气相爆轰波马赫反射非自相似性特征的实验

为了研究在CJ(Chapman-Jouguet)状态下气相爆轰波马赫反射的非自相似性特征,搭建了由驱动段、传播段以及观测段组成的矩形管道;利用纹影和烟膜实验方法分别对3种预混气发生马赫反射现象进行了实验研究.实验结果表明:对稳态或非稳态气体,测量了马赫反射三波点位置高度,验证了马赫反射三波点轨迹线为波动的曲线,即自相似性对爆轰波马赫反射失效;非自相似性的重要特征是三波点轨迹线在楔角初始位置时基本遵循无反应冲击波理论计算结果,随后逐渐偏离并向有反应冲击波转变,之后接近平行于反应冲击波理论计算并稳定地处于两个理论值之间.最后给出在初始压力为10kPa和楔角为30°的条件下,对于所研究的3种气体,其马赫反射三波点发生转变的位置高度分别约为0.8,1.05cm以及0.5cm,可见相同初始条件下非稳态气体的马赫反射发生转变比稳态气体提前.

基于图像非局部自相似性与分类字典学习的超分辨率重建算法

提出一种新的图像稀疏表示方法,该方法自适应地利用图像的局部与非局部冗余信息,根据图像的非局部自相似性,构造出一个非局部自回归模型,将其作为数值保真项.利用主成分分析方法及高分辨率的样本图像块学习构建紧凑的分类字典,通过限制迭代次数用以减少字典训练的计算量,同时字典在稀疏域中能够自适应选取.实验结果表明,与其他几种基于学习的算法比较,本文算法无论是在峰值信噪比、结构相似性上还是主观视觉效果上都有显著提高.

基于非局部自相似性的图像去噪算法研究

为解决加权核范数最小化(WNNM)算法在计算图像块相似度时易受噪声影响的问题,同时又能更大程度的利用图像的非局部自相似性(NSS),提出一种新的基于NSS的图像去噪算法。先引入像素级NSS先验来获得更加精确的相似块矩阵,并基于此矩阵提出一种噪声水平估计方法。基于哈尔变换和维纳滤波技术对噪声图像进行预处理,对预处理图像进行噪声水平估计,用估计得到的噪声方差来归一化WNNM算法的保真项,利用WNNM算法对预处理图像中的残余噪声及伪影做进一步去噪处理。实验结果表明,与当前主流的KSVD、BM3D、WNNM、PCLR和NCSR算法相比,经所提算法处理后的图像不仅PSNR和SSIM值均有所提升,而且主观视觉效果更佳。

基于非局部自相似性和低秩矩阵逼近的补全算法

针对传统矩阵补全算法在图像重建方面的不足,提出了一种基于非局部自相似性和低秩矩阵逼近(NLLRMA)的补全算法。首先,通过相似性度量找到图像中局部块所对应的非局部相似块,并将相应灰度信息进行向量化,从而构建出非局部相似块矩阵;然后,针对所得相似矩阵的低秩性,对其进行低秩补全操作(LRMA);最后,对补全结果进行重新组合,以达到恢复原始图像的目的。在灰度图像以及RGB图像上进行重建实验,结果表明:在经典数据集上,NL-LRMA算法要比原LRMA算法在平均峰值信噪比(PSNR)上高出4~7 dB;同时,新算法在视觉效果与PSNR值方面也明显优于迭代重加权核范数(IRNN)、加权核范数(WNNM)、LRMA等传统算法。总之,所提算法对传统算法在自然图像重建方面的不足进行了有效弥补,从而为图像重建提供了一种行之有效的解决方案。

基于非局部自相似性的谱聚类图像去噪算法

常见的图像去噪方法只是单独地利用了无噪图像或含噪图像的先验信息,并没有将这两种图像的先验信息有效地结合起来。针对这个问题,提出一种联合无噪图像块的先验信息和含噪图像块的非局部自相似性进行去噪的图像去噪算法。首先,对无噪图像块进行谱聚类,通过谱聚类进行学习,图像中的相似块被聚集到同一类,并将学习得到的聚类信息用于含噪图像块的聚类;然后,向量化同一类中的含噪图像块并聚集形成一个矩阵,该矩阵中包含的原始图像数据构成一个低秩矩阵;再通过一个低秩逼近过程估计出相应的原始图像数据;最后,根据逼近得到的原始图像数据重建图像。实验结果表明,相较于已有的自适应正则化的非局部均值去噪算法以及基于主成分分析和局部像素聚类的两级图像去噪算法,提出的算法不仅可以获得较大的峰值信噪比,而且还能较好地保存图像的细节,取得了更好的去噪效果。

