梯度稀疏和最小平方约束下的低照度图像分解及细节增强

低照度图像存在细节模糊、对比度低等问题.针对这些问题,本文提出一种低照度彩色图像增强算法.首先建立梯度稀疏和最小平方约束模型,将图像分解为结构层和细节层;然后采用提出的多尺度边缘保护细节增强算法强化图像的细节信息并滤波;最后把细节增强的图像经改进的Retinex算法映射,最终得到细节增强、亮度适宜、对比度较强的修复图像.实验结果表明,主观上:图像细节增强,亮度适宜;客观上:结构层图像的一维像素线性图显示其平滑特性效果较好,细节增强图的NIQE(5.5202)、BRISQE(31.1893)和PSNR(25.3625)特征较好,修复图像的熵值(7.4421)、边缘强度(128.3231)和平均亮度(121.1827)较好.本文算法实现了对低照度图像的有效分解及细节增强,并提高了图像综合质量.

梯度稀疏性先验图像matting算法

结构复杂的背景以及模糊的前景/背景界限是matting所面临的挑战.复杂的纹理使得想要精确的提取前景对象变得困难.本文利用梯度稀疏先验,将图像分为两层处理,并将两层的梯度正则化,使一层具有长尾分布,另一层具有短尾分布.两层图像的梯度不具有一致性,其中一层的梯度小于另一层的梯度.舍弃复杂纹理的图层,使背景复杂的纹理得到抑制,并且使前景对象变得平滑,前景/背景之间的界限更为清晰.对matting结果进行定性比较和定量分析,实验表明,利用梯度稀疏先验对图像进行处理,可以得到精度更高的alpha遮罩.

图像恢复问题的梯度稀疏化正则方法

针对图像恢复中边缘损坏及细节丢失等问题,从分析梯度直方图的分布特征及梯度稀疏性最佳表示出发,提出了一种基于梯度稀疏性的正则方法,建立了具有梯度先验信息的图像恢复模型。该模型不仅能够增强图像的细节特征,而且能够在去除模糊及噪声与保持图像边缘之间取得很好的平衡。设计了一种新的优化算法对模型进行求解。实验结果表明,新算法快速有效且收敛性好,新模型能够在很好地去除模糊和噪声的同时,有效保留图像边缘及纹理等信息。

联合自适应梯度稀疏和通道相关性的简单透镜成像去模糊

成像过程中的光学像差,使得简单透镜成像系统只能获得低质量的模糊图像。针对这类模糊问题,提出一种联合自适应梯度稀疏和通道间相关性的去模糊算法。该算法对模糊图像3个颜色通道的平滑区域点和边缘点采用不同的稀疏约束,同时利用3个通道间的相关性,借助某个通道保留的边缘信息来复原其他通道的边缘信息。仿真实验结果表明,该方法对简单透镜获得的模糊图像复原质量较高,能取得较好的视觉效果。

基于梯度稀疏和多尺度变分约束的图像增强算法

针对低照度条件下采集到的图像存在亮度偏低、细节模糊等问题,通过分析传统Retinex理论在增强图像过程中的缺陷,提出了一种基于梯度稀疏和多尺度变分约束的图像增强算法。该算法首先将输入图像由RGB空间转换到HSV空间,提取亮度分量,实现3个通道的解耦合。然后,根据零范数的梯度全局显著特性,定义了一个新的相对全变分正则项。接着,在HSV空间下惩罚亮度分量,构建一种具有梯度稀疏的变分模型对亮度通道进行约束,并通过将控制因子扩张为多个尺度,形成多尺度变分约束,提升照度估计的准确度,使之更加符合光照分布特性。根据Retinex理论进行映射,获取亮度通道对应的反射图像。进而利用亮度通道不同尺度下的约束所对应的不同照度结果,分别提取图像的粗略细节、中等细节和精细细节,通过多尺度细节加权,对反射图像进行细节增强。最后,对照度图像进行伽马校正,与经细节提升后的反射图像重组并进行颜色空间转换得到输出的增强图像。通过定量、定性实验对本文算法进行了验证,实验结果表明:本文算法的增强图像有着更高的色彩丰富度和更低的色差水平,能够保持图像的自然度,提升图像的视觉效果。在均值、平均梯度和信息熵的表现上,相比原图均有大幅度提升;与现有的先进算法相比,本文算法的平均定量指标在不同类型低照度图像的增强图像上均产生了较优的效果,且运算效率较高。

