基于Moreau包络平滑l_1/全变差范数模型的图像脉冲噪声去除方法

脉冲噪声是导致图像退化的主要原因之一,低密度脉冲噪声去除比较容易,但高密度比较困难。为了有效去除高密度的脉冲噪声,提高边缘和细节纹理的保持能力,提出了一种基于莫罗(Moreau)包络平滑l1/全变差范数(l1/TV)模型的脉冲噪声去除方法。此方法具有修复前后图像对比度和形态不变,不易产生局部模糊等优点。由于l1/TV模型中的两个目标函数均为不可微凸函数,无法直接求解,提出了利用解耦形式的Moreau包络对全变差范数进行平滑化处理,平滑后的函数是原函数的可微紧下界,具有迭代形式的解析解,证明了它也是原函数的解。仿真表明该算法具有很强的去噪能力,并能较好地保持边缘和细节信息。此外,还提出了该算法的加速策略,可以大大提高收敛速度。     

非局部变分修复法去除高密度椒盐噪声

分析了中值滤波及其改进型算法在处理高密度椒盐噪声时效果不理想的原因,采用变分修复方法来去除高密度椒盐噪声,基于现有的全变差修复模型提出了非局部全变差修复模型。该模型利用椒盐噪声特点(均匀分布、灰度值为0或255),将噪声点看成是图像中遗失或是破损的点,首先在图像中寻找与噪声点邻域相似的区域,将相似区域的中心像素作为噪声点新的邻域然后对其插值,把图像降噪问题转化为图像修复问题,从而达到去除高密度噪声的目的。实验结果表明:该模型对噪声密度为90%的彩色和灰度图像去噪后,其峰值信噪比为22.85和28.77,在客观评价标准方面优于中值滤波及其改进型算法。该模型能有效去除高密度下的椒盐噪声并较好地恢复图像细节,为图像去除高密度噪声提供了一种新的途径。     

基于神经网络的大孔径厚针孔成像复原算法研究

为了更好地获取低强度辐射源空间分布图像,提出一种使用神经网络算法将大孔径厚针孔退化图像复原的方法。建立了孔径5 mm、10 mm、15 mm的厚针孔模型,获得了3600个汉字形状辐射源的厚针孔退化图像集。基于DnCNN神经网络模型,建立了大孔径厚针孔退化图像复原神经网络,并与维纳滤波、Lucy-Richardson这些传统算法进行了比较。在考虑噪声影响后,利用迁移学习理论,对原神经网络模型进行迁移训练,再对含噪大孔径厚针孔退化图像进行复原。神经网络算法复原的RMSE明显低于传统方法,迁移学习显著减小了噪声的影响。证明了神经网络算法在大孔径厚针孔退化图像复原领域的优越性,并验证了神经网络方法复原含噪大孔径厚针孔退化图像的可行性。     

基于懒惰随机游走的雾天含噪图像清晰化

针对现有单幅图像清晰化算法无法很好地保证去雾和降噪效果的问题,提出了一种在懒惰随机游走模型下的单幅雾天含噪图像清晰化算法。分析了现有大气散射模型的物理意义,并对其加以改进,使之更符合实际雾天含噪图像的特殊性,利用懒惰随机游走模型估计改进雾天退化模型的衰减项;利用几何约束和color-line先验获取精准的退化模型中的大气光,最后恢复出噪声水平低的无雾图像。实验结果表明,所提算法在获得最佳去雾效果和抑制噪声水平的同时,具有较强的稳健性。     

基于Curvelet变换和全变差的图像去噪方法

Curvelet变换用于图像去噪可以较好地保留图像的细节信息,但在边缘处会产生"划痕"现象.采用全变差法进行去噪能保持边缘形状不变,但也会丢失图像的纹理等细节信息.为了充分利用两种方法的优点,将Curvelet变换和全变差相结合提出了一种有效的图像去噪方法.首先,对含噪图像分别进行Curvelet阈值去噪和全变差去噪.然后,将两幅去噪图像进行Curvelet融合,对于低频系数和高频系数分别采用加权平均和绝对值取大的融合算法.最后,将融合后的低频系数和各尺度高频系数进行Curvelet反变换得到融合后的去噪图像.实验表明,该方法能有效地降低图像噪声,又尽可能地保留图像的细节,其去噪效果明显优于单一Curvelet阈值法和全变差法.     

