基于结构张量扩散的改进PDE滤波算法

从扩散的角度分析了图像处理中传统热扩散和PM模型的不足,提出了一种各向异性的改进PDE滤波算法.该算法利用图像的结构张量信息和局部特征,自适应选取扩散系数,在图像平坦区域,具有各向同性扩散;而在图像边缘处,则只沿着切向扩散.实验结果表明,该算法具有良好的滤波性能,在滤波的同时可有效保护边缘细节,对灰度图像特别是医学图像,相对于传统方法,该算法可以获得更好的主观视觉效果和客观性能评价指标.

基于2级噪声检测的改进中值滤波算法

针对传统中值滤波算法去除高密度椒盐噪声能力的不足,提出了一种新的改进算法。该算法首先采用2级噪声检测方法对图像中的信号点和噪声点进行标识,然后对检测出的噪声点利用改进的中值滤波算法进行处理,而对信号点则保留其灰度值不变。实验结果表明,该算法能在有效去除噪声的同时很好地保留图像细节,相比于传统中值滤波及其它改进中值滤波算法,该算法获得的去噪后的图像具有更好的客观评价指标和主观视觉效果。

基于特征均值的SVD信号去噪算法

根据矩阵奇异值分解原理,提出基于特征均值的信号去噪算法。该算法首先构造出加噪信号的Hankel矩阵,并对其进行SVD变换,再将小于全体特征值的均值的那些特征值置零,最后通过SVD反变换重建出去噪后的信号。通过与传统小波和FFT信号去噪算法进行对比实验。结果表明,该方法具有较强的噪声鲁棒性,同时能更好地保留信号细节,但实现速度有所降低。

鲁棒的形态学彩色图像边缘检测算法

针对传统边缘检测算子对噪声敏感的缺点,提出一种新的基于数学形态学的彩色图像边缘检测算法。该算法在传统形态学边缘检测算子的基础上,通过综合形态膨胀和形态腐蚀,设计出一种多尺度、多结构元素的抗噪型边缘检测算子,利用新算子对R、G、B三个分量分别检测出图像的边缘分量,对三个边缘分量进行融合得到最终的彩色边缘信息。仿真实验表明,该方法得到的边缘轮廓清晰,边缘定位精度较高,比传统的边缘检测方法具有更好的噪声鲁棒性和边缘细节保护能力。

基于平滑核的广义变分去噪模型

基于偏微分方程的变分模型是目前图像处理中最好的方法之一,然而,在解决图像去噪中的反问题时,传统的全变分模型存在"阶梯"效应这一固有缺陷。针对该不足,本文提出了一种基于平滑核的广义变分去噪模型(即u^=argminuJ(u)=∫Ω(u)dxdy+λ2∫Ωu-u0 2dxdy),该模型采用通用形式的平滑核函数作为图像的正则化项,选取一种鲁棒性好和边缘保持能力强的势函数,利用变分原理推导出与该模型相应的偏微分方程,最后给出了结合梯度加权最速下降法和半点格式的数值迭代算法(uni,+j1=uin,j+δt.(′(u u)uξξ+″(u)uηη)ni,j+(λ(u0-u))in,j)。大量实验仿真结果表明,该模型对高斯噪声图像具有良好的噪声滤除和细节保护能力,与传统全变分模型相比,无论是主观视觉效果,还是客观性能评价指标(PSNR)方面,都具有明显的优势。

一种去除图像混合噪声的滤波算法

针对同时感染脉冲噪声和高斯噪声的混合噪声图像,以全变分去噪模型为基础,结合中值滤波技术,提出一种新的混合噪声滤波算法。该算法首先根据脉冲噪声的特点和像素的局部能量信息,分离出脉冲噪声并以改进中值滤波算法去除,然后对含有高斯噪声的图像采用自适应广义变分模型进行降噪处理。实验结果表明,该算法在有效滤除混合噪声的同时能很好地保护图像细节,为去除图像中的混合噪声提供了一种有效的途径。

基于小波变换的图像自适应阈值去噪算法

针对传统小波阈值去噪算法的不足,提出了一种新的自适应阈值去噪算法。该算法引入了一个新的阈值函数,利用GGD模型对小波子带内的系数进行建模,再根据小波子带系数的局部邻域信息进行方差估计,从而得到自适应最优阈值。实验结果表明,该算法在峰值信噪比和主观视觉效果上都比传统小波阈值去噪算法具有明显改善。

基于全变分模型的新型数值实现算法

基于经典全变分(TV)模型的图像恢复框架,从局部扩散的角度,设计了一种新的应用于图像去噪的数值算法.该算法可以根据图像的局部梯度信息自适应地选取扩散系数,使边缘处扩散较弱,在平坦区域扩散较强,实现了对噪声图像的各向异性滤波处理,在去除噪声的同时保护了图像的边缘细节.最后与传统TV模型进行了实验对比,实验表明本算法性能更好,运算效率更高.

