欧阳宏斌[1]2004年在《基于小波收缩框架下的总体变差模型的图像去噪》文中研究指明小波变换作为一种新的多分辨分析方法，因其具有时频局部化和变分辨特性而特别适合处理非平稳信号。由于小波域阈值方法的缺点是在图像灰度值发生跳变的地方会出现振荡现象，并随着噪声污染程度的增高而更加明显。为了克服振荡现象，针对小波收缩方法中产生明显的“Gibbs”现象，将着名的总体变差模型嵌入小波收缩的框架，不仅能消除“Gibbs”现象，还能使小波收缩框架下TV滤波简单易行。该模型中利用改进小波阈值技术选取合适的需要保留的小波系数，然后对该系数重建图像进行空域各向异性扩散处理。本文提出了该变分问题完整的空域和小波域交替迭代的图像恢复算法。实验证明该算法不仅能够很好地抑制噪声和保持边缘，而且重构的图像能够减少边缘的振动，是一种行之有效的提高图像视觉品质的算法。
赵四能[2]2011年在《偏微分方程在遥感图像去噪与分类的应用研究》文中进行了进一步梳理在过去的二十年中,基于偏微分方程(Partial Differential Equation, PDE)的图像处理方法是图像处理领域所取得的最为重要的成果之一。应用这种方法于遥感图像处理领域可以解决该领域一些长期存在的难点问题。本文主要进行基于PDE方法的遥感图像去噪与分类方面的研究。本文对小波变化和一些经典的基于偏微分方程的图像处理方法的相关理论进行了介绍,对偏微分方程和小波变换之间的关系进行分析研究,最终提出了本文的改进方法,并通过实验对它们在遥感(声纳)图像去噪中的应用进行了详细的实验分析研究,包括Perona和Malik提出基本的P-M各项异性扩散模型、TV复原模型、方向扩散模型等,以及本文改进的算法,并给出了相应的去噪指标曲线图。遥感图像分类是遥感领域研究的重要内容,如何有效进行遥感图像的计算机自动分类识别并满足一定的精度等要求,一直以来都是一个热点问题和重要难题。传统遥感图像分类方法一般分为非监督分类和监督分类,它们之间各有优点和缺点。前者通过自动聚类过程,人工参与少；后者有更多的人工参与,同时需要一个学习和训练的过程,并对该研究区域有一些相关的先验信息。当然没有哪一种分类方法得出的分类结果是最优的,要想达到很好的分类效果和更适合某些地方地物的分类,需要找到相应分类器的最佳组合模式。本文在理论研究的基础上,推广PDE中的方向扩散方法在遥感图像分类中的应用,给出了相应的模型和改进方法,同时采用了基于KICA的遥感图像预处理再分类方法进行了高分辨率遥感影像分类的研究,在一定程度上提高了TM影像和高分辨率遥感图像分类精度。本文运用基于偏微分方程的图像处理方法来解决分类中长期存在的一些难点问题将是一个有益的尝试。论文的主要贡献及创新点包括以下几个方面：(1)分析了小波收缩去噪与非线性扩散去噪之间的关系(2)提出了基于提升小波变化的方向扩散实现侧扫声纳图像去噪的方法,实验结果证明该方法能有效去除声纳的噪声并保护边缘的能力。(3)提出基于KICA的方向扩散实现遥感图像SVM分类模型以及ISODATA全自动分类方法,进一步对KICA的高分辨率遥感图像分类进行了深入研究,并对比了其他分类方法,给出了相应的分类精度等指标。(4)通过对梯度阈值和时间步长的调整并进行ISODATA分类,采用该实验方法给出了方向扩散中梯度阈值、时间步长与非监督分类精度之间的关系,这也是为进一步研究梯度阈值、时间步长和扩散的关系提供一条新的思路。最后给出分类精度的大小与方向扩散中梯度阈值、时间步长的关系图。(5)同时提出了改进停止函数的方向扩散方法实现航空影像图像ISODATA分类。本论文把PDE方法的理论应用到遥感图像领域,对去噪部分结合了小波变换方法进行了深入研究,所提出的算法及其在遥感图像分类中的模型具有一定的创新性,特别是对于PDE在遥感图像分类中的更进一步应用研究,具有一定的参考价值和实际意义。