L1-2空谱全变差正则化下的高光谱图像去噪

针对高光谱图像的复原问题,提出了一种基于局部核范数最小化和全局L_(1-2)空谱全变差正则化的高光谱复原模型.首先,将高光谱图像划分成局部交叠的三维图块,在提高局部低秩性的同时减少核范数最小化带来的信息损失;然后,建立稀疏表达能力更强的L_(1-2)空谱全变差正则项,不仅能表示空间稀疏先验,而且还能发掘光谱稀疏先验;最后联合两者的优势,在局部上利用核范数最小化惩罚光谱低秩性,在全局上利用L_(1-2)空谱全变差约束高光谱的空间和光谱稀疏性,建立新的高光谱图像复原模型.该模型不仅能够有效去除高斯噪声、脉冲噪声、死线噪声及其混合噪声,而且减少了对噪声独立同分布假设的依赖,能部分抑制与结构相关的噪声.通过对模拟的和真实的高光谱图像进行大量的实验仿真,并与经典的基于低秩和全变差的复原方法相比,本文模型复原结果的平均峰值信噪比提高1.36 dB,平均结构性相似指标提高0.004,而Q-测度降低1.35,平均光谱角降低0.64,复原精度大幅度提高.     

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.     

基于随机点扩散函数的多帧湍流退化图像自适应复原方法

针对湍流退化图像随机性的问题,提出了一种基于随机点扩散函数的多帧湍流退化图像自适应复原方法。首先介绍了随机点扩散函数的图像退化模型,并分析了点扩散函数随机性对图像复原造成的影响,建立了基于随机点扩散函数的多帧图像退化模型。在此基础上,建立了基于多帧退化图像的全变分复原模型,利用前向后向算子分裂法对模型进行求解,提高了算法的运算效率。然后,提出了一种新的自适应正则化参数选取方法,该方法利用全变分复原模型的目标函数计算正则化参数,当正则化参数收敛时,复原图像的峰值信噪比达到最大值,因此利用目标函数的相对差值作为自适应算法迭代终止的条件,可以获得最佳复原效果。最后通过实验分析,算法中退化图像的帧数应不大于10帧。实验结果表明:当取10帧退化图像时,AFBS算法运算时间与单帧的FBS算法相当,信噪比增益为1.4 dB。本文算法对图像噪声有明显的抑制作用,对湍流退化图像可以获得较好的复原效果。     

基于可分离全变差模型的图像去噪

在传统离散全变差模型的基础上,利用低维投影思想,建立了元素可分离的全变差模型;结合Frobenius范数,根据图像的凸性,提出利用凸优化方法求解元素可分离的离散全变差问题,并将其应用于图像去噪.仿真表明:对于添加方差为0.1的随机噪音的256×256图像,去噪后峰值信噪比可达到28.5dB左右,并且能有效地保持轮廓和细节,说明该方法对随机噪音具有良好的去除能力;通过改变迭代次数可灵活平衡计算速度和准确度以适应不同的去噪要求.     

基于相位相关的匀速直线运动模糊图像位移参数估计

为估算匀速直线运动模糊图像的运动参数,提出了一种基于相位相关分析的图像配准方法。该方法利用傅里叶变换的平移特性,对产生平移的目标图像进行傅里叶变换并计算归一化互功率谱,其傅里叶逆变换对应二维脉冲函数,通过计算脉冲函数峰值坐标获取位移图像之间的亚像元级位移量。结合相位相关配准原理和线性空间不变退化模型,给出了匀速直线运动点扩散函数及其光学传递函数的数学描述;讨论了匀速直线运动模糊对相位相关配准结果的影响,证明了图像经过匀速直线运动退化后,位移图像之间归一化互功率谱具有不变性。实验结果表明：动态运动模糊图像最大检测误差为0.489 pixel,标准差为0.16 pixel。     

