张量分解和自适应图全变分的高光谱图像去噪

高光谱图像在采集过程中受到观测条件、成像仪材料属性、传输条件等客观因素的影响,不可避免地会引入各种噪声。这严重降低了高光谱图像的质量以及限制了后续处理的精度。因此,高光谱图像去噪是一个极其重要的预处理步骤。针对高光谱图像去噪问题,提出了低秩张量分解和自适应图全变分的高光谱图像去噪算法。首先,利用低秩张量分解来描述高光谱图像的全局空间和光谱相关性,并使用自适应权重图全变分来刻画高光谱图像空间维度上的分段平滑特性和保留高光谱图像的边缘信息;此外,采用l1-范数、Frobenius-范数分别刻画包括条纹噪声、脉冲噪声、死线噪声在内的稀疏噪声和高斯噪声。由此高光谱图像去噪问题归结为一个包含低秩张量分解和自适应图全变分的约束优化问题。利用增广拉格朗日乘子法对该优化问题进行交替求解。实验结果表明,所提出的高光谱图像去噪算法与现有的算法相比,能够充分刻画高光谱图像数据的内在结构特性,具有更好的去噪性能。

自适应模糊正则化椒盐噪声去除模型

为有效抑制椒盐噪声对图像信息的影响,根据椒盐噪声随机破坏图像中像素值的显著特征,本文提出一种耦合噪声检测的自适应模糊正则化噪声去除模型。一方面,基于L_(1)范数建立数据保真项,实现对图像统计分布进行有效拟合。另一方面,通过对图像中像素相似性的有效量化实现图像中噪声的检测,并将此耦合至正则项中,使得模型可依据像素点实际受噪声的污染对其施加惩罚程度,最终实现椒盐噪声的自适应模糊去除。本文采用交替方向乘子法(Alternating direction method of multipliers,ADMM)进行模型的数值结果实现,并运用峰值信噪比(Peak signal-to-noise ratio,PSNR)及结构相似性(Structural similarity,SSIM)对实验结果进行评定。实验结果表明,本文提出的模型在PSNR及SSIM方面得到显著提升,其中对于灰度图像的去噪实验PSNR最高可提高1.3dB,SSIM最高可提高0.2。

基于正余弦分解的自适应全变分散斑去噪方法

为解决相位图在去噪过程中出现的散斑噪声残留和边缘纹理模糊问题,基于正余弦分解提出了一种自适应全变分去噪方法。首先,用正余弦函数将原始相位图分解成两幅相位图;然后用自适应全变分算法处理分解后的相位图;最后,通过反正切运算合成去噪后的相位图,以快速去除大量散斑噪声并保留图像的边缘信息。对去噪结果进行定量评价和分析表明,与其他降噪方法相比,本方法得到的图像峰值信噪比提高了2.0 dB,且结构相似度较高。同时可以自适应地选择参数,减少去噪后相位图的波动性,改善相位图的质量。

图像平滑的自适应保真全变分模型

提出一种自适应保真的全变分平滑模型,证明其解的稳定性。结合各向同性和全变分的优点,利用扩散系数构造保真项,从而增强图像边缘,该模型根据图像的梯度信息确定门限值进而选择合适的图像平滑方法。在去除噪声和保持边缘的同时避免了"阶梯"效应,实验结果表明,该模型能有效地去除噪声,提高图像的峰值信噪比。

结合自适应TV模型和分水岭变换的图像分割算法

针对传统分水岭算法对噪声敏感,易出现过分割的现象,提出一种自适应全变分模型和标记分水岭算法相结合的图像分割算法。采用自适应全变分模型对原始图像进行滤波处理,平滑去噪的同时保留图像的边缘信息;求解其多尺度形态学梯度图像,并用基于最大熵的扩展极小值技术获得的前景和背景标记并对其多尺度梯度图像修改;对修改后的梯度图像进行分水岭变换,实现准确的分割。对比常用和相似的图像分割算法,实验结果表明,该算法在抗噪性、运行时间和分割交并比上有一定的优势。尤其是在噪声强、灰度值接近的医学图像上能够获得合理有意义的分割区域,效果良好。

基于自适应薄板样条全变分的肺CT/PET图像配准

全变分正则项虽然能够在具有滑移运动的肺等胸腹部器官图像配准时校正边界不连续位移场,但仍然无法保留图像的局部特征,损失配准精度。针对肺图像CT单模配准和CT/PET双模配准,通过像素点空间位置权重将薄板样条能量算子与全变分算子进行空间加权建立自适应薄板样条全变分正则项。然后,将正则项与CRMI相似性测度以及L-BFGS优化方法结合建立非刚性配准算法。通过DIR-Lab 4D-CT公共数据集和CT/PET临床数据集上的实验结果表明,提出的方法能够在保证边界不连续运动的同时保证图像内部的平滑性,具有更高的配准精度。

