Mumford-Shah模型和G空间在图像分解的应用

在图像的目标识别中,目标图像可以分解为主体结构图像和纹理细节图像来分别进行处理,图像分解的好坏对最终识别效果起着至关重要的作用。为准确地得到图像的主体结构和纹理细节,提出了一种基于MumfordShah-G(MS-G)模型的偏微分方程图像分解方法。首先利用MS-G模型对图像分解,然后利用熵来衡量分解后的纹理图像的信息量,量化反映了MS-G模型的分解性能。利用这种方法,对迭代次数与MS-G模型分解性能的关系进行了研究。实验表明,迭代次数越高,MS-G模型的分解性能越好。

基于分块奇异值分解的两级图像去噪算法

为了更有效地进行图像去噪,提出了一种基于分块奇异值分解(Singular value decomposition,SVD)的两级图像去噪方法,该方法首先将含噪图像中具有相似结构的图像块组织成具有很强相关性的图像块组;然后,利用二维奇异值分解去除图像块组中每个相似块的内部相关性,利用一维奇异值分解去除相似图像块组之间的冗余;最后,通过硬阈值方法收缩变换系数实现图像与噪声的有效分离.为了进一步提高去噪效果,对含噪图像再次进行上述操作.不同的是,在第二级去噪过程中,相似图像块组根据第一级估计出的图像计算获得且相似图像块间的相关性通过离散余弦变换去除.仿真实验表明,提出的两级图像去噪算法不仅可以较大程度地去除图像噪声,还能有效保留图像细节,取得了良好的去噪效果.

基于改进Retinex算法的海底地貌图像增强方法

为获取更清晰的海底地貌图像,研究基于改进Retinex算法的海底地貌图像增强方法。使用高斯低通滤波器进行低频入射分量的卷积操作,计算图像带色彩恢复输出值;构造一般表现形式,得到像素区域内对数修正的输出值;基于多尺度Retinex算法对色彩对比度进行增强处理;计算亮度值以及图像的入射分量,对海底地貌图像进行光照补偿;改进Retinex算法,实现海底地貌图像增强。由对比处理图像结果可知,所提算法的增强图像亮度更均匀、色彩更饱满且细节纹理更清晰。在客观参数对比中,所提算法对比度、清晰度以及信息熵也高于其他图像,有效提高了图像清晰度。