基于贝叶斯估计的图像去噪算法研究

本文提出了一种基于贝叶斯最大后验概率估计(Bayesian MAP)的图像去噪方法。通过Matlab软件仿真,对均值滤波、中值滤波、小波阈值去噪和本文提出的图像去噪方法进行分析比较。实验表明:本文提出的方法根据图像和噪声的特点,在小波变换之后,对其中的高频系数进行贝叶斯最大后验概率估计,比其他几种图像去噪方法更能提高去噪后图像的峰值信噪比,更好地保留了图像的细节特征,取得了较好的视觉效果。

基于快速自适应的二维经验模态分解的图像去噪算法

为了能够对图像进行自适应的分解,并准确刻画分解系数的分布状态,提出了一种新的基于快速自适应二维经验模态分解的图像去噪算法。该算法首先对图像进行快速自适应二维经验模态分解,通过确定分解后以噪声主导的子带的个数,进一步利用正态逆高斯模型对以噪声主导的子带系数分布进行建模;然后使用贝叶斯最大后验概率估计理论从模型导出相应的阈值;最后采用最优线性插值阈值函数算法完成去噪。仿真结果表明,对于添加不同标准差大小高斯白噪声的测试图像,所提算法在峰值信噪比上相比sym4小波去噪、双变量阈值去噪、邻近算子的全变分算法和重叠组稀疏的全变分算法分别平均提高了4.36 dB,0.85 dB,0.78 dB和0.48 dB,结构相似性指数也有不同程度的提高,有效地保留了更多的图像细节。实验结果证明,所提算法在视觉性能和评价指标方面均优于对比算法。

纹理约束下的人脸特征点跟踪

将Lucas-Kanade光流跟踪算法与人脸特征点定位的统计模型DAM(direct appearance model)在Bayesian框架下结合起来,提出了视频中人脸特征点定位与跟踪的一种混合模型方法.利用Lucas-Kanade算法预测人脸特征点的位置,充分利用了帧间的相关信息,提高了跟踪的速度.通过DAM中纹理对形状的约束,在提高跟踪精度的同时增强了整个算法的鲁棒性.实验表明,这种方法可以很好地适应人脸的多种运动,可用于人脸识别或3D人脸建模.

基于高斯混合无迹粒子滤波的地形辅助导航算法

地形辅助导航是一种利用地形高度信息定位的导航技术,由于地形高度起伏是非线性的,因此地形辅助导航本质是非线性、非高斯贝叶斯后验概率估计问题。粒子滤波因为适合非线性、非高斯估计问题,被引入地形辅助导航领域得到广泛研究和应用,但粒子滤波算法存在粒子匮乏的问题,会影响定位精度。针对此问题,将高斯混合无迹粒子滤波(GMUPF)用于地形辅助导航,该算法用高斯混合模型(GMM)近似粒子分布,用无迹卡尔曼滤波(UKF)估计重要密度函数,不需要做重采样。通过用实际地形数据做飞行仿真实验,结果显示相比粒子滤波,不仅没有粒子匮乏问题,而且所用粒子数更少时估计精度略好。

基于学习的人脸图像超分辨率重建方法

提出一种针对正面人脸图像的超分辨率重建方法,通过学习人脸图像梯度的空间分布特性,获取梯度先验知识;通过结合贝叶斯最大后验概率估计理论,采用最速下降优化方法得到高分辨率人脸图像。实验结果表明,该方法在仅输入2—3幅低分辨率图像的情况下即可重建出具有较佳高频细节的超分辨率图像。