一种非线性数字滤波器的统一设计框架及其性能分析

文章旨在研究非线性数字滤波器的统一设计框架问题.基于稳健统计理论和双边滤波思想,首先建立了一种鲁棒的图像复原统一能量泛函.该能量泛函充分融合了双边滤波的双重异性加权机制和稳健ρ-函数对边缘奇异点的鲁棒性处理机制,因而具有更强的边缘保持能力.随后,基于图像复原统一能量泛函的欧拉-拉格朗日方程,导出一种非线性数字滤波器的统一设计框架.特别地,在此统一框架下,双边滤波、数字TV滤波以及自适应平滑均可进行相应的扩展.同时,文中系统比较了各种稳健ρ-函数在边缘保持方面的鲁棒性,并提出一种新型边缘保持性稳健ρ-函数,即ρ(x)=-σ2(1 |x|/σ)exp(-|x|/σ) σ2.不论是视觉效果方面还是峰值信噪比方面,大量实验结果验证了文中统一设计框架的合理性和新型稳健p-函数的边缘保持性.     

基于结构张量的Non-Local Means去噪算法研究

非局部平均是当前一种新兴而有效的图像去噪方法。为了能充分利用数字图像局部几何结构的自相似性,同时由于结构张量可有效刻画数字图像的局部几何结构特征,进而提出了基于结构张量相似性度量的非局部平均去噪算法。实验结果验证了该算法抑制噪声的有效性,同时能很好地保持边缘等细节特征,峰值信噪比得到有效提高。     

基于局部特征的自适应快速图像分割模型

基于区域的活动轮廓模型如Chan-Vese(CV)模型等以其能较好的处理图像的模糊边界和复杂拓扑结构而广泛运用于图像分割中.然而基于灰度分布均匀假设,该模型对于含灰度不一致性的目标分割结果较差.此外,纹理是周期性重复出现的细节,依靠灰度信息无法正确检测.针对这些问题,提出一种基于局部特征的自适应快速图像分割模型.一方面,利用两种区域项检测卡通部分和纹理部分的特征信息,在自适应的局部块中提取局部统计信息以克服卡通部分的灰度不一致性;另一方面,利用自适应的局部块中的纹理特征来计算背景和目标区域的Kullback-Leibler(KL)距离以检测图像的纹理部分.进一步,基于分裂Bregman方法对该模型进行快速求解.分别对医学和纹理图像进行了实验,准确性和时效性都有显著提高.     

一种基于遗传算法的脑MR图像去偏移场模型

由于磁共振图像(magnetic resonance images,MRI)常含有偏移场而影响后继图像分割,针对这种图像的分割,采用Legendre多项式基函数来拟合偏移场,可以去除偏移场对图像分割的影响。当使得恢复图像的信息熵达到最小时,则求得的偏移场最优。在求偏移场的过程中,需要求解基函数的参数,由于传统的梯度下降法易陷入局部最优,为解决此问题,提出将遗传算法引入到参数求解过程中,然而传统的遗传算法不仅时间复杂度高,且易陷入局部最优,为此需对遗传算法进行改进,使得不仅更容易得到全局最优解,且时间复杂度较低。实验证明,该改进算法可以得到精确的偏移场,并可得到准确的分割结果。     

稀疏性正则化的图像泊松去噪算法

去除医学、天文图像中的泊松噪声是一个重要问题,基于图像在过完备字典下的稀疏表示,在BayesianMAP框架下建立了稀疏性正则化的图像泊松去噪凸变分模型,采用负log的泊松似然函数作为模型的数据保真项,模型中非光滑的正则项约束图像表示系数的稀疏性,并附加非负件约束,保证去噪图像的非负性.基于分裂Bregman方法,提出...     