一种自适应稀疏表示和非局部自相似性的图像超分辨率重建算法

如何充分利用图像自身蕴含的信息进行超分辨率重建仍然是一个开放的问题。文中提出了一种自适应稀疏表示和非局部自相似性的图像超分辨率重建算法。在训练与重建的过程中都采用K-means算法对选取的数据集进行聚类,将相似的图像块聚集在一起,然后运用PCA处理自适应地选择字典来进行超分辨率重建。相比于通过固定字典进行图像重建,采用自适应选择字典对图像进行重建将使得到的重建图像效果更加优越。针对自然图像的实验结果表明,利用所提算法重建的超分辨率图像的细节更细腻,伪像更少,边缘更锐利。

基于非局部自相似性的低秩稀疏图像去噪

针对许多图像去噪方法在去除噪声的同时容易丢失细节信息的问题,提出了一种基于非局部自相似性的低秩稀疏图像去噪算法。首先,利用基于马氏距离(MD)的块匹配方法将外部自然干净图像块分组,建立基于块组的高斯混合模型(GMM)学习非局部自相似性先验;其次,采用稳健主成分追踪(SPCP)方法,将噪声图像矩阵分解为低秩、稀疏及噪声三部分,其中稀疏矩阵包含了稀疏的有用信息;最后,通过最小化全局目标函数实现去噪。实验结果表明,提出的方法在峰值信噪比(PSNR)及结构相似性(SSIM)的结果上比EPLL、NCSR、PCLR等先进去噪算法都有较大的提升,且速度更快,去噪效果及细节保留能力都有更好的表现。

基于通道间相关性和非局部自相似性的彩色图像超分辨率算法

现有的大多数单图像超分辨率方法仅用于提高单个通道的分辨率。在处理彩色图像时,由于忽略了通道间的相关性,重建的高分辨率图像容易产生失真。针对这些问题,提出了一种综合考虑通道间相关性及非局部自相似性的彩色图像超分辨算法。首先,为了充分利用彩色图像的通道间相关性,分别计算通道间残差信号和三通道平均信号的总变分范数;其次,为了进一步提升超分辨率的结果,基于图像内的非局部自相似性更新重建图像;最后,为了求解所建立的优化问题,提出了基于split-Bregman方法的快速迭代算法。将所提算法与一些主流算法进行了比较,在3倍上采样条件下,所提算法在Set5和Set14数据集上平均可获得的峰值信噪比(Peak Signal to Noise Ratio,PSNR)增益分别为0.5 dB及0.36 dB。实验结果证明了联合应用通道间相关性及非局部自相似性能有效提升彩色图像的超分辨重建质量。

基于非局部自相似性HOG特征与联合稀疏的遥感目标检测方法

遥感图像自动检测飞机由于其在军事和民用航空领域的应用与重要性,成为研究热点,飞机是刚性物体且具有明显几何外观特点,适合应用HOG特征分类,然而HOG特征实现旋转不变困难。针对这一问题,采用了联合稀疏模型,通过构建训练样本原子库,以共享公共稀疏原子的形式进行逼近,然后将逼近最优解作为输出。提出了一种基于非局部自相似性HOG特征与联合稀疏的遥感目标检测方法,首先基于非局部自相似性对HOG特征进行一定的改进,通过强调局部区域的相似,形成非局部自相似性HOG特征,其次将联合稀疏方法作为分类器,最后用非极大值抑制来抑制重叠现象。通过在DOTA数据集上进行的实验来看,该方法与传统HOG特征结合联合稀疏的目标检测算法相比而言精度明显提高了30%以上,召回率也提高了至少18%。