刘钢[3]2013年在《基于压缩感知和稀疏表示理论的图像去噪研究》文中研究指明在获取、编码、传输图像信号的过程中，图像不可避免的受到各种噪声的污染，从而影响图像的质量和对图像的后续处理。所以，图像去噪作为图像预处理的一个重要环节在近年来引起了人们的广泛关注。与传统的去噪方法相比，基于压缩感知理论的去噪方法能够充分发挥稀疏表示的优势，灵活的适应实际环境，降低采样率和数据处理的成本，获得较好的去噪效果。本文以图像的稀疏表示为基础，围绕脊波变换、曲波变换、超完备稀疏表示理论等内容展开探索和研究。论文阐述了图像去噪技术的发展和压缩感知理论的相关基础知识，重点介绍了压缩感知理论的叁个步骤和常用算法。然后是文章的主要内容：1．介绍脊波变换的研究发展过程和应用，详细阐述了与脊波变换有着紧密联系的Radon变换，以及连续脊波变换和离散脊波变换的原理，并且以脊波变换为基础，提出了一种与全变差最小模型相结合的图像去噪算法，通过实验对比，该算法能够克服阈值收缩法的缺点，有更高的峰值信噪比和更好的视觉质量，并说明该方法更适合于线状奇异特征丰富的图像。2．介绍曲波变换理论的相关知识，详细阐述了两代曲波变换的原理以及存在的问题，以正态高斯分布和最大后验概率估计法为基础，提出了基于曲波变换的收缩法图像去噪方法。通过实验数据对比得知，该方法能够较好的去除噪声，同时更好的保留了原始图像的集合特征。3．介绍字典的相关知识：字典的提出、字典的选择、字典的设计，详细介绍了超完备稀疏字典理论，包括字典的数学描述，超完备稀疏表示问题的解决方法，同时解释了冗余字典的不相干系数，详细介绍了解决最优稀疏表示问题的两类算法（贪婪算法和全局最优算法），提出了学习型超完备冗余字典的构造和去噪方法，将字典的构造和图像去噪有机结合，同时完成稀疏表示和图像去噪，最后进行实验对比。
刘赶超[4]2016年在《基于双噪声相似性模型的SAR图像变化检测》文中研究指明图像的冗余性是图像处理中最基本的性质之一。在图像处理的很多领域,如图像压缩、修复、分类、检测等应用中,如何有效利用图像的冗余性都是其中的关键问题。为了能有效的利用图像的冗余性,首先需要寻找到足够多的相似点或相似块。因此,如何准确的度量图像的相似性是一个极为重要也非常有意义的课题。本论文即是从图像的相似性度量入手,针对当前噪声块相似性度量中误差较大的问题,在贝叶斯框架下,重点研究了基于统计的双噪声相似性度量模型及其在SAR/PolSAR的降斑和多时相变化检测中的应用,取得了如下的研究成果：(1)提出了一种噪声相似性(noise similarity, NS)的概念,用于改进噪声块的相似性度量,并将其应用于非局部均值(nonlocal means, NLM)滤波器中。噪声相似性的概念表明噪声块之间的相似性不止和信号有关,与其噪声也有关系。基于噪声相似性的概念,本文提出了一种双噪声相似性(double noise similarity, DNS)模型。该模型将图像去噪的问题转化成了两种噪声的抑制问题：一种是外加的加性噪声；另一种是估计误差,即估计值与其真实值之间的误差。前一种对应于去噪问题中的噪声抑制,而后一种则对应于图像细节的恢复。为了验DNS模型的有效性,本文给出了一种迭代的NLM滤波器,在最大后验概率(maximum a posterior, MAP)框架下这两种相似性协同工作。实验表明,本文提出的基于DNS的NLM去噪结果要明显优于其它同类算法的去噪结果。(2)将加性的DNS模型推广到乘性斑点噪声情形中,提出了一种针对于SAR图像的SAR-DNS模型。和加性高斯噪声不同,SAR图像中的乘性斑点噪声是非常复杂的。为了说明这种SAR-DNS模型的有效性,其被用于了SAR图像降斑中。在SAR-DNS滤波器中,斑点噪声的相似性和估计误差的相似性在MAP框架下协同工作达到平衡,使其在斑点抑制的同时也能较好的保持细节。本文还讨论了两种“噪声相似”在SAR图像降斑中的作用,并和相关的滤波算法做了比较。实验结果表明,本文提出的基于SAR-DNS滤波器在SAR图像降斑上的性能比其它同类算法更好。(3)提出了一种基于块相似性度量的SAR变化检测算法SAR-PCD。由于SAR图像中相干斑噪声的干扰,因此降斑过程对于变化检测是非常重要的。但是,在滤波后的图像中依然会有分布不均匀的残留噪声。