基于各向异性MRF建模的多帧图像 变分超分辨率重建

 本文首先研究设计出结构自适应的各向异性数字滤波器,同时导出广义各向异性MRF(Markov Random Field)图像模型.它继承了各向异性数字滤波器的滤波性能,是对双边全变差模型以及经典 MRF模型的有效改进.随后,提出各向异性模型驱动的联合估计亚像素运动和高分辨率图像的变分超分辨率重建算法.实验结果显示,本文算法具有更优的噪声抑制和边缘保持性能.     

局部几何结构驱动的图像插值放大及超分辨率复原

众所周知,图像插值是根据一幅低分辨率噪声图像重建相应高分辨率清晰图像的数字图像处理技术。虽然已有一些文献报道了多种图像插值算法,然而现有算法在插值视觉效果和计算复杂度两者间往往难以实现均衡,为此,提出了一种局部几何结构驱动的偏微分方程(PDE)图像插值算法。该算法通过耦合边缘、纹理和角形3种不同几何结构的扩散机制来进行插值,插值结果表明,该算法不仅具有抗噪声性能,而且能够同时增强边缘、纹理以及角形结构。考虑到图像的超分辨率复原与插值放大在数学本质上的一致性,特将上述PDE应用推广到图像的超分辨率复原,并且针对高强度噪声情形下,超分辨率图像中出现的伪纹理结构,提出了一种耦合全变差模型的改进的PDE。实验结果表明,不论是插值放大图像,还是超分辨率复原图像都具有较高的视觉质量和峰值信噪比。     

结合相似性拟合与空间约束的图像分割

目的 图像中的目标一般含有很多子类,仅仅利用某个子类的特征无法完整地分割出目标区域。针对这一问题,提出一种结合相似性拟合与空间约束的图像交互式分割方法。方法 首先,通过手工标记的样本组成各个目标的字典,通过相似度量搜寻测试样本与各个目标的字典中最相似的原子建立拟合项;再结合图像的空间约束项,构建图像分割模型;最后利用连续最大流算法求解,快速实现图像分割的目的。结果 通过对比实验,本文方法的速度比基于稀疏表示的分类方法的速度提高约13倍,而与归一化切割(N-Cut),逻辑回归(logistic regression)等方法相比,本文方法能取得更稳定和准确的分割结果。此外,本文方法无需过完备字典,只需要训练样本能体现各个子类的信息即可得到稳定的图像分割结果。结论 本文交互式图像分割方法,通过结合相似性拟合以及空间约束建立分割模型,并由连续最大流算法求解,实现图像的快速准确的分割。实验结果表明,该方法能够胜任较准确地对自然图像进行分割以及目标提取等任务。     

基于约束非负矩阵分解的高光谱图像解混快速算法

约束非负矩阵分解是高光谱图像解混中常用的方法.该方法的求解通常采用投影梯度法,其收敛速度、求解精度和算法稳定性都有待提高.为此,本文针对较优的最小体积约束,提出一种基于约束非负矩阵分解的高光谱图像解混快速算法.首先优化原有的最小体积约束模型,然后设计了基于交替方向乘子法的非凸项约束非负矩阵分解算法,最后通过奇异值分解优化迭代步骤.模拟和实际数据实验结果验证了本文算法的有效性.     

彩色图像去马赛克的非局部稀疏表示方法

目前,大部分彩色去马赛克（Color DeMosaicking,CDM）算法仅利用了局部的空间和光谱相关性,容易导致CDM复原图像边缘模糊以及细小结构丢失.当图像中出现周期性细小结构时,这些局部方法容易产生诸如锯齿、栅格等失真现象.针对这些问题,我们将字典学习和稀疏编码统一到一个变分框架中,提出了非局部自适应稀疏表示模型.通过非局部相似块聚类自适应地在线学习字典.利用局部和非局部的冗余信息对稀疏编码进行约束,强制稀疏编码靠近其非局部均值以减少编码误差.为了有效抑制服从重尾分布的CDM误差,设计了基于l₁范数的数据项.最后,联合交替最小化方法和算子分裂技巧对模型进行有效求解.实验结果验证了本文模型与数值算法的有效性.