基于Shearlet的双正则化图像压缩采样恢复

针对图像压缩采样中正交小波变换方向有限和单一正则化的问题,提出了一种基于Shearlet的双正则化图像压缩采样恢复算法。该算法用Shearlet作为图像的稀疏表示,用交替最小化对联合正则化模型进行求解。实验结果表明,该算法恢复的图像与单一的全变分正则化方法和小波变换相比有更好的视觉效果,更高的峰值信噪比。

FK和Shearlet域联合压缩感知数据重构技术

由于稀疏炮检点采集或野外采集因素造成地震数据的不规则,影响地震资料成像质量。基于压缩感知理论的重构方法,能够在有限采样的情况下有效重构地震数据。由于地震道的空间随机缺失在波数域表现为空间假频,文中将时空域的地震道重构转化为频率波数(FK)域的随机噪声压制问题。对FK域数据做多尺度、多方向性的剪切(Shearlet)变换,通过反演迭代消除FK域的空间假频,从而实现地震道的空间重构。该方法是在FK变换后进行Shearlet变换,可以看作一种新的稀疏基变换。由于全局随机采样因子频谱呈白噪特征,分段随机采样因子频谱呈蓝谱特征,因此分段采样数据有效信号与假频的混叠相对减少,更有利于数据重构。实验结果表明,分段随机采样FK+Shearlet域重构精度高于全局随机采样Shearlet域重构、分段随机采样Shearlet域重构和全局随机采样FK+Shearlet域重构。

基于非下采样剪切波变换的FSVM图像去噪算法

以非下采样剪切波变换为基础,提出了一种模糊支持向量机图像去噪算法,其中非下采样剪切波变换能够获得噪声图像的高频子带,对高频子带系数进行模糊分类,利用自适应阈值处理含噪子带系数,达到去噪效果。实验结果表明,本文算法在图像去噪方面表现良好。

基于NSST域卷积神经网络的低剂量CT图像恢复

为解决低剂量CT(Low-Dose Computed Tomography,LDCT)图像中的噪声/伪影问题,提出一种基于非下采样Shearlet变换(Non-Sample Shearlet Transformation,NSST)的卷积神经网络(Convolution Neural Network,CNN)的NSST-CNN模型。训练时,对数据集中的常规剂量CT(Normal-Dose Computed Tomography,NDCT)和LDCT图像做NSST分解,将LDCT图像的高频子图作为输入,LDCT和NDCT图像的高频子图的残差图像作为标签,通过CNN训练,学习LDCT高频子图和高频残差子图的映射关系;测试时,将LDCT图像的高频子图减去利用映射关系预测的主要包括噪声/伪影的高频子图,然后做NSST反变换得到高质量的LDCT图像。实验结果表明,与KSVD、BM3D以及图像域CNN方法相比,NSST-CNN模型得到的结果具有更高的峰值信噪比和结构相似度,更接近NDCT图像。

一种多曝光融合图像质量评价方法

多曝光融合(Multi-exposure Fusion,MEF)可将同一场景拍摄的几幅不同曝光图像融合成细节更丰富的图像。针对不同融合算法得到的MEF图像可能存在纹理丢失、结构混乱、亮度及颜色失真等现象,提出了一种基于非下采样剪切波变换(Non-subsampled Shearlet Transform,NSST)的多曝光融合图像质量评价方法。所提出算法先利用非下采样剪切波变换能较好地反映图像的纹理信息,获得较稀疏的图像表示,在NSST域对多曝光图像源序列和融合图像进行纹理相似度度量;其次,考虑融合图像可能会出现亮度和色度失真,提取其亮度和色度特征用于质量评价;再利用梯度特征来描述人类视觉较为敏感的边缘信息,并进行结构相似度度量。最后,采用随机森林的方法对以上4类特征进行训练,建立质量评价模型。实验结果表明,所提出方法的Pearson线性相关系数约为0. 902,Spearman秩相关系数约为0. 874,优于现有的MEF图像质量评价方法,与人眼视觉感知的一致性更好。

基于特征距离与极谐变换的图像检索算法

为提高图像在数据集中的检索准确度,设计了基于加权距离与多元极谐变换的图像检索算法。在查询图像的色调-饱和度-亮度(HSV)空间内,提取其颜色特征;并引入贝塞尔K分布与非下采样Shearlet变换(NSST)方法得到查询图像的纹理特征,改善其对模糊与亮度变换等操作的稳健性;借助四元极谐变换(QPHT)机制,将图像的QPHT模系数视为形状特征,提高对噪声与几何变换的鲁棒性。通过融合这3种特征,分别计算查询图像与数据库图像之间对应的特征距离,并赋予三者对应的权重,以测量两幅图像之间的相似度,从而准确输出检索结果。测试数据显示,与当前基于内容的图像检索技术相比,所提算法具备更高的检索准确度和鲁棒性,在多种几何变换攻击下,仍可以准确检索出目标。

连续切波变换反演公式的级数表示

我们主要研究连续切波变换反演公式的级数表示.首先引入两类由切波变换反演公式定义的无穷级数和有限级数,并研究了由Kittipoom等人介绍的切波生成空间,得到这个切波生成空间的一些重要性质.其次利用这些结果显示:对于这个切波生成空间,当采样密度趋于无穷时由我们定义的无穷级数按L^2-范数收敛于重构函数;对于可允许函数空间,当采样密度趋于无穷时由我们定义的有限级数按L^2-范数收敛于重构函数.