除此之外,包含有降斑步骤的变化检测结果往往不能通过恒虚警率(constant false alarm rate, CFAR)来调节,而不包含降斑步骤的变化检测算法在强噪声情形下效果又很差。为了克服上述缺点,本文提出了一种改进的SAR图像变化检测框架。这种新框架的主要创新点包括：1)在SAR变化检测中加入了降斑步骤,使得该算法在强噪声情况下也很鲁棒；2)提出了一种新的等效视数(equivalent number of looks, ENL)估计算法,用于估计SAR图像降斑后的ENL3)所提出的基于降斑图像的变化检测结果可以根据不同的CFAR调节。在合成数据和真实数据上的实验都证明了本文提出的SAR-PCD算法的有效性。(4)相比于单极化的SAR数据,全极化的SAR包含的信息更加丰富,应用更为广泛。在本文中,DNS模型被进一步的推广应用于了多极化SAR的环境下中,提出了一种适用于极化SAR环境的PolSAR-DNS相似性,并将其应用于降斑和变化检测中。其中,PolSAR-DNS相似性中的噪声相似性主要用于斑点抑制,而误差相似性主要用于保持细节。最后,在极化SAR降斑和变化检测上的实验都表明,本文提出的PolSAR-DNS相似性比同类型的相似性的结果更好。(5)提出了一种新的基于多层判别式Fisher自编码器(stacked Fisher autoen-coder, SFAE)的SAR变化检测算法。在SFAE框架中,网络的训练包括无监督的逐层特征训练和有监督的微调。这种训练好的网络可以用于单极化/多极化SAR数据集中的无监督实时变化检测。SFAE框架的创新点主要包括两个方面：一是将栈式自编码器推广至乘性斑点噪声环境下的SAR变化检测中。另一个创新点是,通过引入Fisher判别项,确保SFAE网络提取到的特征是有利于分类的。在合成数据和真实数据集上实验都表明SFAE算法在多时相的单极化/多极化SAR变化检测上有很明显的优势。具体来说就是,所提出的SFAE算法能在检测准确度上远高于其它实时的检测算法,而在计算复杂度上又远低于其它的非实时算法。
霍雷刚[5]2015年在《图像处理中的块先验理论及应用研究》文中提出作为有力的和应用广泛的通信媒介,图像已经成为人类认识物理世界的主要信息来源。图像处理和理解成为当今科学技术的重要组成部分。然而,由于成像系统的不完善、周围环境的变化等因素的影响,图像在形成、传输、记录过程中会产生退化,导致信噪比(Signal-to-Noise Ratio, SNR)和分辨率降低、畸变、模糊等。图像的退化严重影响了其实际应用效果,图像分析和理解需要消除这些影响。目前,主要有两种方式：一是通过预处理对退化图像进行恢复；二是在图像理解算法中考虑退化因素造成的偏差。噪声是导致图像退化的主要因素之一,同时,图像去噪模型很容易扩展到去模糊等其它图像恢复模型。因此,图像去噪一直是图像处理领域的研究热点。城市变化检测在城市演变、城市规划、数字城市等领域有着非常重要的作用,.由于高分辨率图像可以提供更多的细节信息,近年来,基于高分辨率遥感图像的城市变化检测受到了更为广泛的关注。图像处理算法可以在“块”尺度上进行,本论文旨在利用分块思想和图像块先验提高退化图像的信噪比和多时相高分辨率(Very High Resolution, VHR)遥感图像变化检测的精度。本论文的主要创新性工作概括为以下四个部分：第一部分研究受加性高斯白噪声影响的高光谱图像的恢复。结合主成分分析(Principal Component Analysis, PCA)能量集中的特性和字典学习对每个主成分图像的自适应性,提出了基于主成分分析和字典学习的高光谱遥感图像去噪方法。该方法利用了高光谱图像在变换域的图像块的稀疏性先验。实验表明,新方法达到了更好的去噪效果,更好地保留了细节,有效抑制了斑块效应。第二部分提出一个新的字典学习模型。图像的光滑性先验假定图像属于某个光滑函数空间,图像块的稀疏性先验假定图像块可以在一组正交基、框架或者过完备字典下进行稀疏表示。综合以上两种假定,提出图像块可以在光滑字典下进行稀疏表示,建立了二阶总广义变差(Total Generalized Variation, TGV)正则的过完备字典学习模型,并将其应用于图像中加性高斯白噪声的去除。