基于总变分模型的光照不变人脸识别算法

提出了一种基于L1总变分模型的对数商图像光照不变人脸识别算法。用L1总变分模型作为低通滤波算子对图像平滑滤波,得到图像光照分量的估计,然后在对数域中定义原图像与其光照分量的商为光照归一化图像,并用该图像作为光照不变量进行人脸识别。基于L1总变分模型的平滑滤波具有较好的边缘保持作用,能有效地消除光晕现象,并且参数设置简单。在YaleB和CMU PIE人脸图像库上的试验结果表明,该算法能有效地提高人脸识别系统在不同光照条件下的识别率。

基于空域相关滤波和总变分模型的图像去噪

针对总变分(TV)模型对图像的细节不敏感以及去噪的同时易造成边缘模糊的缺陷,提出了一种图像去噪的新算法。根据图像经过小波分解以后,细节主要集中在高频部分,而取相邻尺度的小波系数进行相关计算,可以提高边缘的定位精度。利用小波高频系数的相关计算来控制TV模型的扩散,在去噪的同时保护了边缘细节。仿真实验采用三种典型的离散方法,结果显示该算法处理的去噪图像视觉效果有所改善,且信噪比也有很大提高。

贝叶斯框架下的总变分图像去噪算法

针对经典去噪模型易造成图像细节丢失以及确定性算法无法自动估计去噪过程中的未知参数等问题,提出一种新的图像去噪算法.该算法在贝叶斯框架下,用总变分模型(TV)和伽马分布分别刻画原始图像及未知参数的统计特征,并基于最大联合分布的推导,估计最优原始图像.总变分模型使最终的能量泛函非线性且不可微分,因此,引入迭代重加权最小二乘法(IRLS),通过迭代的方式用加权的L2范数逼近L1范数来表示图像的统计模型.实验结果表明,该算法可有效去除图像的噪声,提升去噪速度,使所恢复的图像在实际视觉效果和信噪比等方面均优于其他同类算法.

一种基于总变分与显著性检测的红外与可见光图像融合方法

红外与可见光图像融合是多源信息融合中的一个重要研究内容,它在军事侦察等方面有着广泛的应用.本文基于总变分模型和显著性检测方法,提出了一种有效的融合方法.首先,通过对红外与可见光图像的特征分布考察,构建了一个信息融合的总变分模型.其次,基于亮度对比度的显著性检测,给出了总变分模型中保真项权值的估计方法.实验仿真表明,无论是视觉观察还是客观评价,本文的方法均比一些现有方法体现了更好的结果.

基于自适应全变分模型和正则化技术的湍流图像复原算法研究

正则化技术为基础,提出自适应的TV(Total Variation)模型,实现平滑去噪和保护图像的纹理细节,将研究图像复原转化为求解代价函数的最小化过程,并运用共轭梯度法搜索函数极值,以实现湍流退化图像的复原过程。实验结果表明,本文所提出的算法能够在较大程度上改善图像的质量,自适应全变分技术和正则化技术的合理使用能有效地保护图像边缘和去噪,并具有较好的收敛速度和稳定性。本文提出的算法计算强度适中,适合应用于具有较高实时性要求的航空航天、军事及农业等领域。

一种基于Contourlet变换的总变分图像去噪算法

文章针对Contourlet阈值去噪方法和总变分去噪模型的局限性,将Contourlet变换和总变分模型结合,提出一种基于Contourlet变换的总变分去噪方法,该方法在有效去除图像噪声的同时能兼顾图像的纹理细节信息,实验验证了本文方法的有效性和稳定性.

