空域中基于Rudin-Osher-Fatemi模型的小波图像修补方法

简要介绍了图像修补问题及现在一些主要的图像修补技术。根据图像修补的目的,提出小波图像修补问题不必局限于小波域求解,也可以在空域得到解决的思想。给出了该思想的依据和具体实现步骤,并提出一种在空域中基于Rudin-Osher-Fatemi(ROF)模型来实现上述思想的小波图像修补方法。图像修补仿真实验的结果表明,该方法可以得到较好的图像修补视觉效果,峰值信噪比(PSNR)小于10dB的缺损图像经处理后其PSNR达到约30dB。较以前的小波图像修补方法,该方法显著提高了缺损图像的PSNR,验证了提出思想的可行性。

融合ROF模型的高斯滤波RSSI测距算法

针对WiFi室内定位时由于室内环境的复杂性、不确定性导致所采集的RSSI信号存在奇异值、波动性的问题,提出一种基于高斯滤波的改进算法,以期提高WiFi定位的测距精度:在原有高斯滤波算法基础上与全变分去噪算法相结合,引入ROF模型;并利用采集的RSSI矩阵数据梯度控制扩散系数,当扩散系数较小时保留有效信息,扩散系数较大时去除噪声;接着对去噪后的RSSI矩阵进行自适应校正,同时抑制阶梯效应引起的RSSI矩阵平滑不均匀现象,实现对强度信号的滤波及平滑处理。实验结果表明,该方法对提高WiFi定位的测距精度有较好效果。

基于ROF模型半隐式去噪的SAR图像变化检测

为减少遥感图像中的散斑噪声,获取较为准确、完整的变化信息,提出一种基于ROF模型半隐式去噪的SAR图像变化检测算法。对于两时相含噪图像进行对数变换,利用Rudin等提出的ROF模型,采用半隐式差分格式对含噪图像进行去噪;针对去噪后的两时相图像进行差值运算得到差异图;利用模糊C均值聚类算法对差异图聚类,得到变化检测结果图。实验结果表明,该算法具有较高的检测精度和时间运行效率。

一种基于矩阵格式的半隐式图像去噪算法

图像去噪是进一步处理图像的必要步骤和关键环节之一.首先针对Rudin等在1992年提出的ROF模型,利用Crank-Nicolson半隐式差分格式进行离散,克服了显式离散格式的不稳定性和迭代次数多的缺点;其次在求解过程中提出了一种基于矩阵格式的半隐式新算法,并将新算法应用于三种边界条件——零边界条件、周期边界条件和Neumann边界条件进行数值试验;数值试验结果表明采用Crank-Nicolson半隐式离散格式去噪的效果优于显式离散格式;同时,Neumann边界条件能很好的保持图像边界的连续性.

Minimizers of anisotropic Rudin-Osher-Fatemi models

We give the explicit formulas of the minimizers of the anisotropic Rudin-Osher-Fatemi models Eφ1（U）=∫Ωφ°（Du）Dx＋λ∫｜u-f｜dx,u∈BV（Ω） Eφ2（U）=∫Ωφ°（Du）Dx＋λ∫（u-f）2dx,u∈BV（Ω）,where Ω R2 is a domain, φ° is an anisotropic norm on R2, and f is a solution of the anisotropie 1-Laplaeian equations.

基于拉普拉斯算子和图像修补的图像去噪算法

通过分析偏微分方程(PDE),设计了基于拉普拉斯算子和图像修补的图像去噪算法用于处理被噪声污染的图像:ROF调和拉普拉斯(RHL)算法和ROF调和修补(RHI)算法。通过分析图像的局部特征,结合ROF模型在处理图像时具有边缘保护能力,调和模型在处理图像平滑区域时能够避免产生"阶梯效应"和拉普拉斯算子具有增强细节信息的特点,设计了RHL算法;在RHL算法的基础上,结合基于PDE的图像修补模型设计了RHI算法。实验结果表明,设计的RHL算法和RHI算法既克服了ROF模型、调和模型在去除图像噪声时的缺点,又结合了两者的优点,与其他基于PDE的算法相比,在去除图像噪声、处理图像平滑区域、保持图像边缘细节信息方面都有较好的性能。

基于机器视觉的煤泥浮选泡沫图像分割方法

针对煤泥浮选泡沫图像中存在的噪声干扰和气泡粘连等问题,提出了一种基于机器视觉的分割模型,采用煤泥浮选泡沫图像分割算法对实验室采集到的煤泥浮选泡沫图像进行图像分割试验。结果表明,基于机器视觉的煤泥浮选泡沫图像分割模型主要包括ROF模型去除图像噪声和基于顶帽、底帽变换的粘连泡沫分割。ROF模型基于有界全变分函数空间,该空间中函数的不连续正好与图像中物体的边缘轮廓对应,非常适于泡沫图像去噪处理;顶帽变换使得泡沫与泡沫之间的间隙变大,解决了气泡粘连问题;最后采用分水岭算法完成对泡沫的分割。理论分析及实验室研究均表明,该方法可准确、快速地分割出复杂煤泥浮选泡沫图像中的泡沫,分割准确率高达81.1%,验证了分割方法的有效性。