基于变分图像分解的电子散斑干涉信息提取方法

介绍了变分图像分解图像处理方法的基本原理、常用的函数空间及变分图像分解模型。回顾了近几年变分图像分解图像处理方法在电子散斑干涉(ESPI)信息提取技术中的应用成果,包括应用变分图像分解图像处理方法实现ESPI条纹图的滤波处理、ESPI条纹图方向和密度的计算和ESPI条纹图骨架线的提取。介绍了这些方法相较于传统方法的优势,并进一步展望了变分图像分解图像处理方法在光测技术中的发展趋势。

变分框架下的多尺度图像恢复与重建

变分图像分解,通过极小化能量泛函将图像分解为不同的特征分量,可以被应用到图像的恢复和重建.提出了变分框架下的多尺度图像恢复和重建的思想.基于这种思想,首先提出了一个单参数的(BV,G,E)三元变分分解模型,并且理论分析了参数与不同特征分量的尺度的关系.然后将此模型的参数选为一个二进制序列,得到多尺度的(BV,G,E)变分分解.该多尺度变分分解可以将图像分解为一序列图像结构、纹理和噪声.证明了此多尺度分解的收敛性并且基于对偶理论和交替迭代算法给出了其数值求解方法.最后将提出的多尺度的(BV,G,E)变分分解应用到图像恢复和重建,实验结果证实了理论分析的正确性,显示了将此模型进行图像多尺度恢复和重建的有效性,和与一些其他分解模型相比较的优越性.

一种改进全变分的图像去噪算法模型

为减少光学相干层析成像(optical coherence tomography, OCT)散斑噪声的干扰,利用变分图像分解原理提出一种新的全变分(total variation, TV)算法模型TV-Hilbert-Shearlet,将OCT图像分为背景、结构和噪声3个部分,将背景图与结构图相结合形成结果图,去噪效果良好。2幅有病变的OCT人体视网膜图像实验表明,TV-Hilbert-Shearlet算法能够去除图像散斑噪声,同时保持图像较完好的层状结构和边缘结构。

非均匀纹理图像的分层Criminisi修复算法

为了提高非均匀纹理图像大区域修复效果,提出了一个分层Criminisi图像修复算法。首先采用多尺度变分分解模型将图像分解成一系列图层之和,不同图层包含不同尺度的图像特征,而同一图层包含几乎相同的尺度特征。然后在每个图层中分别采用Criminisi算法进行修补。由于同一图层包含尺度大致相同的图像特征,所以在匹配块的搜索过程中,分层修复能较容易地搜寻到最优的匹配块。最后结合分别修复的各个图层,得到最终的修复结果。实验结果表明,对于不同的非均匀纹理人工图像和自然图像,本文模型都能取得较为满意的修复结果。

基于结构分量和信息熵的Criminisi图像修复算法

针对Criminisi图像修复算法中优先级计算易受图像纹理影响的问题,提出了改进的基于图像结构分量的优先级函数。首先采用变分分解模型,将待修补图像分解为结构分量和纹理分量;其次基于结构分量计算数据项,排除纹理的影响;然后在优先权函数中引入度量像素块复杂度的信息熵,将像素块中除了中心点之外其它位置的结构信息融入到优先权的计算中,使修补次序进一步向结构丰富的像素块倾斜;最后将优先权函数表示为置信度、数据项和信息熵的加权和,以解决传统Criminisi算法优先权随着置信度迅速下降为零而造成修复次序出现偏差的不足。新的优先权函数排除了像素块中在计算数据项时纹理的影响,并且融合更多的结构信息,使修复次序更加准确。实验结果表明,对于不同的人工图像和自然图像,本文模型都能取得较为满意的修复结果。