一种双正则项各向异性扩散的纹理去噪模型研究

为了有效滤除图像噪声,同时最大限度地保留图像纹理和边缘等细节信息,将多尺度几何分析方法和各向异性扩散模型结合,构建了一种采用双正则项各向异性扩散的反应扩散方程,并完成了目标函数的离散及其数值解收敛性证明。目标函数定义为以波原子、曲波变换后邻域内梯度值为参数的扩散控制函数,使扩散在图像信息丰富的纹理和边缘区域减弱,并通过反应项对扩散进行调节,以得到更好的平滑效果。实验结果证明,该方法较传统的反应扩散模型不仅能提高图像的信噪比,而且可以更好地保留图像边缘和纹理等细节信息。

基于双正则项的图像超分辨率重建算法

图像超分辨率重建是一种病态反问题。在最大后验概率(MAP)随机正则化技术估计框架下,采用Lorentzian范数构造数据保真项,同时为了更好的保持重建图像边缘,现以图像灰度连续性为先验信息,提出了一种基于双正则项的目标方程。实验证明了此方法比采用L1范数和L2范数能更好地抑制噪声和保持边缘,且该算法对不同假设类型的噪声模型不敏感,鲁棒性较好。重建图像的视觉效果和峰值信噪比(PSNR)均有一定的提高。

改进边界指示函数的CV模型构建及应用

无边缘活动轮廓CV模型对于边界模糊以及背景灰度分布不均匀的图像缺乏良好的分割效果。基于此,对该模型进行了如下改进。对边界指示函数进行修改,将改进后的边界指示函数融入CV模型的长度项中。引用双阱势的距离正则项来避免水平集重新初始化,从而得到了一个梯度与区域信息相结合的水平集演化方程,并应用变分法中的有限差分法对方程进行求解。对木材虫眼、活节和死节图像进行了数值仿真模拟,仿真结果表明该模型对背景分布不均匀的图像具有良好的分割效果。

改进的变分水平集演化的图像分割算法

提出了一种改进的变分水平集分割算法。引入演化曲线内外灰度图像的中值代替传统CV(Chan_Vese)模型中的均值作为曲线拟合中心。在轮廓初始化后,采用最大类间方差(OTSU)方法改进曲线拟合中心,将最大类间方差与拟合中心结合,提高分割的准确率和适应性。加入双阱势的距离正则项以避免水平集重新初始化,提高效率,从而得到一个自适应阈值与区域信息相结合的水平集演化模型。