联合新型分块稀疏表示和梯度先验图像盲复原

针对目前基于稀疏表示的图像盲复原算法计算量大且细节恢复能力有限等问题,提出一种新的图像盲复原方法.首先针对现有稀疏表示模型中重叠分块计算复杂度高的问题,提出一种多模式非重叠分块策略,在每种模式下独立求解复原图像,然后对各模式下复原图像求平均以消除"伪像";另外,用1 2l l范数作为稀疏性度量,将图像梯度稀疏先验融入基于稀疏表示的图像盲复原模型.最后,本文提出了联合新型分块字典稀疏表示和图像梯度稀疏先验的盲复原模型,采取迭代方法交替估计模糊核和待复原图像.实验结果表明,该方法在主观和客观评价下均取得较好的复原结果,并显著降低算法整体复杂度.

采用自适应梯度稀疏模型的图像去模糊算法

目的图像的梯度分布被广泛应用在自然图像去模糊中,但研究结果显示先前的梯度参数估计方法不能很好地适应图像局部纹理变化。为此根据图像分块平稳的特点提出一种采用局部自适应梯度稀疏模型的图像去模糊模型。方法该模型采用广义高斯分布(GGD)来描述图像不同区域的梯度分布,在最大后验概率框架下建立自适应梯度稀疏模型,然后采用变量分裂交替优化算法来求解模型中的最小化问题。在GGD参数估计中,先对模糊图像进行预处理,并将预处理后的图像分成纹理区和平滑区,仅对纹理区采用全局收敛算法进行GGD参数估计,而对平滑区设置固定参数值。结果本文算法与近年来常用的去模糊去噪算法在不同类型的自然图像上进行了对比。实验结果表明,本文的参数估计法能精确地表达图像局部纹理变化,当在低噪声(加1%噪声),分别加入模糊核1和2的条件下,经本文算法去除模糊和噪声后的图像相较对比算法能分别提高信噪比值0. 04 2. 96 dB和0. 14 3. 19 dB;在高噪声(加4%噪声)不同模糊核下,能分别提高0. 194. 50 dB和0. 20 3. 63 dB,同时本文算法相比2017年Pan等人提出的算法(加2%噪声)能提升0. 15 0. 36 dB。此外,本文算法在主观视觉上能获得更清晰的纹理和边缘结构信息。结论本文算法在主客观评价上都表现出了良好的去模糊性能,可应用在自然图像和低照明图像等的去模糊领域。

认知WSN中基于能量有效性自适应观测的梯度投影稀疏重构方法

针对认知无线传感器网络中传感器节点侧的模拟信息转换器对本地感知数据进行稀疏表示与压缩测量,该文提出一种基于能量有效性观测的梯度投影稀疏重构(GPSR)方法。该方法根据事件区域内认知节点对实际感知到的非平稳信号空时相关性结构,映射到小波正交基级联字典进行稀疏变换,通过加权能量子集函数进行自适应观测,以能量有效的方式获取合适的观测值,同时对所选观测向量进行正交化构造测量矩阵。汇聚节点采用GPSR算法进行自适应压缩重构。仿真比较了GPSR自适应重构与正交匹配追踪(OMP)重构算法。仿真结果表明,在压缩比小于0.2的区域内,基于能量有效性观测的GPSR自适应重构效果优于传统随机高斯测量信号重构。在相同节点数情况下,GPSR自适应压缩重构方法在低信噪比区域内具有较小的重构均方误差,且该方法所需观测数明显低于随机高斯观测,同时有效保障了感知节点的能耗均衡。

