基于图的数字全变差模型及其带噪图像任意精度放大

分析了利用Sobolev空间Tikhonov正则化模型对带噪图像进行放大的不足 ,基于图像的修复模型 ,提出带噪图像放大的数字全变差模型 利用有向图构造出兼顾噪声去除和图像放大的数字TV滤波器 ,并利用该滤波器提出一种新颖的图像放大算法 作为算法对比 ,利用Sobolev空间Tikhonov正则化模型 ,提出相对应的数字Tikhonov放大算法 结果表明 :数字TV放大算法明显优于数字Tikhonov放大算法 ,不仅较好地抑制了噪声的影响 ,而且使得任意精度放大的图像边缘清晰、过渡自然 。

变正则参数方法在带噪图像保边缘恢复中的应用

提出变正则参数的变分方法 该方法通过选取随梯度变化的自适应的正则参数 ,达到去噪和保持边缘的目的 通过 5点格式构造出变分模型的离散解法 。

小波构造变正则参数变分模型在带噪图像恢复中的应用

在利用正则化方法构造变分模型进行图像去噪时 ,其正则参数往往选择为恒定值 文中利用小波分解的层次性和带噪图像中噪声所具有的时频特点 ,构造出变正则参数的变分模型 在不同的小波分解层 。

用B样条拟合计算带噪数字图像的梯度

利用B样条的局部性及其求导的特殊性 ,对带有噪声的数字图像的梯度计算 ,即 :首先利用B样条进行拟合 ,然后求梯度。这样的处理就抑制了噪声的影响 ,而且B样条的计算特别简单。还提出了算法实现的优化 。

Tikhonov正则化方法在带噪数字图像缩放中的应用

利用正则化方法对带噪声图像的缩放问题进行了讨论 ,提出带噪图像缩放的变分模型 ,并利用样条构造出变分模型的解 .该方法使得带噪图像在进行缩放时噪声的影响得到了较好抑制 ,通过选择不同的正则参数 。

图像梯度与散度计算及在边缘提取中的应用

尝试把梯度和散度的概念引入到图像分析中 ,基于梯度和散度的积分定义 ,给出了计算图像梯度散度的、与坐标选取无关的简易近似公式。并将它们应用到带噪数字图像中 ,利用梯度与散度的配合进行边缘提取 ,同时给出了实验结果。

扩展的Chan-Vese模型在噪声图像分割中的应用

针对带噪声图像分割结果不理想的现象,提出一种对带不同类型噪声的图像都能进行有效分割的变分模型。首先扩展了Chan-Vese(CV)模型的能量泛函,然后在数值求解过程中,引入一个辅助变量与水平集方法相结合,采用高效和无条件稳定的MOS算法,提高精度和计算效率。对带一定强度噪声的图像进行地分割实验,并与CV变分模型的分割结果进行比较。结果表明,该新变分模型较好地克服了噪声干扰的影响,对带噪图像的分割是有效的,迭代次数少,速度快且提高了目标分割的准确性。