奇异值分解带通滤波背景抑制和去噪

针对可见光图像弱小目标检测中的背景抑制和去噪问题,提出了奇异值分解(Singular Value Decomposition,SVD)带通滤波新方法.首先分析了图像奇异值与目标、噪声和图像背景的关系,结果表明奇异值的高序部分更多地反映图像噪声,中序部分更多地反映目标性质,而低序部分更多地反映图像背景.以此为依据提出了SVD-Ⅰ型和SVD-Ⅱ型两种带通滤波器,并给出了奇异值曲线转折点法和门限准则法两种滤波器参数确定方法.实验表明SVD带通滤波能有效抑制图像背景,去除噪声,进而提高弱小目标的信噪比.

基于频域分解法的桥梁健康监测研究

为更好地评估桥梁工作状态,以频域分解法为基础分析了模态参数和环境之间的相互联系。分析结果表明:通过前、后均值滤波可以很好地去除奇异值曲线中的毛刺峰值,将曲线的毛刺峰值部位变得较为平滑,并且曲线真实峰值部位在滤波前后也不会出现变化;K-means聚类法对全部DVP指标进行分类,能够很好地将真实峰值和虚假峰值区分出来,达到自动识别结构模态参数的目的;结构频率和温度成为负相关关系,前4阶的温度和频率的系数绝对值与第五阶相比较小,表明温度对此阶频率影响较大;频率和湿度的Pearson系数大小基本为0,这表示结构频率和湿度基本没有相关性;风速与湿度大致相同,风速和前5阶结构频率没有较高的相关性,但风速和第5阶频率呈现较低的相关性。

无需学习的无参考彩色噪声图像质量评价方法

噪声失真是一种最常见且种类最多的失真类型,但目前针对除高斯噪声外的噪声失真类型的研究较少。文中提出了一种无需学习的且能同时评价5种噪声失真的无参考彩色噪声图像质量评价方法。该方法基于四元数奇异值分解,利用图像的奇异值倒数曲线所围成的面积与噪声图像失真程度的关系,推导出表示图像失真的质量指数。该方法不需要任何图像或失真的先验知识,也不需要任何训练过程。4个通用的自然场景图像数据库上的实验结果表明,该方法的预测结果与人类主观质量评分具有较好的一致性,与最新的全参考图像质量评价算法和无参考图像质量评价算法相比具有更好的性能。