与已有字典学习模型相比,提出模型可以有效地控制字典原子的光滑性、更好地保留图像的结构,数值实验验证了提出模型的有效性。第叁部分研究受乘性Gamma噪声污染的灰度图像的恢复。基于图像的光滑性先验、对数域图像块的自相似性和稀疏性先验,提出了基于相似块组的乘性噪声去除模型的新框架,同时考虑了3种重要的图像/图像块先验。考虑高阶奇异值分解(Higher Order Singular Value Decomposition, HOSVD)和总变差(Total Variation,TV)正则的互补性,给出了一个具体的乘性噪声去除模型,分析了对应的求解算法。实验结果表明,新模型在有效去除乘性噪声的同时,可以更好地保留图像的边缘和纹理区域的细节信息。第四部分研究多时相高分辨率遥感图像变化检测。利用图像块在特征空间下的相似性,提出了变化场的概念。变化场具有明确的物理意义,它将高维特征空间投影到3维变化特征空间。利用图像块在空间的偏移距离和在特征空间的相似度差异,变化场在“块”尺度上有效的度量了两幅高分辨率图像间的复杂变化,提高了变化类和非变化类的类间可分性。基于变化场和渐进直推式支持向量机分类器,给出了一个高分辨率遥感图像变化检测新方法。实验表明,一些已有的变化检测算法的精度可以通过使用变化场得到提升,提出的方法可以有效地区分变化类和非变化类。
刘光前[6]2017年在《基于有限脊波变换的图像去噪算法研究》文中提出图像去噪是图像预处理过程中的一个重要环节,图像去噪效果直接影响后续图像处理相关工作的效率和精度,为了保证后续图像处理的结果更为可靠,这就要求我们在去除噪声的同时保留更多的图像边缘和纹理信息。有限脊波变换用于图像去噪能够更好的保持图像的线状特征,增强图像的视觉效果,但有限脊波变换是通过Radon变换来实现的,在进行图像重构时,往往会产生“卷绕”现象,导致去噪后出现边缘模糊、去除噪声不彻底等问题。本文针对传统有限脊波变换去噪算法去除噪声不彻底,边缘模糊等问题提出了两种改进的去噪算法:一是基于有限脊波变换和ROF模型的混合去噪方法(FRIT_ROF),二是基于多级残差滤波的有限脊波变换图像去噪方法(mResFRIT_ROF),具体介绍如下:(1)FRIT_ROF算法主要是对传统的有限脊波去噪算法的一种改进,主要有两方面改进,一是针对去噪过程中软、硬阈值函数存在的不足,本文提出了一种改进的自适应双变量阈值函数,该阈值函数值在软、硬阈值之间变动,连续并且一阶可导,有效地解决因阈值收缩带来的边缘震荡问题。二是针对脊波阈值去噪中因使用Radon变换带来的“卷绕”现象,本文对脊波系数在阈值收缩过程中进行了优化,对小于阈值的脊波系数进行全变差最小约束,而不是传统的置零操作,有效的减少的因“卷绕”现象带来的“吉布斯”噪声。最后,通过设计多组实验对比,对FRIT_ROF算法的有效性进行分析。(2)mResFRIT_ROF是一种基于多级残差滤波的FRIT_ROF图像的去噪方法。传统的脊波阈值去噪算法只考虑含噪图像中恢复出的图像信息,然而对去噪后的残差图像的利用却未被重视,本文针对FRIT_ROF算法去噪后的残差图像中仍然包含图像的结构信息,提出了一种基于多级残差图像去噪新方法,对降噪后的残差图像使用BM3D方法反复提取图像的结构信息,并将其经高斯滤波后作为补偿图像反馈至去噪图像。最后通过设计多组实验对比来验证算法的可行性和有效性。
