基于多形态学成分分析的图像融合

将多尺度分解与稀疏表示相结合,提出了一种基于多形态学成分分析(MCA)的图像融合算法。采用基于联合稀疏表示(JSR)的方法融合卡通子图像中的冗余和互补信息,并利用基于方向特征的方法融合具有更多细节信息和噪声的纹理子图像。结果表明,提出的图像融合算法在主观视觉效果和客观评价指标上均优于先进的图像融合算法。

基于形态成分分析和Contourlet变换的自适应阈值图像去噪方法

针对含有丰富纹理和边缘特征的噪声图像,提出一种基于形态成分分析(MCA)和Contourlet变换的自适应阈值图像去噪方法.该方法首先引入MCA将噪声图像分为低频部分和高频部分,在此基础上设计一种自适应的分层阈值估计处理策略.根据噪声的分布特性,通过阈值估计和Contourlet变换对噪声图像的低频部分和高频部分进行分频带去噪处理,有效去除噪声图像中的噪声.通过对噪声图像的仿真实验表明,文中方法能较好地保留图像纹理和边缘,并且去噪效果优于传统的均值滤波去噪、中值滤波去噪、小波多层阈值去噪和轮廓波多层阈值去噪方法.

基于改进MCA的干涉高光谱图像分解

干涉高光谱图像特殊的成像原理,使其帧内存在着大幅值且位置固定的干涉条纹,而帧间存在着水平移位的背景图像,这种特点会严重的破坏原始图像的固有结构,从而导致新兴的压缩感知理论与传统压缩算法的直接应用无法得到理想的效果。由于干涉条纹信息与背景图像信息的特征不同,能够对干涉条纹与背景图像进行稀疏表示的正交基也是不同的。基于这种思想,使用MCA(morphological component analysis)算法对干涉高光谱图像中干涉条纹信息与背景图像信息进行分离处理。由于干涉高光谱图像数据量庞大,传统的MCA算法对干涉高光谱数据的图像分解,迭代收敛速度慢,运算效率较低,故而针对干涉高光谱数据特点对传统MCA算法进行改进,改变其迭代收敛条件,当分离后的图像信号与原始图像信号的误差已经基本保持不变时,即终止迭代;并根据对应正交基能且仅能稀疏表示对应信号的思想,对阈值采用自适应的方式进行更新,在新的阈值更新模式中,图像信号在不同正交基下的映射系数被计算与比较。大量实验结果表明,对于LASIS数据与LAMIS数据,MCA算法都能够较完美的将干涉高光谱图像分解,改进的MCA算法更能在保持完美分解输出结果的同时,相对于传统MCA方法显著的减小迭代次数,更快的达到迭代收敛条件,从而有效的提高了算法的运算效率与实时性需求,也为新兴的压缩感知理论在干涉高光谱图像中的进一步应用提供了一种很好的解决方案。

MCA分解的唐墓室壁画修复算法

壁画数字化修复工作极大降低了手工修复时带来的不可逆的风险。根据唐墓室壁画人工修复时先整体结构、后局部纹理的思路,提出一种基于形态学成分分析(morphological component analysis,MCA)分解的唐墓室壁画修复算法。首先结合唐墓室壁画的特点,采用改进的MCA方法进行图像分解,得到结构部分和纹理部分;然后根据图像分解后纹理和结构的复杂程度与稀疏程度,分别采用简化的全变分(total variation,TV)算法和K奇异值分解(K-singular value decomposition,K-SVD)算法进行修复。实验结果表明,该算法可兼顾纹理与结构的修复效果,唐墓室壁画中的裂缝现象的破损修复精度得到提高。