基于核各向异性扩散的红外小目标检测

为了减少红外图像中背景边缘对检测的影响,提出了一种具有鲁棒性的弱小目标检测算法,该算法利用核各向异性扩散模型进行背景预测,再与原图像差分实现弱小目标检测。为了提高算法的自适应能力,提出了一种鲁棒性扩散系数,能够根据图像背景的起伏程度自适应调整扩散系数曲线的陡峭程度。实验结果表明,与现有的检测算法相比,该算法能够在不同类型的复杂背景下有效抑制背景及其边缘,保留目标大小,降低虚警率,具有更强的鲁棒性。

Shearlet变换与核各向异性扩散的图像噪声抑制

为了更有效地抑制图像噪声,改善图像视觉效果,提出了一种基于非下采样Shearlet变换(nonsubsampled shearlet transform,NSST)与核各向异性扩散的图像噪声抑制方法.首先对含噪图像进行非下采样Shearlet变换;然后对所得到的低频和高频分量分别进行改进的全变差(improved total variation,ITV)扩散与核各向异性扩散(kernel anisotropic diffusion,KAD);最后对扩散后的低频和高频分量进行非下采样Shearlet逆变换得到噪声抑制后的图像.给出了实验结果,并且依据主观视觉效果和峰值信噪比、结构相似度两种定量评价指标,与近年来提出的基于小波阈值收缩结合全变差、基于复Contourlet域非线性扩散、自适应Shearlet域约束的全变差等3种噪声抑制方法进行了比较.实验结果表明,该方法的噪声抑制能力更强,且更为完整地保留了图像的边缘和细节信息.

基于核各向异性扩散的低信噪比裂纹降噪算法研究

利用各向异性扩散和核方法,提出了一种新的核各向异性扩散去噪算法,应用于跨座式单轨轨道梁面线性裂纹的去噪取得了较好效果。在各向异性扩散的基础上,增加一个边缘增强算子,用于增强微弱的裂纹边缘信息,并且根据噪声均匀分布在多维空间的特点,把低维数据推广到高维空间,结合核方法的优点,在核空间中实现去噪,同时采用平均绝对差值的自动扩散终止规则也提高了核各向异性扩散的效率。选用不同的边缘增强权值,讨论了合适的权值范围。该方法应用于低信噪比的轨道梁面线性裂纹宽度为0.4 mm噪声的去除时,与中值滤波、传统P-M各向异性扩散去噪相比,该方法去噪效果以及信噪比明显优于其它去噪算法。

基于Shearlet域各向异性扩散和稀疏表示的图像去噪

为了更有效地去除图像噪声,同时更好地保留图像边缘细节信息,提出了一种基于shearlet域各向异性扩散和稀疏表示的图像去噪方法.首先对含噪图像进行非下采样shearlet变换(nonsubsampled shear1et transform,NSST),将图像分解为低频分量和多个高频分量.低频分量中包含图像信号的主要能量以及少量的噪声,而高频分量中含有大部分噪声和图像边缘信息.然后,利用K-奇异值分解(K-singularvalue decomposition,K-SVD)算法去除低频分量中的噪声,各个方向的高频分量则通过核各向异性扩散(kernel anisotropic diffusion,KAD)算法进行去噪.最后,对处理过的低频分量和高频分量进行非下采样shearlet反变换(inverse nonsubsampled shearlet transform,INSST),得到重构图像,从而有效地去除图像噪声,保留图像边缘细节.实验结果表明,与小波扩散去噪法、shearlet硬阈值去噪法、K-SVD稀疏去噪法、小波域稀疏去噪法相比,该方法的去噪能力更强,并能更好地保留图像纹理细节特征,改善图像视觉效果.

基于NSST变换域WNNM和KAD算法的SAR图像去噪

针对合成孔径雷达图像(synthetic aperture radar,SAR)斑点噪声影响的问题,提出了一种基于非下采样剪切波变换域(non-subsample shearlet transform,NSST)加权核范数最小化(weighted nuclear norm minimization,WNNM)和核各向异性扩散(kernel anisotropic diffusion,KAD)的SAR图像去噪方法.首先预估计SAR图像的全局噪声方差,其次对SAR图像进行对数变换,将图像的相干斑乘性噪声转化为加性噪声,然后对SAR图像进行NSST变换分解,将图像分为低频分量和多个高频分量.对分解后的低频分量和高频分量分别用WNNM算法和KAD进行去噪处理,最后用处理后的结果进行NSST重构得到去噪图像.给出了该算法的详细实现过程,并把它与之前的WNNM算法和非下采样shearlet变换算法进行了比较.实验结果表明,峰值信噪比相较于WNNM算法提高了约0.3 d B,而且更好地保存了图像的局部结构,并实现了良好的主观视觉效果.