基于图像天空区域分割的去雾算法

为了提升图像去雾效果，提出了基于天空区域分割的透射率合成图像去雾算法，通过雾霾图像构造的概率分布函数，结合迭代阈值分割及天空区域的暗、亮通道以及最大连通性确定出粗分割阈值。利用引导滤波加强天空与非天空区域像素灰度的差异性，实现了精准分割。利用对数自适应变换估计了天空区域透射率，利用改进的暗通道先验算法估计了非天空区域透射率，通过合成对应像素的透射率实现了图像的去雾。实验结果表明，相比其他去雾算法，所提算法在各客观指标上均有所提高，对天空与非天空区域分割准确，去雾图像整体视觉效果良好。     

基于明暗像素先验的随机游走图像去雾

针对雾霾天气下大气粒子的散射作用导致户外图像质量严重退化和暗通道对天空区域估计失效的问题,提出了一种单幅图像去雾算法。该算法从雾天图像模型出发,首先利用估计天空区域更加准确的明暗像素先验获取介质传输图粗估计,然后在随机游走模型的框架下,将粗估计的介质传输图作为先验约束传统随机游走能量模型,进一步优化介质传输图,得到最终的无雾图像。实验结果表明,该算法有效地在随机游走模型下结合了明暗像素先验对雾天图像估计的优缺点,证实了所提方法的可行性和有效性。     

基于局部一致性的马尔可夫随机场去雾

为克服暗通道先验的适用局限性,同时增强一阶马尔可夫随机场对图像全局信息的约束能力,在颜色衰减先验的基础上,提出了一种局部一致马尔可夫随机场(Markov random fields, MRF)单幅图像去雾算法。首先,结合颜色衰减和暗通道两先验假设的特征，获取普适性更强的介质传输图粗估计,然后利用基于颜色特征的图像局部一致块代替MRF的二阶及其高阶能量项来构造代价函数,达到优化介质传输图和获取最终去雾图像的目的。实验结果表明,所提算法可以获取细节保持更好且鲁棒性更强的去雾效果。     

结合FABEMD和改进的显著性检测的图像融合

针对红外与可见光图像融合中存在的显著目标不突出、对比度低、存在较多的伪影问题,提出了一种结合快速自适应二维经验模态分解(fast and adaptive bidimensional empirical mode decomposition, FABMED)和改进的显著性检测的图像融合算法。首先,通过FABEMD对红外和可见光图像进行多尺度分解得到对应的基础层和细节层。然后,对最大对称环绕显著性检测做暗抑制改进,将其用于基础层的融合上;结合改进的显著性检测和引导滤波,对细节层进行融合。最后,对各融合子图进行FABEMD逆变换重构出融合图像。与其他经典的融合算法相比,仿真实验验证了本文算法的有效性。     

海面舰船场景的视频图像海雾去除算法

为满足海面舰船视频图像海雾去除的实时性要求,提出一种基于引导滤波的快速视频图像海雾去除方法。针对单幅图像,根据经典大气散射物理模型,首先利用暗原色先验估计大气光值和初始透射率,然后利用引导滤波优化透射率,进而求解大气散射物理模型,实现快速去雾;针对视频图像,结合帧差法和引导滤波,利用引导滤波估计视频帧序列的雾气遮罩,实现快速去雾。与其他单幅图像和逐帧视频图像去雾算法分别进行实验仿真对比研究,从主观和客观两方面进行处理结果的图像质量评价。结果表明,所提算法能实现快速海雾去除、有效提高视频去雾效率。     

基于组稀疏表示和加权全变分的图像压缩感知重构

传统的基于组稀疏表示(group sparse representation, GSR)的压缩感知(compressd sensing, CS)重构算法利用信号的稀疏性和非局部相似性来重构图像信号,但没有充分考虑图像的局部平滑特性,影响了算法的重构性能。考虑信号的稀疏性、非局部相似性、平滑性3种先验信息,提出一种基于GSR和加权全变分(weighted total variation, WTV)的图像CS重构算法,并针对传统的WTV采用全局加权会引入错误的纹理以及边缘状伪影的问题,利用一种新的WTV策略,只对图像的高频分量设置权重来保证图像重构质量。此外，针对硬阈值迭代法忽略低频的主分量系数,采用硬阈值-模平方方法来更好地保护非主分量系数。实验表明,相同采样率下,所提算法的峰值信噪比比非局部正则化全变分和基于GSR的CS算法平均分别提高5.4 dB和0.62 dB,验证了所提算法有效保护图像的细节信息。     

