基于非凸非光滑变分模型的灰度图像泊松噪声移除算法

基于非凸变分方法在图像边界结构保持和对比度保持上的优势,针对泊松噪声的移除问题提出一种新的非凸非光滑正则化模型及快速求解算法。模型由非凸Lipschitz势函数复合图像梯度信息的正则化项和非线性Kullback-Leibler数据保真项两部分构成。通过使用临近点线性化策略,将求解非凸变分模型转化为求解一系列凸变分模型,进而使用交替方向乘子法求解。同时证明了算法的目标函数值序列具有单调下降性。实验结果表明,该方法能有效消除图像中的泊松噪声,且信噪比较经典算法有明显提升。

基于深度学习的异噪声下手写汉字识别的研究

针对手写汉字字符图像识别率受随机噪声影响的问题,提出了一种基于深度学习与抑制噪声相结合的新算法。该算法主要应用于拥有随机噪声的手写汉字字符图片,是其在Python环境下,利用Caffe平台建立抑制噪声与卷积神经网络相结合的模型,通过模型移除噪声并正确识别手写汉字。另外,新算法去除噪声的同时对字符形态没有改变,保留了汉字的原始信息。结果在其两种不同的噪声(高斯噪声和椒盐噪声)下,逐渐提升其噪声强度,进行多次实验,同时与其他方法对比,最终得到其平均识别率为97. 05%。实验结果表明,该模型和算法具有效率快、识别能力强的优点。

基于高斯曲率改进的PM模型

在Perona和Malik的各项异性扩散方程的消噪模型中,一些小梯度的细节信息和噪声会被扩散掉,而在这些细节信息点往往具有零高斯曲率的特征,根据这一特点,对PM模型加以改进。新的模型不但可以保持零高斯曲率的图像特征,如:直线边缘、曲线边缘、角点、斜坡和小尺度特征,还可以增强尖锐的边缘。实验表明,改进的模型比PM保留了更多的图像信息,因此该模型可以大量地应用于图像处理和计算机视觉。

基于二维Gamma分布的激光点云去噪

利用地面激光扫描仪测量时,由于空气中尘埃等因素会产生噪声点,对后期三维建模等应用带来不利影响。在现有研究成果基础上,深入分析散乱点云的近邻域特性,采用基于二维Gamma分布实现点云去噪,并在kd-tree索引支持下对其进行优化,通过邻域均值和邻域距离变化斜率两个约束条件共同移除噪声点。实验结果表明,本文算法能自动识别噪声点,降低人工设置阈值的影响,并与传统的基于正态分布的邻域点去噪算法进行对比,实验效果较优,达到了预期效果。