基于非局部自相似性的高光谱异常检测算法

针对目前已有的高光谱异常检测算法大多只利用了高光谱图像的光谱维信息,而没有体现高光谱数据"图谱合一"的优势,导致算法检测性能不佳的问题,提出了一种基于非局部自相似性的高光谱异常检测(NLSSAD)算法。首先建立双立体窗,其中内窗表示待测像素光谱向量的空间-光谱三维结构窗,之后在背景中寻找与内窗最为相似的立体窗,并计算二者之间的距离从而得到待测像素光谱向量的非局部自相似性指数,并得到异常检测结果。实验结果表明,与现有的算法相比,所提算法在检测率和运算速度上均有较好的表现。

基于非局部自相似性的双相机压缩光谱图像重建算法

针对压缩光谱成像的图像重建问题,提出了一种基于非局部稀疏表示与双相机系统的压缩光谱重建方法。首先,利用RGB观测来构建一种三维图像块,使用K均值聚类对图像块进行分类,并以聚类结果来指导目标高光谱图像的光谱块分类,通过主成分分析获取每个簇的特征用来稀疏表示其他光谱块。然后用构建的三维图像块估计目标光谱图像非局部相似性,并构建目标函数。最后,通过迭代收缩算法与共轭梯度下降法来交替优化目标函数完成重建。仿真和实拍结果表明,所提方法能大幅提升重建质量与精度,在空间和光谱维度上重建误差更小,RGB观测辅助字典学习与相似块估计的方法能有效提升双相机系统的计算效率。

基于非局部自相似图像块字典学习的伪CT图像预测

随着PET/CT技术的日益发展,其被广泛应用于现代放射治疗。但在采集数据过程中,对人体放射时间较长,辐射当量较大,增加了患者的痛苦,因此人们希望减少CT扫描中X射线的辐射。为解决这一问题,本文提出基于非局部自相似图像块字典学习的伪CT图像预测方法。首先,对训练CT与MRI图像进行图像分块,通过块匹配算法聚类CT图像块,并提取CT与MRI图像块的多尺度特征。其次,通过字典学习,获得MRI图像与CT图像的映射关系矩阵,并对CT图像块进行预测。最后,通过重构算法,从目标MRI图像中得到预测CT图像。仿真实验证明了提出算法相对基于图谱集算法的有效性,以及在现代放射治疗中利用MRI图像替代CT图像的应用前景。

基于随机匹配的非局部相似块搜索算法

针对非局部相似块搜索问题,提出一个基于随机匹配的k近邻块匹配算法.在基于Jump Flooding传播的块匹配算法基础上,改进其候选参考块的产生方式,增加从查询块的局部邻域中随机产生候选参考块这一方式.这一改进提高了候选参考块匹配的可能性,进而提高了算法的匹配精确度.实验结果表明改进算法在时间效率和并行性上,与原算法相差不大,但在匹配精确度上,要优于原算法.

基于双稀疏模型和非局部自相似约束的超分辨率算法研究

在基于稀疏表示的图像超分辨率方法中,字典的选择对最终重建质量具有重要影响.目前K-SVD作为基于外部样本学习的过冗余字典在图像重建领域取得广泛的成功,但同时也限制信号输入维度,带来信号降维过程的信息损失.针对这一问题,提出引入一种双稀疏模型,结合结构化字典和非结构化字典优点,避免降维过程信息损失同时保证训练精度;重建阶段引入非局部自相似性约束,迭代求解稀疏系数,降低编码噪声,最终重建高分辨率图像.实验结果表明,该算法在图像质量客观评价指标上优于对比算法,并且在主观视觉效果上获得更清晰的边缘等细节信息.

非局部正则化的压缩感知图像重建算法

压缩感知(compressed sensing,CS)图像重建算法是CS图像获取问题的一个研究重点。针对传统基于稀疏性先验的重建算法不能有效重建图像的各种结构特征,为了在测量值数量不变的情况下进一步提高图像的重建质量,在稀疏性先验的基础上,引入局部自回归模型和非局部自相似性作为图像额外的先验信息,建立了非局部正则化的CS图像重建模型,并给出了相应的数值求解算法。此外,对于重建模型中图像的自回归参数,给出一种基于非局部相似点的估计方法。实验结果表明,较之传统的稀疏性正则化重建算法和同类的MARX(model-based adaptive recovery of compressive sensing)算法,所提算法能获得更高的图像重建质量。