基于组稀疏表示和加权全变分的图像压缩感知重构

传统的基于组稀疏表示(group sparse representation, GSR)的压缩感知(compressd sensing, CS)重构算法利用信号的稀疏性和非局部相似性来重构图像信号,但没有充分考虑图像的局部平滑特性,影响了算法的重构性能。考虑信号的稀疏性、非局部相似性、平滑性3种先验信息,提出一种基于GSR和加权全变分(weighted total variation, WTV)的图像CS重构算法,并针对传统的WTV采用全局加权会引入错误的纹理以及边缘状伪影的问题,利用一种新的WTV策略,只对图像的高频分量设置权重来保证图像重构质量。此外，针对硬阈值迭代法忽略低频的主分量系数,采用硬阈值-模平方方法来更好地保护非主分量系数。实验表明,相同采样率下,所提算法的峰值信噪比比非局部正则化全变分和基于GSR的CS算法平均分别提高5.4 dB和0.62 dB,验证了所提算法有效保护图像的细节信息。     

基于梯度域导向滤波器和改进PCNN的图像融合算法

为解决当前融合后图像存在的光晕伪影现象以及不利于视觉感知的问题, 提出了一种基于梯度域导向滤波(gradient domain guided filtering, GDGF)和改进的脉冲耦合神经网络(pulse-coupled neural network, PCNN)的图像融合算法。首先, 利用图像结构、清晰度以及对比度显著性的图像特征构建图像融合模型。其次, 采用梯度域导向滤波取代传统优化方法, 通过像素间相关性优化初始决策图。然后, 将优化决策图作为外部输入刺激改进PCNN模型, 得到融合权重图。最后, 对源图像和融合权重图进行加权操作得到最终融合图像。实验结果表明, 所提方法更好地保留图像边缘、纹理和细节信息, 避免目标边缘的光晕伪影现象, 且利于视觉观察。     

小波变换用于CT图像重建及处理研究

研究了小波变换多分辨率图像重建和局部区域重建算法。在算法中 ,小波滤波器直接修正重建滤波器 ,重建得到各种细节图像 ,并能快速地得到重建图像的轮廓。由于小波变换的局部性 ,使用局部数据能重建局部图像。通过小波多尺度分析和重构系数控制 ,提出一种简单算法 ,在重建中进行图像增强和噪声消除 ,该算法将图像重建与图像处理结合在一起。与通用的算法相比 ,能提高重建速度和图像质量     

基于深度卷积神经网络的PolSAR图像变化检测方法

针对极化合成孔径雷达(polarimetric synthetic aperture radar,PolSAR)图像变化检测问题,提出了结合区域信息和深度卷积神经网络(deep convolutional neural network,DCNN)的PolSAR图像变化检测算法。在本方法中,用超像素分割算法与超像素合并算法提取图像场景的区域信息,利用区域信息和Wishart似然比得到差异图像;再运用预分类算法以得到训练DCNN的伪训练样本和待分类样本;接着用伪训练样本训练DCNN;最后用训练好的DCNN对待分类样本进行分类得到最终结果。实验结果表明,与多种PolSAR变化检测算法相比,所提算法能够获得更好的结果。     

基于跨层不等重功率分配的渐进图像传输方案

为了在无线衰落信道下鲁棒和高效地编码传输渐进图像,提出了基于跨层不等重功率分配的编码传输方案。和以往基于不等重功率分配的传输优化方案不同,该方案综合考虑了反馈信道提供的物理层信道状态信息、链路层自动重传信息和应用层压缩编码率失真特性,采用基于解析表达的数值优化算法,求得各个层上最优不等重功率分配策略,减小给定期望传输功率约束下的图像传输失真。实验表明,相对于以往方案,所提方案不但避免了启发式优化算法的高搜索复杂度|而且能大大提高接收端重建图像的峰值信噪比。     