基于稀疏梯度场的非局部图像去噪算法

非局部平均(Non-local means,NLM)算法充分利用图像的自相似性与结构信息的冗余性,取得了很好的去噪效果.然而,在强噪声的干扰下,NLM算法中的权函数不能准确度量图像块之间的相似性.因此,很多文献利用图像的梯度信息对权函数做了改进.但是,传统的梯度算子对噪声十分敏感,不能有效地提高相似性度量的准确性.本文将图像的稀疏梯度场(Sparse gradients field,SGF)引入权函数的定义中,提出一种基于稀疏梯度场的非局部图像去噪算法.首先,区别于传统基于局部的梯度算子,提出了基于全局的稀疏梯度场模型,进一步给出一个自适应的稀疏梯度场模型(Adaptive sparse gradients field,ASGF),并利用向前–向后分裂算法求解.然后,利用图像的稀疏梯度场对NLM算法的权函数进行改进,得到本文提出的算法.实验结果表明,无论是客观评价还是视觉效果,本文所提算法的性能优于NLM算法和其他利用梯度信息改进的NLM算法.

稀疏恢复的梯度投影算法在PPG信号重建中的研究

光电容积描记(PPG)法是一种无创测量人体脉搏信号的方法,其波形反映血管中的血液容积变化,在诊断心血管疾病时具有重要作用。然而,这种方法容易因病人有意或无意运动产生运动伪影(MA)而影响诊断结果的准确性。为解决这一问题,基于压缩感知理论框架,采用稀疏恢复的梯度投影(GPSR)算法,对PPG信号进行滤噪和恢复。对于非稀疏信号,压缩感知包括稀疏和恢复两个步骤:首先为保证信号的重要信息不被破坏,利用哈尔小波基找到最佳稀疏域,对信号进行稀疏变换;然后采用GPSR算法,在恢复信号的同时去除MA噪声。实验测量3种受MA影响的带噪PPG信号,并用GPSR算法处理分析。另测50名健康成年人在垂直运动时产生的带噪PPG信号,计算带噪与重建PPG信号的心率和均方误差(MSE)。将得到的两种心率分别与无噪声PPG信号心率通过Bland-Altman方法做对比分析,结果显示,带噪与无噪声PPG信号的差异范围在±23 beat/min,而重建PPG信号在±2.7 beat/min。由均方误差的Box Plot图可知,重建信号的MSE比带噪信号降低约50%。这些结果均表明,GPSR算法能明显降低信号中的运动干扰。

基于全局稀疏梯度与低秩张量正则化的多源多波段图像融合方法

多模图像融合可有效提升多传感器系统的目标信息表征能力。然而,常用的图像融合方法只能融合两个模态传感器的信息。针对上述问题,充分利用多模图像空间与频谱信息的高阶相关性及其内在结构特性,基于图像域的非局部自相似特性,引入复合正则化方法,提出基于全局稀疏梯度与低秩张量正则化的多模图像融合方法,实现高光谱、多光谱和全色图像的同时融合。其中,多模图像的频谱信息使用全局稀疏梯度正则化方法,空间信息使用低秩张量正则化方法。上述复合正则化方法的优点在于可以有效对空间与频谱信息的内在结构特性进行建模,消除图像空间域的阶梯效应,减少伪频谱信息的引入。仿真实验验证了该方法的可行性和有效性。该方法为多传感器融合系统提供理论与技术支撑。

全局稀疏梯度耦合张量扩散的图像去噪模型

针对扩散张量和时滞正则模型产生边缘模糊的问题,提出一种全局稀疏梯度耦合张量扩散的图像去噪模型.首先,该模型利用全局稀疏梯度构造张量矩阵;然后,由张量矩阵引导扩散方程去噪,使其在平滑区域为各项同性扩散以去除噪声,在非平滑区域沿切线方向扩散以保护边缘和细节.算法运用显式Euler差分格式求解提出的模型.数值实验表明,无论是客观度量还是视觉效果,文中提出的方法都能得到较好的去噪结果.实验结果说明,利用全局稀疏梯度能得到更加准确和鲁棒的引导图,从而有效提高了原有方法的去噪效果.