杨昊[7]2016年在《图像去噪中几种优化算法的相关研究》文中研究指明图像是人们获取信息的主要来源。数字图像处理在信息时代已成为人们获取、处理、分析和分享信息的重要手段,深入到生产和生活的方方面面,取得了巨大的社会效益和经济效益。近年来图像处理技术与认知心理学、机器学习、机器视觉等研究领域的结合,产生了前所未有的新发展和新突破。因此,图像处理技术的相关研究,不仅在理论上具有重要意义,还在实践应用中具有广阔前景。图像去噪是数字图像处理技术中的一大类技术,是底层处理的关键步骤,其处理结果的好坏直接影响到后续分割、识别、分析等环节的性能。随着科技的发展,图像处理中各个流程对图像质量的要求也不断提高。因此,研究图像去噪算法,优化改善算法性能,是十分必要和重要的。本文以排序统计去噪算法、变分正则化去噪算法、基于变分不等式的去噪算法和基于局部特征的噪声检测算法为主要研究对象,进行了深入研究,分析了这些算法存在的缺点与不足,进一步提出了相应的优化改进算法,并从理论证明和实验验证两方面对算法的有效性进行了论证。本文的主要研究工作如下:(1)分析了去噪算法在抑制随机脉冲噪声和保护图像边缘细节之间的矛盾,在两阶段去噪算法的理论框架下,提出了一种结合加权空间离群点度量和优化的正则化能量泛函去噪算法。算法在第一阶段,通过将图像局部特征形成的权重作用于离群点度量,使之对图像边缘细节更为敏感,对边缘处的脉冲噪声有更强的鉴别能力。基于前一阶段检测出的脉冲噪声候选集合,算法在第二阶段的滤波恢复环节进行了两大优化。其一是通过噪点和无噪点的分离,优化了能量泛函中的数据保真项,降低最小化难度,提高算法效率;其二是通过对正则项作用域的拆分,降低噪声对恢复像素强度值的干扰。最后算法通过改进的正则化保边函数,引入局部特征,在抑制噪声的同时提供了对边缘细节的保护能力。(2)针对复杂图像中脉冲噪声检测准确度偏低的问题,提出增强脉冲噪声检测算法,从叁方面进行了改进。第一,引入局部边缘方向属性,强化算法对边缘噪声的检测能力。边缘像素的正常过渡和脉冲噪声的突变之间的相似之处在于本身像素值与邻域像素值之间差异较大,不同之处在于自然图像的边缘像素一般具有较强的方向性,这为区别两者提供了突破点。增强算法通过增加局部优化方向上的像素点在统计排序中的权重,来抑制边缘像素和脉冲噪声间的相互干扰,提高图像边缘细节处的噪声检测能力,为后续去噪恢复中的保边效果提供了坚实基础。第二,通过定义局部邻域像素点的子域均值来抑制邻域噪点对局部统计量的干扰,提高噪声检测结果的稳定性。第叁,引入自适应阈值,增强算法对图像不同模式的适应性。分析了图像中不同模式的变化与固定的全局阈值之间的矛盾,通过引入图像局部邻域的均值和标准差,产生自适应的局部阈值,提高算法对图像不同模式的适应能力。(3)当图像去噪去模糊问题被看作是带有离散全变分正则化的优化问题时,变分不等式理论作为一类研究极小化问题的重要工具,可以在其中发挥重要作用,然而目前针对性的研究成果相对较少。本文在混合拟变分不等式的框架下,基于全变分正则化算法,引入了包括各种全变分正则化作为特例的广义全变分正则化,提出了一种新的研究图像去噪与非盲图像去模糊的广义变分算法。本文的广义算法包括了各种自适应性与各向异性的全变分正则化算法。(4)为了进一步研究解驱动自适应的广义全变分正则化图像去噪与去模糊问题,本文证明了在此框架下混合拟变分不等式解的存在性与唯一性。并在此基础上,引入了求解混合拟变分不等式的修正投影算法,并给出了收敛性证明。这些论证为基于变分不等式的图像去噪研究提供了一定的理论基础。
邵文泽[8]2008年在《基于图像建模理论的多幅图像正则化超分辨率重建算法研究》文中指出随着信息时代的逐步发展和图像处理的日益普及,科学研究和实际应用对图像分辨率的要求越来越高,因而对感光器制造技术逐渐提出新的挑战。目前,通过减小单位像素尺寸和增大感光器芯片尺寸的硬件方案都存在技术上的瓶颈,同时价格昂贵的高精密感光器不适用于普及应用。超分辨率(Super-Resolution;SR)重建技术利用已有低分辨率成像系统,通过信号处理的方法提高图像分辨率,获得国内外学术界与商业界的极大关注和深入研究,具有重要的理论意义和应用价值。本文研究以基于图像建模理论的空域SR重建算法为主线,针对SR重建退化模型中的图像去噪、图像放大、图像增强、运动估计等关键子问题,重点研究发展了边缘保持、纹理保持、以及角形保持的图像建模,并且在此基础上相应地提出了一系列基于图像建模理论的多幅图像正则超分辨率重建算法。本文取得的创新理论及主要成果包括:(1)针对各向同性MRF(Markov Random Field)图像先验模型,定义了一类非负稳健ρ-函数作为边缘保持势函数,同时将双边滤波推广到稳健双边滤波,建立了双边滤波与Bayesian MAP框架之间的理论联系。