基于边缘定向增强扩散模型的图像去噪

针对基于全变分(TV)的图像去噪模型,恢复图像存在阶梯现象(staircase)的缺点,提出了一个新的图像恢复的变分模型.定义了一个新的包含图像的边缘位置和方向信息的能量泛函,使得沿图像边缘的切线方向具有较强的平滑能力,而法线方向平滑较弱,可以较好的定位边缘.并且该模型能增强阶跃性边缘,防止因平滑造成的边缘模糊现象.试验结果表明:该模型可以部分的解决基于TV的变分模型中出现的阶梯现象,并且具有较好的去噪效果,而且它还能增强图像边缘并保持边缘的位置,其峰值信噪比(PSNR)在高噪声水平下,较其它方法提高大约1.0dB左右.

基于边缘定向扩散的图像增强方法

针对前向后向扩散方程不能较好的保持流线状结构,而相干增强不能锐化边缘的缺点,提出一种新的基于边缘定向的张量型前向后向扩散模型.该模型将前向-后向扩散方程引进到张量型扩散方程中,在扩散系数的选取上合并了相干增强扩散与前向-后向扩散的长处,又克服了他们各自的缺点.采用类似相干增强扩散的边缘定向算子实现对边缘的定向,然后根据边缘定向的结果设置扩散张量的特征根,使扩散张量沿边缘方向为正向扩散以增强边缘,而垂直于边缘方向为逆扩散以锐化边缘.理论分析和数值计算表明,该方法具有比相干增强扩散及前向-后向扩散更好的增强效果.

基于各向异性扩散方程的图像对比度增强方法

讨论了光学图像中同时存在噪声与模糊时的对比度增强问题。构造了一种基于边缘定向扩散的各向异性非线性扩散方程来作为图像的光滑约束项,并根据模糊后的图像在边缘处相对清晰图像具有较大误差的事实,构造增强图像与原图像之间的非均匀逼近项,将此两项通过正则化参数联系起来,得到了一种图像对比度增强的正则化模型,并利用Euler方程将该模型转换成一种可以快速求解的各向异性非线性扩散模型。该模型能在抑制噪声的同时增强图像的边缘,在模型的解算上也不存在大型矩阵的存储与运算问题。数值计算结果表明,新方法适合于多种形式的模糊和不同程度的噪声污染,相对现有方法具有更好的边缘锐化能力和更高的清晰度,峰值信噪比比现有方法提高了1-2 dB,边缘保护指数也比现有方法有较大提高。

图像增强技术在地震资料处理中的应用

同相轴连续和横向分辨率良好的地震数据能够提高地震解释的精确度。地震资料同相轴在图像中体现为纹理特征,针对图像纹理特征应用边缘定向增强扩散处理,可使地震图像横向分辨率增强,即同相轴更加连续、断点更加清晰。边缘定向增强扩散应用图像增强技术中边缘检测和扩散技术,基于非线性扩散模型,根据图像纹理边缘位置和方向信息选取扩散张量和特征值。在边缘区域,沿边缘方向进行平滑,在光滑区域,沿边缘和垂直边缘方向具有较快扩散速度,由此在保护边缘信息的同时达到降噪的效果。通过理论分析和实例计算表明,边缘定向增强扩散图像增强技术处理后的地震图像有助于提高资料解释的准确性。

基于图像扩散去噪的距离特征量提取研究

距离特征量反映了目标运动过程中的距离变化率,该观测量可由目标辐射噪声LOFAR谱图的干涉条纹中提取得到。低信噪比情况下,由于噪声的影响,干涉条纹特征会变模糊,提取的距离特征量值精度会降低。为提高提取精度,提出了一种边缘定向增强型扩散方程去噪方法,对LOFAR谱图进行处理,使条纹特征更加明显。迭代次数对扩散方程去噪效果影响很大,根据相关性原理,提出了一种迭代次数选择方法。为了使条纹特征更加易于区分,提出了一种基于区域分割的图像二值化方法。数值模拟实验和海试数据处理结果表明,LOFAR谱图经过处理后,提取出的距离特征量精度明显提高。

结合中值滤波的彩色自蛇模型在遥感图像放大的研究

研究了彩色自蛇模型的形成过程,对遥感TM图像进行了后处理放大处理,采用最邻近点插值、双线性插值、三次样条插值、双立方插值、双二次插值。针对插值放大后的图像的边缘出现锯齿化和模糊化问题,由于彩色自蛇模型本身不仅具有边缘锐化功能,它可以消除边缘锯齿化和边缘模糊化问题,而且具有去噪的能力。采用彩色自蛇模型进行后处理,并对处理后的残余斑点进行研究,结果采用了中值滤波的方式取得更好的效果,并对含噪的遥感图像也有较好的放大效果,实验结果证明该方法适于遥感图像的放大处理。

基于Perona-Malik模型改进的图像去噪方法

结合冲击滤波器和Perona-Malik(P-M)模型提出一种新的图像去噪模型,在增强图像细节的同时,能够抑制噪声的放大和过冲现象,同时给出的扩散函数可以使模型达到更好的图像去噪效果。仿真结果表明,使用本文模型进行去噪处理后得到的图像在视觉效果和客观评价标准方面均优于P-M模型、CLMC模型以及传统的模型,在去除噪声的同时,能够更好地保留图像的细节和边缘特征。