基于图像复原的高光谱图像前向像移补偿

为了提高高光谱图像空间维的图像分辨力,针对航空遥感器成像时由前向像移造成的图像模糊提出了像移补偿方法。分析了航空遥感器前向像移造成图像模糊的退化机制,对运动模糊图像进行了预处理;估计了点扩散函数和噪声功率,使用改进的维纳滤波算法对图像进行复原并以绝对平均误差、峰值信噪比作为评价标准进行了实验。在估计出模糊图像点扩散函数和噪声功率的情况下得到的结果显示:与传统的维纳滤波复原算法相比,改进的维纳滤波复原算法的图像绝对平均误差降低了9.31%,峰值信噪比提高了13.98%,表明提出的算法能够有效改善高光谱图像的像质。     

一种双正则项全变差高光谱图像去噪算法

受传感器特性影响,高光谱图像中的噪声在各个维度都有体现。噪声的存在降低了高光谱图像中信息的有效性,在进行地物分类前必须采用适当的算法对噪声予以去除。文章针对高光谱图像的噪声特性,提出了一种基于全变差的高光谱图像去噪算法。该算法将经典二维图像全变差去噪模型推广至三维形式,提出了采用双正则项及相应的调整参数的目标函数,在三维空间中完成新目标函数的离散化,并采用基于优化-最小化算法的迭代方法对目标函数进行优化与求解。对星载Hyperion成像光谱仪数据的实验表明,适当的设置调整参数,该方法可很好地提高高光谱图像的各波段信噪比、平滑光谱曲线并保留细节特征,其去噪效果优于经典的MNF去噪算法及Savitzky-Golay滤波方法。     

融合多种小波与全变差正则化的相位恢复算法

在相位恢复过程中,用图像的稀疏性作为先验知识可以提高图像的重构质量。结合图像在小波域的组稀疏性与图像自身的梯度稀疏性,针对编码衍射图样模型,提出一种融合正交小波db10和sym4组稀疏性与全变差正则化的相位恢复算法。针对当前相位恢复算法重构时间较长的问题,采用复合分裂算法将非凸优化问题分解成几个易于求解的子问题(包括两个组硬阈值算子和全变差最小化)进行求解,减少了图像重构时间。实验结果表明:在高斯噪声下,与BM3D-PRGAMP算法相比,所提算法重构图像的峰值信噪比提高了约0.8dB,重构时间缩短了90%;在泊松模型中,所提算法也具有较大优势,充分说明了所提算法对噪声具有稳健性。     

一种混合模糊含噪图像的参数辨识方法

在航空摄影、景象匹配导航等领域,由光学相机采集的图像往往同时存在着运动模糊和散焦模糊。成像中的噪声进一步加大了混合模糊图像点扩展函数的参数辨识难度。提出了一种双谱混合模糊含噪图像的点扩展函数参数辨识方法。首先计算出经混合模糊后的标准测试图像所对应的运动和散焦模糊的双谱,然后通过曲线拟合出双谱中各自的统计特性与运动模糊尺度或散焦半径之间的函数关系,由此训练出的BP神经网络可以完成对其它含有噪声的混合模糊图像点扩展函数的参数辨识。实验结果表明,该方法适用于含有噪声的一定模糊参数范围内的混合模糊图像。在信噪比为25dB的情况下,辨别出的模糊参数偏差不超过0.5个像素。     