进一步地,通过同时考虑像素的亮度信息和图像的几何信息,设计了一种结构自适应的各向异性数字滤波器。在此基础上,提出了各向异性的MRF图像先验模型,同时建立了基于各向异性MRF图像模型的联合图像配准和高分辨率图像估计的边缘增强SR重建算法。重建图像的视觉效果和峰值信噪比显示,本文算法不仅能够更好地抑制噪声和保持边缘,而且能够同时抑制平坦区域中的阶梯效应。(2)针对Rudin和Osher提出的连续全变差模型(Continuous Total Variation;CTV)在数字图像处理中的不足,分别提出了边缘保持的超数字化全变差(Beyond Digital TV;BDTV)模型和纹理保持的自适应超连续型全变差(Adaptive Beyond Continous TV;ABCTV)模型。BDTV模型不仅能够保持边缘结构的清晰度,而且能够抑制平坦区域中的阶梯效应,尤其适用于近似卡通图像的数字图像处理。ABCTV模型利用曲面的主曲率信息实现连续TV模型和高阶连续TV模型的自适应耦合,能够在抑制噪声过程中同时保持图像的边缘和纹理结构。进一步地,分别在参数化全局运动和非参数局部运动两种情形下提出基于BDTV模型的联合超分辨率重建和运动估计算法框架。重建图像的视觉效果和峰值信噪比均验证了本文算法的有效性。(3)重点研究了如何在图像插值过程中同时实现边缘结构的光滑重建和角形结构的尖锐重建,首次提出可以用于增强角形结构的角形冲击滤波器的概念。角形冲击滤波器的设计主要分为两步:通过角形强度度量确定角形冲击流的速度;基于水平线演化理论确定角形冲击流的方向。通过耦合角形冲击滤波器和Osher等提出的边缘冲击滤波器,能够同时实现增强边缘结构和角形结构的目的。将角形冲击滤波器与方向扩散PDE图像插值算法耦合,不仅能够去除边缘上的锯齿效应,而且能够同时抑制方向扩散PDE在角形区域的扩散,大大提高了插值图像的视觉质量。在此基础上,提出了几何结构增强的PDE超分辨率重建算法框架,理论分析和实验结果均表明,本文算法是对Capel和Kim的PDE-SR重建算法合理有效的发展。(4)重点对基于结构张量的变分PDE的滤波性能进行了系统的分析研究。Weickert等提出的散度型各向异性PDE对应的是具有角形保持作用的平滑-增强型滤波机制;而Tschumperlé等提出的可计算迹型PDE是散度型各向异性PDE的一种退化情形,对应的是平滑型滤波机制但是不具有角形保持作用。在此基础上,研究分析了基于结构张量的变分泛函满足角形保持性能的条件。最后,建立了一种面向应用的统一正则PDE框架,能够更为直观、有效地刻画PDE在平坦区域、边缘结构、以及角形结构的滤波性能。图像滤波、图像插值、图像修补等多种图像处理结果均验证了本文统一PDE框架的有效性。(5)在刚性图像变换模型下提出基于几何结构相似度最大化的鲁棒图像配准算法。几何结构相似度定义为参考图像与待配准图像在几何结构方向场之间的一致性,更加符合人类感知的鲁棒性,并且提出利用结构张量增强方向场估计对随机噪声、光学模糊、频谱混迭等退化因素的鲁棒性。实验结果表明,本文算法在精确性、鲁棒性、以及适用性上优于当前SR重建中常用的KPB(Keren-Peleg-Brada)配准算法,对获得高质量的SR重建图像具有重要的应用价值。
王忠美[9]2017年在《基于稀疏与低秩模型的光学遥感图像盲复原方法研究》文中研究说明光学遥感是对地观测的重要手段,被广泛应用于军事侦察、环境监测、灾害监测与预警和城市规划等多领域。在遥感成像链路过程中,遥感图像会受到各种退化因素的影响,如卫星平台姿态的变化、光学传感系统、探测器响应及大气湍流的影响都会引起图像质量的退化。为了获得高质量遥感图像,需对退化图像复原以提升遥感图像质量。现有大多数图像复原算法都是建立在模糊图像点扩散函数和图像噪声已知的前提下进行的。但实际成像过程中,遥感图像退化因素复杂,无法精确知道图像模糊核函数和遥感图像噪声分布,因此在退化因素未知情况下,对遥感图像进行盲去噪和盲去模糊是非常必要的。