基于PCNN的图像纹理平滑度的特征提取

脉冲耦合神经网络(PCNN)是基于猫视觉原理构建的一种简化的神经网络模型,它适合基于视觉内容的特征提取。该文在改进模型的基础上运用PCNN神经元的点火捕获特性提取出了一种度量图像纹理平滑程度的特征量———捕获率;同时结合PCNN与傅立叶功率谱得到图像的低频能量与图像总能量的比例关系,作为度量图像纹理平滑程度的另一个特征量———低频能量比。最后通过图像检索实验验证了这两个特征量的有效性。

滚动引导传播滤波下的图像纹理平滑

针对当前一些局部保构滤波方法在图像纹理平滑和结构保持上的不足,本文提出了一种新的在滚动引导传播滤波下的方法.该方法首先利用块平移和改进的相对全变差技术,构造了一种新的纹理移除结构图像,然后以此图像作为引导图进行滚动引导传播滤波,实现图像的结构恢复.在滤波的过程中使用通路上的所有像素信息定义新的权值函数,不再直接使用两个像素点间的空间距离和像素值差异来定义权值,这样不仅能够更全面的利用图像的局部信息,而且削弱了预定义空间邻域大小对滤波结果的影响.实验结果表明该方法相对于传统局部滤波方法,在有效移除图像纹理的同时,能更好的保留图像自身的边缘结构.

纹理平滑滤波在地震图像增强中的应用

平滑滤波是地震图像处理中的一个重要课题,而其核心问题就是如何能在高保真的基础上对地震图像进行平滑处理。针对这一问题,选用了一种基于纹理分析的保真平滑滤波方法。该方法根据图像各部分的特征,利用纹理分析,确定适宜的滤波方法,能在保真的基础上对噪声实施大幅度的压制,增强有效反射振幅信息,有助于地震解释工作的进行。

基于混合频谱信号编码的网格纹理平滑

网格纹理平滑技术要求既能保持模型大尺度结构特征又能去除模型小尺度纹理.然而当模型小尺度纹理与噪声相差较大时,大多数网格光顺算法会将网格纹理识别为特征加以保持,而无法有效将其去除;现有的基于谱分析的网格光顺方法尽管能有效去除网格纹理,但又无法同时保持模型大尺度结构特征.为解决该问题,本文提出一种基于混合频谱信号编码的低通过滤网格纹理平滑算法.首先采用基于视觉感知的特征识别方法,准确区分模型大尺度与小尺度特征.然后,基于顶点特征尺度,采用差异性频谱信号编码的方式进行几何信息重建,最终实现在保持网格模型大尺度结构特征的同时有效去除小尺度纹理.算法解决了现有网格光顺方法在模型小尺度纹理特征与噪声有明显区别时,无法有效去除纹理的问题;并且也解决了现有基于谱分析的网格光顺方法无法在去除模型小尺度纹理的同时,又能保持模型大尺度特征的矛盾.实验结果验证了算法的有效性.

结合天空检测与纹理平滑的图像去雾

目的针对已有图像去雾方法中存在的天空灰暗以及透射率分布与实际情况不一致导致的对比度增强不足等问题,以暗通道先验图像去雾方法为基础,提出结合天空检测与纹理滤波的图像去雾算法。方法首先,设计了一个基于天空检测的大气光自适应估计策略,以天空区域亮度值较低的像素为依据估计大气光值,能够避免天空色彩失真,获得更明亮且干净的天空恢复结果;其次,对输入图像进行纹理平滑预处理以保持同一平面物体内的像素颜色一致性,并提出一个基于块偏移与导向滤波的透射率精确化计算策略,使透射率估值更符合深度信息的变化趋势,以提升无雾图像的对比度与色彩饱和度;最后,对复原结果进行联合双边滤波后处理,以降低噪声的影响。结果本文算法得到的大气光估值更为合理,对于不符合暗通道先验的天空区域,能够取得更为自然的天空复原结果;本文算法得到的透射率的变化趋势与实际场景深度之间具有更高的一致性,对于符合暗通道先验的非天空区域,能够取得高对比度与高色彩饱和度的恢复结果。结论本文算法在大气光与透射率的估值的准确性以及无雾图像的对比度与清晰度增强方面都得到了有效提升,具有较高的鲁棒性,适用于视频监控、交通监管和目标识别等户外获取图像的诸多应用领域。

基于纹理抑制平滑滤波的织物图案识别

针对织物图案特征提取效率低的问题,提出以纹理抑制平滑滤波算法与Adaboost算法为基础的织物图案识别法。首先对织物扫描图案的纱线纹理进行滤除;灰度化后再分别对图像的3个特征进行提取,最终构建图像特征库,以此作为训练对象,采用Adaboost算法进行实验。结果显示,以纹理抑制平滑滤波算法为基础的识别法能够提高图案识别率。