基于全局稀疏梯度滤波器分解的图像融合方法

利用LIME的弱光图像增强方法和基于全局稀疏梯度的滤波器分解工具提出了一种弱光图像与红外线图像的融合方法,来提高融合结果中弱光图像的场景信息并保留红外线图像的高亮目标.首先利用LIME的图像增强方法对低照度图像进行增强;然后利用基于全局稀疏的梯度滤波器对增强的弱光图像和红外线图像进行分解得到了图像的近似层和剩余层.在近似层和剩余层分别选取局部能量和全局稀疏的梯度信息作为活动水平级进行融合;最后,将融合的近似层和剩余层叠加得到融合结果.实验结果表明所提算法对弱光图像的融合是十分有效的.

基于稀疏先验的空间目标图像盲反演方法

针对图像盲反演算法未考虑空间目标图像自身特性,致使对空间目标图像细节信息恢复不理想、重构图像中易产生边界伪像等不足之处,提出了一种基于稀疏表示的联合稀疏先验约束盲反演算法.首先,结合空间目标图像梯度的稀疏特性,采用图像梯度的L 0范数提取有利于模糊核估计的图像显著边缘信息;其次,采用L p范数和L 0范数对图像的梯度分布和空间域进行稀疏约束,以保证反演图像的像素点间具有显著的对比度,同时保证图像中包含边缘和纹理等细节信息;最后,采用拉普拉斯分布先验对模糊核进行约束,以保证模糊核的稀疏特性.采取交替迭代策略对所提出的模型进行优化求解,从而得到模糊核和空间目标图像的估计值.实验结果表明,相比于几种具有代表性的盲反演算法,提出的方法能估计出更准确的模糊核,对图像边缘和纹理等细节信息具有更好的恢复能力,在主观评价和客观评价方面均取得了较好的反演性能.

基于L 0稀疏先验的运动模糊标签图像盲复原

在使用机器视觉对家电产品的标签进行品质检测的过程中,标签图像的清晰度是保证视觉检测顺利进行的关键。为了解决由固定在机器人末端的运动相机拍摄的标签图像存在运动模糊的问题,提出一个基于L_(0)范数的正则化模型。对于模糊的图像,一般的去模糊算法已经探索并使用了大量的图像先验,可以恢复良好的整体视觉效果,但一般的去模糊算法没有充分考虑标签的特征,而这是重要的去模糊先验。针对这一问题,对标签图像的像素分布和梯度分布特征进行分析,提出了基于稀疏梯度先验的正则化模型。实验结果表明,与其他去模糊算法相比,对于合成图像和真实图像,文中提出的方法在恢复图像清晰度的同时,可有效地抑制图像边缘的振铃效应,运算速度较之前提高了80.52%。

基于本征图像分解的焊缝提取算法

基于被动式视觉传感器的焊缝提取算法受自然光照等条件的制约,发展较为缓慢。针对这一问题,提出了一种基于本征图像分解的焊缝提取算法。首先,通过预处理抑制原始焊缝图像中的噪声;其次,基于梯度稀疏先验,将预处理图像分解为前景图层和背景图层,其中,前景图层仅包含图像边缘等结构信息,背景图层中则包含光照等平滑信息;最后,对前景图层进行Gamma变换,增强焊缝区域特征,削弱光照条件对算法的影响。试验结果表明,该算法满足检测的准确度和实时性要求,达到了辅助爬壁机器人定位焊缝位置的目的。