论文围绕光学遥感图像质量提升问题展开研究,以图像稀疏和低秩模型为理论依据进行图像盲复原提升遥感图像质量,包括遥感图像去噪、遥感图像去模糊和高光谱遥感图像去噪等图像复原问题。论文的主要研究与创新点如下:(1)分析遥感图像噪声分布特性,并采用Dir-GMM混合模型对遥感图像噪声建模,该模型能有效描述遥感图像的复杂噪声。提出噪声模型的优点是使用Dirichlet过程混合模型自动确定高斯混合模型中分量数目及高斯混合模型中各分量的混合比例。(2)针对传统矩阵分解方法假设噪声项满足高斯分布且需预先指定矩阵的秩,使得其只能对高斯噪声去噪,且预先指定的秩不一定是最优,使得去噪性能较差。提出噪声项服从Dir-GMM分布的贝叶斯低秩矩阵分解算法对传统方法进行改进,并引入自动相关确定来选择模型的最优秩。提出的误差项为Dir-GMM模型的低秩矩阵分解模型用于遥感图像盲去噪,不需要预先知道噪声的类型及噪声强度,且不需要指定矩阵的秩进行图像盲去噪。(3)在分析模糊对图像稀疏和低秩先验影响的基础上,提出一种组合图像及其梯度的低秩先验的遥感图像盲去模糊算法,且使用加权核范数最小化低秩矩阵分解进一步增强图像的低秩性。提出算法以图像及其梯度的非局部自相似低秩先验为先验正则项估计清晰图像和模糊核进行图像盲去模糊。在模糊核估计步骤中采用多尺度策略从粗到精估计的模糊核,且在每个尺度模糊核估计中对中间去模糊使用加权核范数低秩矩阵分解增强其低秩性,去除中间去模糊图像中精细纹理和边界信息增强图像的低秩性,便于模糊核的估计。获得最优尺度模糊核后,采用传统非盲去模糊方法去模糊获得清晰图像。(4)高光谱图像是由二维空间信息和一维光谱信息组成的叁维数据可由张量进行表示,高光谱图像去噪可看作是高光谱噪声图像分解为表示去噪后高光谱图像的低秩张量和表示噪声的稀疏张量的低秩张量分解问题。低秩张量分解可看作是低秩矩阵分解的扩展。本文提出了一种分层贝叶斯低秩张量分解模型能自适应确定张量的最优秩。为了充分利用图像的非局部自相似先验信息,首先将高光谱图像中非局部自相似块形成聚类分组,然后采用提出分层贝叶斯低秩张量分解模型对聚类分组进行分解获得去噪高光谱图像。(5)遥感图像成像过程中,由于成像设备的限制,不能同时获得高空间分辨率和高光谱分辨率遥感图像。为了解决遥感图像的空间分辨率和光谱分辨率固有矛盾,提出了一种非负结构稀疏表示方法进行高空间分辨率和高光谱分辨率遥感图像融合方法,使得融合后目标图像同时具有高空间分辨率和高光谱分辨率。遥感图像融合过程中真实空间响应和光谱响应是未知的,提出了一种高效方法估计空间和光谱响应。
汤清信[10]2013年在《基于小波域局部特征的图像去噪与融合》文中研究表明本论文的研究目标是分析和发掘图像在空间域、变换域的局部特征并将其应用于小波域的图像去噪和图像融合。本文的工作主要针对小波域图像去噪与尺度间系数对齐问题相关的图像细节模糊问题、Bandlet变换的自底向上蛮力搜索图像几何正则性的低效问题、基于红外图像增强低亮度光学图像时引入的漂白现象，以及小波域定义的多种对比度（显着性测度）的关系及其对相关融合算法性能的影响问题。研究的内容涉及到提出解决这些问题的概念、定义和算法，通过必要的仿真实验和实际图像的应用实验，验证了新方法的性能，并和现有的其它同类方法进行了比较和分析。本文的主要研究成果为：1.针对现有的基于图像相似性指标UIQI和SSIM中在计算对比度相似性的时候并未考虑图像局部背景亮度的问题，提出了一种综合性图像质量测度指标，该指标着重强调了主观评价和客观评价的全面考量，特别是考虑到人类视觉心理对于细节保持和图像对比度的感知特点，由此得到的评价指标比原来的UIQI和SSIM指标与人类视觉感知的特点更为一致。2.针对原有Bandlet变换中自底向上蛮力搜索图像正则几何、存在大量无效搜索量的问题，结合了图像作为二维函数的全变差值与目标边界间的积分关系，设计了一种自顶向下的几何搜索策略，并用以改进原Bandlet变换算法。新的改进算法可以避免多种区域的几何搜索操作，如匀质或常值区域、零值区域等，从而可以提高Bandlet变换算法的时间性能；3.