有效抑制黑灰区域噪声的逆半调算法

针对误差分散半调图在黑灰区域的“有界循环”现象,提出了一种基于人眼视觉系统的逆半调算法。该算法利用基于连通区域的分割方法将黑灰区域和非黑灰区域较好分离。然后通过分析均匀灰度图同对应半调图灰度之间的定量关系,设计了去除黑灰区域噪声的有效方法。最后给出了该算法的具体步骤。算法简单易行、速度快,实验证明逆半调图像不仅具有良好的视觉效果,其峰值信噪比等项指标也有较大提高。     

基于SVR和DCT的数字图像水印算法

针对彩色图像,提出了一种利用支持向量回归机（support vector regression, SVR）将水印信息嵌入到图像亮度分量的离散余弦变换（discrete cosine transform, DCT）域中的算法。主要思想是应用彩色图像的YCbCr彩色空间,将亮度分量分块后做离散余弦变换,在DCT块中选择中频系数,利用SVR很好的学习和泛化能力,建立中频系数与其邻域系数之间的关系模型,然后根据中频系数和SVR模型预测输出值,调整中频系数嵌入水印。提取水印时重新训练SVR模型,但不需要原始载体图像,实现了水印的盲检测。实验结果表明,该算法具有良好的不可感知性,对色度变化、低通滤波、模糊、锐化、亮度、对比度增强、添加噪声以及几何变换等攻击均具有较强的鲁棒性,尤其对JPEG压缩具有很强的抵抗能力。     

基于ROEWA算子局部活动轮廓的SAR图像分割算法

针对经典可变区域拟合(region scalable fitting,RSF)模型无法分割合成孔径雷达(synthetic aperture radar,SAR)图像的问题,提出了一种基于指数加权均值比(ratio of exponentially weighted averages, ROEWA)算子的改进RSF局部活动轮廓模型。算法首先以SAR图像目标边缘的ROEWA算子的负指数函数为边缘指示函数,对区域可伸缩能量项和弧长项进行加权,消除了原模型中梯度算子对于乘性相干斑满布的SAR图像边缘检测失效的弊端,还防止了目标弱边界的泄漏,避免了边界缺失;其次在零水平集演化的偏微分方程中加入权系数可变的面积项,提升了算法在目标边缘处的自适应捕获能力,同时也提高了算法对目标多层轮廓的检测能力,并且最大化地保留了目标的外轮廓;面积项的可变权系数可根据目标的ROEWA算子的模值来自动调整大小,很好地保持了目标的边缘细节。改进算法不受初始轮廓的影响,对相干斑噪声不敏感,且实验证明算法的计算复杂度仅与图像的尺寸有关。通过对合成与真实的SAR图像数据进行实验,验证了所提方法的直观性和有效性。     

稀疏描述与结构特征融合的极化SAR斑点抑制算法

提出一种稀疏描述与结构特征相结合的极化合成孔径雷达(polarimetric synthetic aperture radar,PolSAR)图像斑点抑制算法。首先利用图像的极化信息对原图像按结构特征分类,形成分类标记图;然后采用正交匹配追踪(orthogonal-matching-pursuit,OMP)算法对图像进行稀疏分解,利用K奇异值分解 (K-singular value decomposition, K-SVD)算法对过完备字典进行训练更新,得到图像相应的训练字典和稀疏系数,重构图像;最后在重构图像中按分类图增强相应的点线目标。利用美国AIRSAR系统采集的半月湾地区数据进行实验表明:该方法在实现图像去噪的同时,能够有效的保持地物的散射特性。     

基于贝叶斯模型的shearlet域SAR图像去噪方法

通过对合成孔径雷达(synthetic-aperture-radar,SAR)图像相干斑噪声的特点分析,提出一种基于贝叶斯模型的shearlet域SAR图像去噪方法。首先将变换后的SAR图像在shearlet域进行稀疏表示,得到稀疏系数的分布;其次利用贝叶斯模型进行信号和噪声检测的建模,得到最佳的阈值;然后根据稀疏系数在不同方向上相关性不同的特点,利用自适应加权收缩算法对SAR图像噪声进行平滑处理;最后利用降噪后的高频子图像和低频子图像进行逆shearlet变换,得到SAR重构图像。通过在MSTAR数据库上的实验表明,该算法在滤除相干斑噪声的效果上比其他方法更好,并且不会损失图像的边缘特性。