各向异性全变分图像去噪算法

图像去噪是图像复原问题中的重要研究内容之一,在此过程中图像的高频部分易受到破坏。针对这一情况,通过引入不同的权重参数惩罚x与y方向上的梯度算子,提出修正的各向异性全变分去噪模型。引入的权重参数具有局部自适应性,可以使模型对应欧拉方程在图像切线与法向方向的扩散具有更鲁棒的各向异性扩散能力,可以达到保护图像细节的目的。另外,提出的模型是具有可分裂结构的非光滑凸优化问题,采用算子分裂技术将其转化为多个易求解的子问题,并在交替方向乘子法的框架下求解,从而保证了算法在理论上的收敛性。与现阶段其他变分型的复原模型相比,所提出的模型在有效抑制噪声的同时能有效地保持图像的局部结构特征。对于分块效果明显,噪声水平较低的图像去噪结果十分显著;对于分块效果不明显,图像细节较多的图像,该模型依然有效。

基于偏微分方程的小比例尺晕渲图地貌综合方法研究

基于高精度DEM数据的晕渲图中,破碎的地形细节破坏了晕渲法的立体塑造能力,但是采用传统的均值滤波法进行地貌综合时,在消除地形细节的同时,模糊了地貌特征。为了克服消除地形细节和保持地貌特征这一矛盾,利用偏微分方程各向异性的特点,采用基于经典总变分模型的偏微分方程法对地貌进行综合。实验结果证明偏微分方程法在综合地貌时能较好地保持地貌结构特征。

高阶模型的快速图像修补

图像修补是图像复原研究中的一个重要课题。针对总变分模型在修补图像过程中存在的阶梯效应,将高阶偏微分方程(PDE)引入到图像修补中,采用罚方法及交替极小化算法求解该模型。通过仿真实验及结果分析说明该模型及算法的有效性和优越性。

基于总变分最小化模型的异步并行GPU加速算法

相比于传统同步并行计算策略,在异步并行计算框架下,针对最常用的总变分(TV)最小化重建模型,通过将其转化为不动点迭代问题,并利用异步交替方向法(ADM)进行求解,推导出基于TV最小化模型的异步ADM迭代重建算法,即异步交替方向总变分最小化算法(Async-ADTVM)。利用消息传递接口技术将该算法在图形处理器(GPU)集群上进行测试,进一步提高了原始基于TV最小化模型的迭代重建算法的计算效率。实验表明,该算法在计算求解精度上略优于ADTVM算法,同时在GPU性能存在差异的条件下相比传统多GPU加速策略可获得更高的加速比。

微焦点X射线图像乘性加性混合噪声的去除

考虑微焦点X射线仪成像信噪比低,混合噪声污染严重等问题,提出了一种乘性、加性混合噪声去除方法。首先,建立了含乘性、加性混合噪声的图像模型;其次,基于总变分和稀疏表示原理分别构造了滤除加性噪声和乘性噪声的目标函数;最后,应用显式差分算法和梯度投影算法分步滤除加性噪声和乘性噪声。实验结果显示,与总变分去加性噪声方法相比,该方法处理后的图像平滑区域均值与标准差比(MSR)平均提升了10.9%,细节区域拉普拉斯梯度模(LS)平均提升了15.6%。这些结果表明:本文算法不仅有效滤除了微焦点X射线图像的混合噪声,并且较好地保留了图像细节特征,能够满足集成电路内部缺陷检测对图像平滑度和细节清晰度的要求。

贝叶斯框架下的模糊图像盲去卷积算法(英文)

为了去除图像模糊的同时,保持图像边缘等细节信息,需要对原始图像和点扩散函数进行准确的估计。在贝叶斯框架下,基于总变分模型,建立原始图像和点扩散函数的先验模型,同步估计原始图像和点扩散函数。对于总变分模型不可微分的问题,在不影响速度的前提下,用迭代重加权范数算法处理该问题。基于共轭分布理论,提出以伽马分布作为未知参数的先验模型,准确估计参数。实验表明该算法在对原始图像、点扩散函数和参数准确估计的基础上,成功地解决了模糊图像的盲去卷积问题,算法的速度和效果都得到了改进。与同类算法相比,本文提出的算法具有一定优势。

非盲图像复原综述

作为目前图像处理领域的研究重点,图像复原可移除图像中的模糊与噪声,具有重要的理论价值和广阔的应用前景。为使图像复原的研究被人们所了解,该文首先对图像复原做了简单的描述,接着介绍了近年来出现的一些非盲图像复原算法,包括基于总变分模型的算法、基于Bregman迭代的算法和基于稀疏表示的算法等,最后基于对现有算法的了解与分析,总结了图像复原研究的难点与趋势。