在应用小波等多分辨分析去除图像噪声时，人们基于小波变换系数尺度间和尺度内的相关性，建立了多种模型，最常见的是Markov链、Markov树、高斯混合分布等统计模型。而基于尺度间点态预测和尺度内插值的非统计模型则另辟蹊径，完全不必考虑小波变换系数的统计特性——借助于尺度间的（大值）系数位置预测、通过求解一个确定性方程组即可完成基于SURE原理的阈值法去噪。然而这种尺度间的预测至少存在两个方面的问题，一是经过逐级下采样操作后，细尺度大系数在粗尺度下可能会消失；二是由于Gibbs效应影响，尺度间的大系数未必能够互相对应，细尺度下的大值系数未必对应于粗尺度下同一位置的大值系数，反之亦然。这个算法缺陷的直接后果就是在去噪过程中丢失弱纹理细节。借鉴于Bandlet变换定义图像局部几何流的思想，通过设定小波域尺度间方向几何流预测的方法，本文解决了这一弱纹理细节去噪后被弱化以致模糊的问题；该方法的关键在于，尽管个别像素点的系数可能会在粗尺度由于下采样消失、在不同的尺度间失去原来的位置对应关系，但是，这样的像素点所附着的图像几何元却依然存在，其位置和尺度间对应关系并不随尺度变化而变化。换言之，该项工作利用具有尺度间不变性的方向几何流特征间的对应预测关系解决了去噪后纹理等细节模糊的问题4.针对红外图像中像素值亮度（直方图）分布的局部特征，通过拉伸直方图上暗区像素的差异、同时压缩明亮区域像素的差异，并用于增强与之相对应的光学图像，从而可以消除增强图像和融合图像中存在的漂白效应，使得到的融合图像具有光学域的特点便于人类视觉系统感知，又能够避免漂白效应混淆目标特征及其边界。产生漂白效应的像素值与红外图像中低温目标产生的暗像素有关，发现这一个事实是构造出本算法的关键。5.在分析比较了多个图像融合研究中，基于对比度（显着性测度）值选择源图像的变换系数作为融合图像的变换系数，是近年来多分辨变换域图像融合领域的热点。然而，现有的对比度定义中，有的没有对图像特征的局部背景亮度信息给予足够的重视而未加考虑，有的在计算对比度的时候没有讨论有关的区域窗口尺寸的设置影响，有的则完全忽视了图像的多分辨分析的低通逼近系数的融合也需要考虑对比度因素，从而使得融合后的结果图像亮度减弱、红外图像的信息占优、丢失纹理等细节、边缘模糊化等等。为了解决这些问题，并对用于图像融合的多分辨变换域的对比度进行全面、深入的讨论和分析，我们在移不变小波域提出了一个基于区域窗口内变换系数统计特征的对比度定义，并用其构造了两个新的图像融合方案，以使得源图像中具有较强对比度的图像特征信息进入融合图像。实验结果证实了本文提出的方案融合的图像的优异性能及其稳定性。
参考文献：
[1]. 基于小波收缩框架下的总体变差模型的图像去噪[D]. 欧阳宏斌. 南京理工大学. 2004
[2]. 偏微分方程在遥感图像去噪与分类的应用研究[D]. 赵四能. 浙江大学. 2011
[3]. 基于压缩感知和稀疏表示理论的图像去噪研究[D]. 刘钢. 电子科技大学. 2013
[4]. 基于双噪声相似性模型的SAR图像变化检测[D]. 刘赶超. 西安电子科技大学. 2016
[5]. 图像处理中的块先验理论及应用研究[D]. 霍雷刚. 西安电子科技大学. 2015
[6]. 基于有限脊波变换的图像去噪算法研究[D]. 刘光前. 西安电子科技大学. 2017
[7]. 图像去噪中几种优化算法的相关研究[D]. 杨昊. 电子科技大学. 2016
[8]. 基于图像建模理论的多幅图像正则化超分辨率重建算法研究[D]. 邵文泽. 南京理工大学. 2008
[9]. 基于稀疏与低秩模型的光学遥感图像盲复原方法研究[D]. 王忠美. 电子科技大学. 2017
[10]. 基于小波域局部特征的图像去噪与融合[D]. 汤清信. 西安电子科技大学. 2013
标签：电信技术论文; 图像融合论文; 阈值分割论文; 遥感图像处理论文; 模糊算法论文; 小波去噪论文; 图像噪声论文; 加性噪声论文; 模糊理论论文; 边缘提取论文; 图像处理论文; 相似性论文; 阈值论文; 遥感影像论文; 算法论文;