结合局部熵能量泛函与非凸正则项的图像分割

为了克服灰度不均匀对图像分割的影响,结合CV模型的全局能量项和LBF模型的局部能量项,引入图像局部熵信息和非凸正则项,构造新的能量泛函,提出了结合局部熵的局部能量泛函与非凸正则项的图像分割算法。该算法首先采用CV模型中的全局能量泛函得到图像的大致演化轮廓;通过构建具有局部熵信息的局部能量泛函,实现对图像的精确分割。然后,利用非凸正则项作为图像演化过程中零水平集逼近目标的又一驱动力驱动曲线演化和边缘保护。该算法利用变分水平集方法将这一新构建的能量泛函进行最小化,通过迭代更新水平集函数,完成曲线演化。最后,对比实验表明,所提出的算法可以高效、准确地分割灰度不均匀图像。

一种改进的非凸正则项模型的噪声去除方法

针对非凸正则项模型,在去除乘性噪声时边缘信息对噪声敏感且强度较大的噪声抑制能力弱的缺陷,提出了一种改进的图像去噪新模型。在新模型中通过取对数将乘性噪声转变成加性噪声,然后在模型的正则项和忠诚项中均引入高斯卷积,既对图像进行平滑预处理,又获得丰富的边缘信息,从而对边缘作出精确定位,使新模型具有良好的鲁棒性并根据图像的特征进行平滑,因而更好地保护了图像的边缘。数值实验表明,新方法的去噪结果在定量指标上有大幅提高,视觉效果上也有较大改善,尤其是对强度较大的噪声,新方法的优势更突出。

基于空间自适应非凸正则项全变差相干斑噪声抑制

全变差正则化方法是相干斑噪声抑制研究的热点.非凸正则项能够更好地保持图像的边缘、纹理细节信息;空间自适应正则化参数可以根据像素点所在的区域,合理地控制噪声抑制程度,从而提高噪声抑制效果.本文结合非凸正则项和空间自适应正则化参数提出了一种新的全变差相干斑噪声抑制模型,并且给出了一种模型求解的数值算法.数值试验结果表明该模型能够获得更好的相干斑噪声抑制效果.

基于非凸低秩矩阵逼近和全变分正则化的高光谱图像去噪

高光谱图像在采集过程中经常受到混合噪声的干扰,严重影响了图像后续应用的性能,因此图像去噪已成为一个极其重要的预处理过程。文中采用非凸正则项代替传统的核范数重新构造逼近问题,使稀疏正则项更贴近本质秩函数的属性,进而提出了一种将非凸代理函数、全变分正则项和l 2,1范数集成于统一框架的混合噪声去除算法。所提算法旨在将退化的高光谱图像以矩阵的形式分解为低秩分量和稀疏项,并利用全变分正则化保持边缘信息,提高了高光谱图像的空间分段平滑性。最后利用非凸代理函数的特殊性质,采用一种基于增广拉格朗日乘子法的迭代算法进行变量优化求解。通过多组实验进行验证,结果表明所提算法不仅能有效地去除混合噪声,而且能较好地保持图像的结构和细节,与现有的其他高光谱去噪方法相比,其在视觉效果和定量评价结果上都明显提升。

局部信息熵的快速混合测地区域活动轮廓模型

针对变分水平集算法在图像分割过程中计算量较大且收敛速度慢的现象,在前人研究的基础上提出了一种新的局部信息熵的混合测地区域活动轮廓模型。该模型构造一个新的能量泛函,在泛函中引入柔化核函数作为窗口核函数,构造一个新的符号压力函数来代替测地线边缘检测函数,并以局部信息熵作为图像拟合能量项的权重,通过非凸正则化项来约束水平集函数。由此得到的算法不仅能加快轮廓曲线的收敛速度,而且可以处理那些由于光照或其他外界因素的变化产生的灰度不均匀或者模糊的图像,提高分割的精确性。将算法在合成图像和真实图像上做仿真实验,实验结果表明,该算法具有较快的收敛速度,分割也较准确,同时对轮廓曲线的初始位置不敏感,具有很好的鲁棒性。

自适应区域拟合的非均匀图像分割

针对传统水平集方法在分割灰度不均匀图像的过程中存在分割精度低的问题,提出一种自适应区域拟合的非均匀图像分割算法。首先构建自适应的区域拟合能量项来保留更多待分割图像局部区域内的细节信息,实现图像的准确分割;其次引入非凸正则项来平滑曲线并保护图像的边缘;然后添加能量惩罚项对水平集函数进行约束,提高算法的分割效率;最后对合成图像和真实图像进行实验验证。实验结果表明,所提算法的Dice相似系数平均值为88.62%,Jaccard相似系数平均值为79.86%,准确率平均值为92.48%,比Local Binary Fitting(LBF)、Local and Global Intensity Fitting(LGIF)、Local Pre-fitting(LPF)三种模型的总体平均值分别高18.19个百分点、16.10个百分点、13个百分点。