基于半高斯梯度算子的尺度自适应纹理滤波

为了解决现有纹理平滑方法不能在抑制纹理的同时保持细窄结构的问题,提出一种基于半高斯梯度算子的尺度自适应纹理滤波算法.首先提出一种具有结构保持和纹理抑制效果的半高斯梯度算子,其幅值能够较好地区分结构和纹理,方向能够较好地反映结构法向;然后基于半高斯梯度的幅值为每个像素估计最优的滤波尺度,并借助高斯滤波得到一幅大部分纹理得到抑制的引导图像;最后在双边滤波的基础上引入基于半高斯梯度方向的滤波方向核,提出一种基于引导图像的三边纹理滤波算法,能够有效地避免图像平滑结果中存在的结构附近毛刺残留现象.大量实验结果证明,该算法可以在抑制纹理的同时保持结构的完整性,尤其是在保持细窄结构以及结构周围的整洁等方面超越了已有的方法.

自适应尺度的双边纹理滤波方法

目前已有的结构保持的纹理平滑方法主要是利用矩形片内的统计量来区分纹理和结构,但是所用的矩形片边长是单一尺度的,这将导致含有尖锐结构或结构在多个尺度上的图像出现纹理过平滑或未平滑的现象。为此,提出一种自适应尺度的双边纹理滤波方法。首先,通过对局部区域进行统计分析,从给定候选值中自适应地为每个像素选取合适的矩形片边长,对于均匀的纹理区域,选取较大的矩形片边长,对于邻近特征边的区域选取较小边长;其次,利用自适应的矩形片边长计算引导图像;最后,对原始图像进行引导双边滤波。实验结果表明,所提方法能够在保持图像结构的同时更好地平滑纹理。

肤色纹理保留实时人脸美化算法

针对目前人脸美化算法容易产生皮肤纹理信息损失,眼睛和头发等区域信息丢失等缺陷,提出一种具有肤色纹理保留性能实时人脸美化算法.首先根据自适应肤色椭圆模型处理色度分量估计肤色相似度图;然后对原图局部方差处理得到肤色粗糙度,据此调整肤色纹理保留平滑参数,得到肤色纹理保留平滑图像;再利用肤色相似度图融合原图与肤色纹理保留平滑图像;最后对融合图像进行美白处理,获得人脸美化图像.在公用人脸数据库上的测试结果表明,文中算法不仅有效地祛除皮肤瑕疵,还能保留人眼敏感的肤质细节,使视觉感知比较自然;与现有美化算法对比,该算法美化效果更佳,鲁棒性强,复杂度低,能实时处理人脸视频.

基于混合梯度最小化Mumford-Shah模型的高维滤波算法

为解决高维滤波中存在的边缘特征模糊和细节保持问题,创新性提出了一种基于混合梯度最小化Mumford-Shah模型的平滑算法.通过最小化包含梯度的L0、L1范数的正则化函数,实现边缘保持和局部光滑的滤波分解效果.从二维图像来看,梯度的L0范数刻画了图像中非光滑像素的个数,最小化梯度的L0范数可以实现图像分片同质的效果,即可对应Mumford-Shah模型中要求的边缘内部尽量均匀;梯度的L1范数,即全变差项,刻画了图像中所有水平集的长度,最小化梯度的L1范数可以实现控制图像边缘锐利度的目的,即Mumford-Shah模型中关于图像边缘保持的约束.由于Mumford-Shah模型具有鲁棒的信号平滑和边缘特征描述能力,因此在进行高维信号分解等处理时,可以取得良好分离效果.实验结果表明,混合梯度Mumford-Shah模型在滤波过程中可以实现边缘保持和纹理平滑相统一的特性,获得优异的图像结构纹理分解效果,对多个图像应用的处理效果有显著的提升,在三维网格数据上也获得良好的去噪性能.

反馈调节机制的暗通道去雾算法

针对暗通道图像去雾算法在处理不满足暗通道先验条件的明亮区域时,估计的透射率偏小,导致去雾后的图像与原图像相比,色彩和纹理平滑度出现较大偏差的问题,提出反馈调节的暗通道去雾算法。该算法首先通过暗通道算法对原始有雾图像进行去雾,反馈出去雾后的图像与原始图像纹理平滑度的差异,使用模糊C-均值聚类算法分割出明亮的区域;然后用高斯函数调整明亮区域偏小的透射率,使其更加接近实际的透射率;最后利用调整后的透射率求得清晰的无雾图像。实验结果表明,该算法可以有效地处理不满足暗通道先验条件的区域,使得包含明亮区域的雾化图像,去雾后的色彩更加符合真实场景,视觉效果也更好。该算法可以提高户外监视系统的鲁棒性。