一种基于双分支改良编解码器的图像去噪算法

针对传统图像去噪算法多噪声去除难，深层卷积神经网络去噪模型网络复杂、训练时间长等问题，提出一种基于自编码器结构的双分支改良编解码网络，实现高效图像去噪。双分支结构之一采用降-升采样实现点噪声消除，另一分支专注于宏观的图像修复和伪像去除，后端利用残差结构进行整合，实现数字图像混合噪声去噪。实验结果显示:对于含有标准差为15，均值为0的高斯噪声、噪声密度为5%的椒盐噪声和散粒噪声的混合噪声图像测试集，实验去噪效果相较于输入混合噪声图像峰值信噪比，平均提升了5.3%。与12层全卷积神经网络相比，去噪效果相当，训练速度提升了25.4%，体现了其“轻量级”的优点。实验表明:该方法相较于深层卷积神经网络，训练速度快，网络简单；相较于传统图像去噪算法，噪声去除效果也较为明显。该算法可应用于轻量级视觉平台后端去噪。     

基于奇异值分解的运动模糊图像广义逆恢复方法

当线性模型应用于运动模糊模糊图像的恢复时,方程的最小二乘解是恢复图像的最优线性无偏估计。由于图像退化过程的不适定性,当观测值受到噪声干扰时,该解往往会远偏离真值。为了克服这个问题,通过对退化矩阵的奇异值分解,提取其不易受干扰的子空间,用该空间重构的逆矩阵具有良好抑噪能力,使图像在较长的运动模糊尺度内恢复时保持较低的失真。     

基于噪声特性的大气湍流退化图像多帧盲反卷积复原

由于大气湍流和噪声的影响,造成观测目标图像的退化.为了目标的精确观测,根据噪声特性,结合符合物理意义的约束条件,提出了新的大气湍流图像盲反卷积复原最小化模型,并以共轭梯度数值优化方法交替迭代求解,复原观测目标图像.为验证提出的算法的有效性,在计算机上模拟参数为望远镜口径为2.0 m,大气相干长度为0.1 m,图像信噪比为10 dB的大气湍流退化和噪声污染的图像,以提出的盲反卷积复原方法复原,实验结果表明,提出的盲反卷积复原算法避免了传统的盲反卷积复原算法的缺陷,有效地克服大气湍流和噪声的影响,复原出了清晰的观测目标图像.该图像盲反卷积复原方法的研究,对地基望远镜的观测有重要的基础性作用.     

基于贝叶斯分层模型的MCMC方法在闪光图像重建中的应用

针对闪光图像得到的光程数据,采用贝叶斯分层模型建立了后验概率模型,运用Gibbs抽样动态构造马尔可夫链;进而获得了关于线吸收系数的统计结果及其不确定度,并与约束共轭梯度(CCG)方法进行对比分析。数值实验结果表明,马尔可夫链蒙特卡罗(MCMC)方法对理想光程图像的重建结果与真值近似完全一致;在含模糊和噪声时,重建结果与CCG方法相当;当含模糊且噪声干扰较大时,MCMC方法的重建结果要略优于CCG;更重要的是MCMC方法能够给出重建结果的不确定度。     

基于改进的GAC模型图像分割算法

针对图像分割中经典GAC模型无法准确分割拓扑结构变化的凹陷目标、容易穿越深度凹陷的弱边缘轮廓和无法准确分割含噪声目标的问题,通过利用图像灰色关联度、类间方差和经典GAC模型构造新能量函数,提出了一种改进的GAC模型,该模型可增强经典GAC模型的边界检测能力,减少分割时间。仿真实验验证了改进的GAC模型的正确性和有效性。     

基于高斯混合尺度模型的压缩传感图像重构

在图像处理领域中,压缩传感重构是稀疏表示下的最重要的病态反问题之一。压缩传感图像重构利用图像可稀疏表示的先验知识,从比奈奎斯特采样率低得多的随机投影观测值中重构原始图像。为了克服传统的压缩传感算法中收敛速度慢和未利用变换系数的邻域统计特性的缺点,提出了基于高斯混合尺度模型的压缩传感图像重构算法,证明了独立的高斯混合尺度分布作为压缩传感重构的稀疏先验知识的可行性,结合全变差调整进一步提高算法的性能。实验结果表明,该算法有效地提高了重构图像的主观视觉效果和峰值信噪比,加快了压缩传感图像重构算法的收敛速度。