基于相似性噪声检测的边缘保护滤波算法

为了改善受脉冲噪声污染的图像的滤波效果,提出了一种新的滤波算法。该算法包括3个阶段,首先,利用像素点之间的相似性来检测图像中受噪声污染的像素点;然后,将滤波窗口分为8个主要方向来确定边缘方向;最后,针对噪声点进行边缘保护滤波。实验结果表明,在噪声污染度较小的情况下,该算法不仅能准确地检测出噪声点,而且更多地保护了噪声图像的边缘部分以及非噪声点,具有良好的滤波效果。

十字基自适应指导滤波在图像降噪中的应用

针对于传统线性滤波器在非边界区域与边界区域有着滤波平滑和边缘保护的矛盾,提出了一种基于指导滤波和十字基相结合的算法。其主要思想是对指导滤波加入自适应偏移量进行调整,保证在边缘结构处细节的保留;普通指导滤波的计算邻域为固定大小的方形窗,在自适应指导滤波算法邻域窗的选取中引入十字基滤波窗,以灰度相似性作为阈值,利用立体匹配的优势,生成大小可自动调节、形状可自适应调整的滤波块,从而实现了滤波性能的提高;偏移量的选取值随滤波窗灰度阈值正比变化,比硬阈值有更好的效果。通过对国际标准图像序列的实验仿真结果比较,表明十字基滤波窗在分块方面有着较高的效率,平滑区域的滤波效果更佳,偏移量的加入使算法在边界区的纹理和细节特征得以保留;较之普通指导滤波算法,提出的十字基自适应指导滤波在峰值信噪比(PSNR)值上提高了约2 d B;通过对实拍图像的处理结果对比表明该算法在实际运用中有着更好的适用性。

水下激光图像增强方法研究

由于水体对光存在着不可克服的吸收和散射效应,距离选通水下激光成像系统所获得的图像存在不同程度的劣化问题。为提高图像质量,在分析水下激光图像特点的基础上,针对常规直方图均衡化的不足,提出了用阈值分割直方图,高灰度区和低灰度区分别进行均衡化,再压缩组合的分段的直方图均衡化方法,并和边缘保护平滑滤波结合应用于水下激光图像增强。通过实验,验证了该算法能达到抑制背景噪声、突出目标细节、提高对比度的效果,对水下激光图像增强十分有效。

哈得逊油田东河砂岩油藏内部小断裂地震识别方法

塔里木盆地哈得逊油田东河砂岩油藏迫切需要提高小断裂地震识别能力。本文针对该区储层埋藏深度大、地震资料信噪比低等因素,组合应用了GeoEast解释系统中的五个关键技术模块,梯次提升了地震识别小断裂的能力。一是采用带通滤波串接构造导向滤波的方式实现地震资料解释性处理,在提高地震资料信噪比的同时,得到了可用于研究小断裂的新数据体;二是基于新数据体,采用了目的层段振幅曲率属性和边缘检测结果的融合,实现了小断裂的精细识别与刻画;三是基于融合结果,采用边缘保护滤波技术增强了断裂中心的聚焦能力,提高了小断裂的横向分辨率。新识别出的小断裂,丰富了油藏认识,对进一步研究东河砂岩油藏内部的流体运移规律有重要的参考意义。

断层识别技术在福山凹陷朝阳地区的应用

传统断层识别方法是用单一的体属性提取来实现的,尽管诸如相干体、方差体、曲率体等在算法上有所改进,但由于较大程度上受到地震资料品质的影响,在复杂地区仍很难有效地识别断层。本文深入对比分析GeoEast系统特色技术与传统断层识别技术,基于实践摸索出一套适合于福山凹陷朝阳地区复杂断层识别的技术手段,即利用GeoEast系统的多窗口倾角扫描一构造导向滤波一相干体一边缘保护平滑滤波一蚂蚁体追踪等系列技术手段,对朝阳地区断层发育特征进行识别,取得较好的应用效果,有效地指导了该区断层解释。

样本优化选择的高光谱图像分类

目的高光谱分类问题中,由于类内光谱特性存在差异性,导致常规的随机样本选择策略无法保证训练样本均匀覆盖样本空间。针对这一问题,提出基于类内再聚类的样本空间优化策略。同时为了进一步提高分类精度,针对低置信度分类结果,提出基于邻域高置信信息的修正策略。方法采用FCM(fuzzy C-means)聚类算法对每类样本进行类内再聚类,在所聚的每个子类内选择适当样本。利用两个简单分类器SVM(support vector machine)和SRC(sparse representation-based classifier),对分类结果进行一致性检测,确定高、低置信区域,对低置信区域,利用主成分图作为引导图对置信度图进行滤波,使得高置信信息向低置信区域传播,从而修正低置信区域分类结果。以上策略可以保证即便在较少的训练样本的情况下,也能够训练出较高的分类器,大幅度提高分类精度。结果使用3组实验数据,根据样本比例设置两组实验与经典以及最新分类算法进行对比。实验结果表明,本文算法均取得很大改进,尤其在样本比例较小的实验中效果显著。在小比例(一般样本选取比例的十分之一)训练样本实验中,对于India Pines数据集,OA(overall accuracy)值高达90. 48%;在Salinas数据集上能达到99. 68%;同样,Pavia U数据集的OA值为98. 54%。3组数据集的OA值均比其他算法高出4%～6%。结论综上表明,本文算法通过样本空间优化策略选取有代表性、均衡性的样本,保证小比例样本下分类精度依然显著;基于邻域高置信信息的修正策略起到很好的优化效果。同时,本文算法适应多种数据集,具有很好的鲁棒性。