基于Gabor滤波系数高阶矩的图像检索

在分析Gabor滤波器进行图像纹理特征提取的基础上,提出了利用多尺度和多方向Gabor滤波系数的高阶矩提取图像特征进行CBIR的方法,利用滤波系数的方差给出了基于Gabor滤波组提取的图像纹理特征的平滑度和纹理一致性算法,并采用四个尺度和六个方向的滤波系数的能量、方差、峰态、平滑度和一致性组成了CBIR特征向量。采用Brodatz纹理库和Corel图像库中的典型图像进行了对比实验。实验证明,提出的方法比传统的Gabor滤波进行CBIR具有更高的查准率。

LNSST域灰度突变度的红外与可见光图像融合

对红外与可见光图像融合过程中出现的融合时间较长、细节信息提取不足的缺点,提出一种局部化非降采样剪切波变换(Local Non-subsampled Shearlet Transform,LNSST)的红外与可见光图像融合提升算法。对红外图像和可见光图像采用LNSST域算法进行多层次、多方向的分解,得到低频子带系数和各带通方向子带系数。低频部分使用基于灰度突变度的权值平均的融合规则;高频部分采用区域纹理平滑度和拉普拉斯能量和相结合的融合方法,然后对低频融合系数和高频融合系数进行LNSST逆变换得到融合后的图像。用不同的算法进行验证结果显示本文提出的融合算法生成的融合图像细节更多、更清晰,执行时间相对较短。

基于自适应分段跳过规则的视点合成优化方法

对目前三维高效视频编码(3D-HEVC)标准的性能进行了分析,针对其深度图编码采用的合成视点失真变化(SVDC)计算复杂度高的问题,提出了一种基于自适应分段跳过规则的视点合成优化(VSO)方法。考虑到原始方法跳过了深度数据没有变化的模块或像素行,但忽略了可以在VSO中跳过的较小区域,该方法首先根据深度零失真准则和纹理平滑度准则判别出深度图中不会造成合成视点失真的区域,然后在深度图编码进行SVDC计算前基于自适应分段规则来提前跳过上述零失真区域,最后终止该区域的SVDC计算过程,有效地降低编码复杂度。对比实验结果证明了该方法的有效性,能在保持编码质量不变的前提下,平均减少14.2%的编码时间。

一种基于形态学的结构图提取方法

针对传统的结构图提取方法难以在纹理平滑的同时更好的保持结构这一问题,采用迭代重加权最小二乘优化框架构建优化模型.针对图像中纹理与结构的梯度的不同,提出了相对极值变分.首先通过形态学中的闭合运算提取梯度图的极值图,然后扩展了窗口内在变分的指数权重,进而构建了新的优化模型.最后根据模型的非凸性,构建了Toeplitz矩阵进行数值求解.实验结果表明所提算法可以有效的移除图像纹理,更好的保持边缘结构与对比度,在图像质量分析方面也展现了较好的优势.

基于Adaboost多特征融合的织物扫描图案识别

针对织物扫描图像中纱线纹理等的存在造成难以提取有效图案特征的问题,提出了一种基于多特征融合的图案识别方法。首先通过纹理抑制平滑滤波算法滤除织物扫描图像的纱线纹理,并进行灰度化;然后分别提取灰度图像的边缘方向直方图、最大稳定极值区域的SURF特征和灰度共生矩阵特征,建立样本图像特征库;最后以样本图像特征库特征为训练对象,通过Adaboost算法融合3类特征建立分类器,实现图案识别。实验结果表明,基于Adaboost的多特征融合织物扫描图案识别算法比单特征识别算法有较高的准确率。

超图像建筑 欲望之屋

我们处于一个图像泛滥的时代,图像成为一种主宰语言和控制性逻辑。图像源于空间,从早期的图腾崇拜中衍变而来,图像已经成为超越于真实世界的超真实物种,我们注定与图像共存。超图像建筑是图像的逆反射,空间建构逻辑开始被图像生产逻辑颠覆,正在异变为现代主义之后的最新迭代物。伴随着全球资本主义和网络世界的全新抽象化过程,建筑也在产生前所未有的畸变——从定居空间转变为游牧空间,从纹理化空间转变为平滑空间。这一系列现象的发生,也许都意味着一种"混真世界"即将来临。

NSST域高斯模糊逻辑的图像融合

为了达到对来自不同传感器的源图像融合时保留各自更多的细节信息,同时降低算法复杂度的目的,首先采用了非下采样剪切波变换(Non-subsampled Shearlet Transform,NSST)和改进模糊逻辑的图像融合方法,利用NSST算法源图像分别进行多尺度、多方向稀疏分解,分别得到低频子带系数和高频方向子带系数。其次对低频子带系数采用基于改进的模糊高斯隶属函数的权值平均融合规则,以此来充分利用源图像的优势信息进行互补;对高频子带系数采用区域纹理平滑度和视觉敏感度系数相结合的融合规则;以此来丰富融合图像的细节信息。最后对低频子带融合系数和高频子带融合系数执行NSST逆变换得到最终的融合图像。对此方法进行了理论分析和实验验证,结果表明此融合方法不仅可以保证融合清晰度,同时还可以缩短算法的运行时间。