结合稀疏先验与多模式分解的低秩张量恢复方法

目的各类终端设备获取的大量数据往往由于信息丢失而导致数据不完整,或经常受到降质问题的困扰。为有效恢复缺损或降质数据,低秩张量补全备受关注。张量分解可有效挖掘张量数据的内在特征,但传统分解方法诱导的张量秩函数无法探索张量不同模式之间的相关性;另外,传统张量补全方法通常将全变分约束施加于整体张量数据,无法充分利用张量低维子空间的平滑先验。为解决以上两个问题,提出了基于稀疏先验与多模式张量分解的低秩张量恢复方法。方法在张量秩最小化模型基础上,融入多模式张量分解技术以及分解因子局部稀疏性。首先对原始张量施加核范数约束,以此捕获张量的全局低秩性,然后,利用多模式张量分解将整体张量沿着每个模式分解为一组低维张量和一组因子矩阵,以探索不同模式之间的相关性,对因子矩阵施加因子梯度稀疏正则化约束,探索张量子空间的局部稀疏性,进一步提高张量恢复性能。结果在高光谱图像、多光谱图像、YUV(也称为YCbCr)视频和医学影像数据上,将本文方法与其他8种修复方法在3种丢失率下进行定量及定性比较。在恢复4种类型张量数据方面,本文方法与深度学习GP-WLRR方法(global prior refined weighted low-rank representation)的修复效果基本持平,本文方法的MPSNR(mean peak signal-to-noise ratio)在所有丢失率及张量数据上的总体平均高0.68 dB,MSSIM(mean structural similarity)总体平均高0.01;与其他6种张量建模方法相比,本文方法的MPSNR及MSSIM均取得最优结果。结论提出的基于稀疏先验与多模式张量分解的低秩张量恢复方法,可同时利用张量的全局低秩性与局部稀疏性,能够对受损的多维视觉数据进行有效修复。

基于时频域增强和全变差的群目标信号分离

针对低分辨雷达获取的群目标信号的弱时频正交性以及难以分离的问题,在进行时频域增强处理的基础上,提出了一种基于全变差(TV)的群目标信号分离方法。在旋转目标模型的基础上,首先通过分析群目标信号的稀疏性,指出了进行时频域增强处理的必要性。然后利用群目标中各子目标对应的微动周期的差异性,通过双向延迟处理,对多次观测得到的群目标信号进行时频域增强处理。最后根据群目标信号能量区域的分布特性,利用局部TV融合和主分量分析相结合的方法,实现了群目标信号的高保真分离。仿真结果表明,在采样率较低的情况下,文中方法有效地解决了群目标信号中弱信号分量的分离及提取问题,其融合分辨效果明显优于基于TV范数的融合方法。

基于变分的多尺度遥感图像融合算法

全色图像与多光谱图像融合时,忽略了上采样的重要性和通道间细节的差异性.针对前者,利用不同尺度下自相似块,估计出低分辨率图像丢失信息,从而修改了图像上采样的策略,并以此构造目标函数的保真项;针对后者,利用全色图像和光谱图像梯度域结构相似性,提出局部加权动态稀疏约束,构造目标函数的正则项.本文基于变分法理论,构造了新的目标函数,并提出了多尺度迭代融合框架,通过多次迭代逐步提高融合图像的分辨率,每一层的融合结果更加准确,从而提高最终的融合精度.本文算法与Brovey等成分替代算法、P+XS等变分算法、MTF_GLP等多分辨分析算法进行比较.实验结果表明,本算法的融合结果具有良好的视觉效果,且在客观评价指标上比所有对比算法的最优值平均值均有提高.

压缩感知实现快速超分辨荧光显微成像

为了发展能够同时兼顾超分辨、快速成像和视场的荧光显微镜,以促进其在活细胞或微观动态过程成像的应用,将压缩感知应用到超分辨荧光显微镜中,利用投影梯度稀疏重构算法对单帧荧光宽场图像重构,并进行了理论分析、仿真和实验验证。结果表明,该方法能够突破光学衍射极限,成像分辨率达到180nm,相比衍射极限提高1.8倍。此结果说明压缩感知能够实现单帧宽场超分辨荧光显微成像,相比现有的方法在成像速度上有巨大的提升。