自适应图像复原模型梯度阈值选取研究

自适应图像复原模型,能满足中高噪声强度下进行图像复原的要求,但在选取图像梯度阈值时,通过交互迭代,运算量大,耗费时间长。本文基于对图像边缘灰度突变特性的考虑,通过引入图像梯度幅值直方图的方法,利用像素点梯度模值来区分边缘区和平滑区,开辟了在图像复原中选取梯度阈值参数的新途径,取得了很好的降噪复原效果,而且,选取梯度阈值的过程,耗时少,运算简单,选取过程直观快捷。

一种基于低秩先验的高光谱图像去噪算法

高光谱图像因含有十分丰富的光谱特征信息,在地物分类、目标检测等诸多领域都有着十分重要的应用。然而实际采集的高光谱图像常常含有非常复杂的噪声。这些噪声的存在不仅会严重影响图像质量,还会影响到后续的应用。因此,文章基于高光谱图像的低秩先验信息,提出了一种基于自适应全变分低秩恢复的高光谱图像去噪算法。该算法将空间-光谱自适应全变分模型引入到低秩恢复模型中,不仅可以消除高斯噪声,增强边缘信息,保留光谱特征,并且可以通过加入范数去除稀疏噪声。然后使用交替方向乘子法对提出的模型进行优化求解。实验方面,通过大量的仿真数据实验和真实数据实验,使用定量评价和视觉评价的方式验证了提出算法的有效性,能够更好地对高光谱图像中的噪声进行去除。

数字乳腺断层合成成像OSSF-ATpV重建算法

针对FISTA算法梯度下降步骤中利普希茨常数计算复杂、迭代步长不稳定以及全变分正则化容易导致低对比度结构被过度平滑等问题,提出了一种数字乳腺断层合成成像OSSF-ATpV重建算法。实验构造了惩罚加权最小二乘法自适应全变分正则化模型,用有序子集联合代数重建技术(OS-SART)代替FISTA算法中的梯度下降算法求解最小二乘法问题,并利用OS-SART计算的预处理矩阵引入ATpV的加权近端梯度问题抑制噪声和伪影。实验结果证明,本方法可以重建出伪影和噪声水平低、并保留结构边缘的优质乳腺断层图像。

基于视觉显著性的船舶结构缺陷检测研究

针对船舶结构缺陷图像中背景结构复杂,缺陷不易检测的难题,提出基于视觉显著性的缺陷检测算法。该算法采用自适应全变分模型替代FT算法的高斯滤波器并融入H分量来构建改进型FT算法,以增强缺陷图像背景的平滑和缺陷局部颜色对比度的表达能力;利用SMD算法捕捉图像结构信息及分解图像特征矩阵,凸显船舶缺陷与背景的差异性;通过自适应融合算法将改进型FT算法和SMD算法生成的显著图融合为综合显著图。对船舶缺陷进行对比实验,结果表明,提出的算法能够有效检测出船舶缺陷区域,提高缺陷检测精确率。

基于细节关注的高光谱与多光谱图像融合算法

低分辨率高光谱图像(LR-HSI)与高分辨率多光谱图像(HR-MSI)融合技术,广泛用于解决图像空间分辨率与光谱分辨率无法同时保持高水平的矛盾。从融合效果上分析,现有算法的空间重建误差与光谱重建误差都主要体现在边缘和细节区域。因此,本文提出了基于细节关注的字典构建和图像重建的融合算法。在光谱特性保持方面,由于图像邻近效应导致在细节区域光谱分布复杂多样,本文提出对图像层和细节层分别进行字典学习。在空间特性增强方面,提出了细节感知误差和边缘方向自适应全变分约束,并将其与局部低秩约束结合在同一个融合框架用来估计稀疏系数。消融实验证明细节感知误差、细节感知字典和EADTV正则项的引入,在Pavia University数据集上分别将整体精度(PNSR)提升了0.0263、0.289和0.4121,光谱(SAM)精度分别提高了0.2%、4.6%和4.3%。在Pavia University数据集和Indian Pine数据集上的对比实验证明,本文算法相对于次优解,PNSR分别提高了0.4945和0.2345,实验结果印证了本文算法有效地提高了融合精度。通过实验对比,本文提出算法的融合结果在空间特性与光谱特性方面较其他算法有明显提升。