峰值信噪比值平均提升了1.0959 dB,有效改善了重构效果;重构时间仅为邻域嵌入超分辨率的13.3%,降低了重构复杂度.     

脉冲调制信号相位噪声测量中的功率谱估计方法

针对脉冲调制信号相位噪声测量中的噪声功率谱估计问题,建立了信号相位噪声的数学模型,分析了信号相位噪声与噪声功率谱之间的关系,提出了一种基于Welch法的噪声谱估计方法．该方法依据被测信号脉冲调制参数选择Welch法的数据分段和窗函数长度．仿真实验结果表明,该方法较传统的快速傅里叶变换方法或自相关法具有更好的谱估计性能．     

一种新的基于多信息测度融合的边缘检测方法

针对高强度噪声图像, 提出了一种新的基于信息测度概念和Dempster Shafer(DS)证据理论的边缘检测算法. 利用邻域一致性、方向性和结构性3种信息测度定量描述边缘特征; 引入检测不确定性, 根据各信息测度响应分布设计基本可信度分配函数, 并利用DS合成规则加以融合; 融合后根据组合决策规则将像素分类成边缘与非边缘. 实验通过检测结果以及Pratt品质因数的分析比较, 表明该算法能够有效地区分边缘点和噪声点. 在低噪声情况下, 检测性能与传统检测方法相近; 而对于高强度噪声图像, 该方法具有较强的噪声免疫力.     

应用卷积神经网络的遥感图像云层自主检测

为实现遥感卫星对遥感图像的自主云层判别能力,提升目标自主识别的效率,避免云层覆盖面积较大的遥感图像丢失关键的目标信息而给后续算法处理带来不必要的计算资源浪费,提出一种基于卷积神经网络的云层自主检测方法,实现遥感图像云层的自主检测,达到了较高的检测精度.首先,根据遥感图像的特性建立卷积神经网络.然后,使用大量人工标识的遥感图像完成云层检测网络训练,使其达到预期检测精度.最后,在卫星在轨运行阶段,将所拍摄的遥感图像根据尺寸划分为若干个子图,并通过训练完成的卷积神经网络对子图是否被云层覆盖进行分类预测.综合所有子图的预测结果给出整幅遥感图像的云层覆盖占比.结果表明:以Landsat卫星遥感图像为测试对象,该方法可以实现有云层覆盖检测正确率为95.3%,无云层覆盖检测精度为97.8%,误判率为2.58%,漏判率为0.90%,综合精度为97.9%;由于使用了卷积神经网络和并行计算技术,该方法基本满足实时性需求,提高了算法的自主性与鲁棒性,为基于遥感图像的在轨实时应用奠定了基础.