基于改进K-SVD和非局部正则化的图像去噪

K-奇异值分解(K-SVD)算法在强噪声下的去噪性能较差。为此,提出一种新的图像去噪算法。使用相关系数匹配准则和噪声原子裁剪方法改进传统K-SVD算法,提高原算法的去噪性能,将非局部正则项融入图像去噪模型,并采用非局部自相似性进一步改善图像的去噪效果。实验结果表明,与传统K-SVD算法相比,该算法在提高同质区域平滑性的同时,能保留更多的纹理、边缘等细节特征。

联合均匀离散曲波变换及非局部张量稀疏正则化的SAR图像相干斑抑制

正则化技术是合成孔径雷达(Synthetic Aperture Radar,SAR)图像相干斑抑制的一种有效工具。在正则化相干斑抑制中,设计有效的正则化项来反映图像的先验信息起着至关重要的作用。本文通过同时刻画SAR图像的局部稀疏性和非局部自相似性,提出了一种新的基于联合稀疏正则化的SAR图像相干斑抑制模型。该模型包含一个数据保真项和两个正则化项,其中一个正则化项采用离散曲波变换来描述SAR图像的局部平滑性,另一个正则化项采用张量稀疏模型刻画SAR图像的非局部自相似性,图像张量是由具有相似结构的图像块组合,从而在对图像张量进行稀疏表示的过程中能够刻画图像中固有的局部稀疏性和非局部自相似性。进一步,为了求解该模型,提出了一种分离Bregman迭代技术的高效求解算法。实验结果表明,该模型在图像质量的主观视觉评价和客观评价方面均明显优于传统和最新的技术。

基于结构相似度衡量的图像超分辨率重建

图像超分辨率一直都是图像处理领域的研究热点,提出了把图像质量评价方法用于图像超分辨率的方法.把结构相似性度量用于块匹配,搜索图像块的相似块,利用找到的相似块的加权平均重构高分辨率图像.在低分辨率图像上进行了有噪声,无噪声情况下的两种实验,实验结果证明本文提出的方法在相同实验条件下比TV,Sparsity,Softcut取得了更好的结果.进一步分析实验可以发现用结构相似度搜索图像的相似块,使得重构后的图像更加充分地保留了原图像的结构信息.本方法提供了处理图像的新思路,使得对图像质量评价的研究和图像处理的研究可以结合起来共同推动图像处理方法的创新.

基于色彩约束与非局部稀疏表示的彩色图像超分辨率重建

基于稀疏表示模型的彩色图像超分辨率重建方法通常采用基于图像块的稀疏编码过程,易导致稀疏表示不稳定、重建彩色图像存在细节模糊和色彩伪影的问题。为此,提出一种非局部稀疏表示与色彩通道约束相结合的重建算法。将待重建的低分辨率彩色图像转换到YCbCr色彩空间,利用非局部稀疏模型对低分辨率彩色图像的亮度信息进行重建,再将重建图像转换回RGB色彩空间,应用色彩通道约束方法去除色彩伪影,从而在保证图像细节信息重建质量的同时提升其色彩伪影的去除能力。实验结果表明,与双三次插值算法、ScSR算法等相比,该算法重建图像的峰值信噪比和结构相似性较高。

基于非局部全核变分方法的稀疏角多能CT重建

稀疏角采样与减小X射线源电流可有效降低多能谱CT低辐射剂量,然而会导致投影数据不足且包含较大噪声,重建图像会严重降质。针对这一问题,本文对传统全核变分(TNV)正则化方法进行推广,利用非局部梯度向量构成的雅克比矩阵的低秩特性,提出非局部全核变分(NLTNV)正则化方法。该方法用单个正则项同时建模能谱CT图像的结构相似性、梯度域稀疏性与非局部自相似性3种先验信息,能恢复稀疏角度投影含较大噪声(剂量较低)时图像的结构特征,并且有效缓解了用多正则项建模多能谱CT图像不同先验信息所导致的正则化参数过多问题。此外,基于NLTNV的重建模型为凸优化模型,保证了算法的稳定性与收敛性。实验结果表明,与TNV正则化方法相比,本方法显著提升重建图像的整体质量。