基于广义变分模型的自适应图像去噪算法

通过分析全变分(TV)去噪模型的优缺点,提出了一种新的改进算法。该算法根据最大后验概率(MAP)和马尔可夫随机场(MRF)的理论,推导出一个广义变分的图像去噪模型,并对平衡正则化项和数据保真项的Lagrange乘子λ进行了自适应改进,最后采用了一种鲁棒性好和边缘保持能力强的势函数,结合梯度加权最速下降法和半点格式的数值迭代算法对自适应的广义变分去噪模型寻优求解。实验结果表明,新模型能很好地应用于图像去噪,与现有的算法相比,在峰值信噪比有所提高的同时,图像的主观视觉效果也更好。

联合结构张量和变指数正则变分医学图像复原

利用图像局部特征,提出了一种基于Lp范数的变指数正则变分模型。采用结构张量作为Lp范数算子的自适应调整参数,克服了传统算子对噪声敏感的缺陷。从扩散的角度看,该模型是各向异性的,在图像同质区趋于平滑滤波,在图像渐变区趋于沿边缘方向扩散。该方法在扩散的同时更好地保持图像的边缘细节。实验结果表明,该方法对医学图像的复原效果优于其他几种变指数变分模型,各种客观性能指标也更佳。

基于局部能量的改进开关中值滤波

针对脉冲噪声感染的图像,借鉴开关滤波的思想,提出了一种新的改进算法。该算法通过分析Max-min噪声检测算子的图像灰度局部极值点的误判缺陷,在极值检测的基础上,增加了由局部能量信息为判别依据的第二级噪声检测过程,实现了对噪声的精确检测。同时,在去除噪声时只利用信号点参与中值滤波,并让噪声点逐步转化为信号点,减少了噪声在邻域的传播。实验表明,该算法对脉冲噪声具有很好的噪声滤除和细节保护能力,与传统中值滤波及其他开关滤波算法相比,该算法具有更优的滤波性能,即使是在噪声密度较高的情况下,也能取得令人满意的效果。

基于多结构元素的数学形态学边缘检测算法

针对传统边缘检测算子对噪声敏感的不足,提出了一种基于多结构元素的数学形态学边缘检测算法。该算法在传统形态学边缘检测算子的基础上,通过综合形态膨胀和形态腐蚀,得到一种新的抗噪型边缘检测算子,利用多结构元素提取图像的边缘特征,即使在噪声条件下,也能获得较为理想的图像边缘。实验结果表明,与传统的边缘检测算子相比,该方法边缘检测精度高,且具有良好的噪声鲁棒性。

关于斜坡信号的傅里叶变换探讨——从一则悖论谈起

斜坡信号作为一种特殊的奇异信号,由于不满足绝对可积的条件,在计算傅里叶变换时如果采用传统方法往往会遇到困难.若采用傅里叶变换时域卷积定理,将导致一个悖论产生.从该悖论入手,对斜坡信号傅里叶变换的求解方法进行了探讨,给出了三种新的计算方法,最后分析了悖论引起的原因.

对《信号与系统》中两类典型问题的探讨

探讨了常系数微分方程与系统的仿真框图之间的互相转换,通过引入中间辅助函数的方法,可使转换过程比传统方法大大简化.对两个不同幅值和脉宽的矩形信号的卷积问题,给出了三种不同的求解方法,并讨论了其各自的优越性和适用范围.

离散序列线性卷积和循环卷积的关系

针对时域离散序列,探讨了线性卷积和循环卷积之间的关系.分析了两者等价的条件,并研究了其不等价情形下的误差范围,最后通过仿真实验证明了理论结果的正确性.

时频域分析中几种傅里叶变换的比较

在时频域分析中,傅里叶变换是一种非常重要的工具,尤其是在快速傅里叶算法FFT出现以后,它在信号分析和处理中得到了广泛的应用.从频谱分析的角度,对常见的四种傅里叶变换进行了对比研究,厘清了它们之间的内在联系,以使人们加深对傅里叶变换本质的理解.

基于熵变分的图像去噪模型

针对传统Tikhonov正则化模型存在的不足,根据最大后验概率(MAP)和最大熵的理论,提出了一种基于熵变分的图像去噪模型。该模型利用图像像素点的梯度信息自适应的对带噪图像进行各向异性滤波处理,在去除噪声的同时有效保留了图像的边缘细节。采用变分法推导出了该模型对应的偏微分方程,最后结合梯度加权最速下降法和半点格式的数值迭代算法对方程进行求解。实验结果表明,该模型去噪后的图像比Tikhonov正则化模型具有更好的客观评价指标和主观视觉效果。

基于小波包分析的ECG信号降噪

在临床医学检测上,心电信号(ECG)是一种典型的人体生理信号,在采集时常伴有工频干扰、基线漂移和肌电干扰等影响。为后续能进行有效诊断,必须对采集的ECG信号进行预处理。文中介绍了一种基于小波包分析的ECG信号降噪方法,首先根据熵标准选择最佳小波包基,然后对ECG信号进行多层小波包分解,最后对分解系数进行阈值量化后得到重构信号。通过对胎儿ECG信号的仿真实验,结果表明,小波包分析方法比傅里叶变换和小波变换等具有更好的降噪效果。

基于结构保持的增广型各向异性PDE滤波

基于偏微分方程模型的图像恢复框架,从各向异性扩散的角度,提出了一种基于结构保持的增广型PDE图像滤波算法.首先定义了一种新的扩散权函数,采用差曲率代替传统的梯度算子作为边缘判别器,以克服后者对噪声敏感的不足.并根据图像结构张量信息分别设计了梯度和切线2个不同方向的扩散系数,在图像平坦区域,梯度和切线2个方向具有同等扩散,而在图像边缘处只沿着切线方向扩散.同时,引入数据保真项,有利于在滤波时保持图像细节.实验结果表明,无论对灰度图像还是医学图像,该算法可比现有其他几种扩散模型取得更好的主观视觉效果和客观性能评价指标.

基于L_p范数广义变分正则化图像滤波

传统变分PDE方法,如基于L2范数调和模型,全变分TV模型和广义TV模型等。在滤除噪声的同时,不能有效地保留边缘等细节。针对该不足,提出了一种基于L_p范数(1≤p≤2)的广义变分滤波模型,采用差曲率作为自适应的调整参数,实现了图像的各向异性处理。仿真实验结果表明,该算法比传统变分PDE能更有效地检测边缘与平坦区的孤立噪声点,能有效地克服阶梯效应并保留局部细节信息,在主观视觉效果和客观评价指标两方面都更具明显优势。