一种去除椒盐噪声的自适应模糊中值滤波算法

针对传统中值滤波算法降噪性能不佳以及易造成图像细节模糊的问题,提出了一种自适应模糊中值滤波算法。 滤波过程分为噪声检测和噪声去除2个阶段。噪声检测阶段：采用极值法检测噪声,将图像的像素点分为两类,即疑似噪声点和信号点。 通过疑似像素点和与其相邻的已处理的像素点的平均绝对灰度差值定义模糊隶属度函数,利用该函数对疑似噪声点是否为噪声进行模糊分类。 噪声去除阶段：信号点保持原值输出,对于疑似噪声点的3种分类结果,采用模糊加权的中值滤波器进行统一处理。 实验结果表明,较于多种传统滤波方法,该算法能更有效地去除椒盐噪声,保护图像细节。     

基于混合高斯模型的运动目标检测

针对运动目标检测中的背景复杂度高、视频数据计算量大等问题, 且为避免计算不同复杂程度的视频背景, 并能够准确地获取所需要的运动目标, 提出了一种基于混合高斯模型的运动目标检测方法. 首先采用混合高斯模型获取运动目标特征; 然后利用中值滤波方法去除视频目标运动特征中的背景噪声; 最后依据形态学运算方法对通过统计直方图得到的运动显著图进行处理, 从而获取最终的运动目标. 对标准视频序列集的检测表明, 利用该算法获取的运动目标不仅能抑制背景噪声, 而且精准度和误差都优于普通的视频运动目标检测算法.     

一种非刚性医学图像点匹配方法

提出了一种非刚性点匹配的算法并把其运用于医学图像配准．该算法采用信号滤波的方法来获得点集间的匹配信息，并运用松弛标记法将各点邻域关系对模糊的匹配信息进行迭代获得明确的匹配关系．在此基础上，利用高斯径向基函数来描述点模式间的弹性形变，在基本的迭代框架下实现问题的求解．实验结果显示在形变程度为5％、出格点比率50％和噪声标准差为5％的情况下该算法的匹配误差能控制在0．13以下，表明了该算法的鲁棒性和有效性，较好地解决了医学非刚性形变的点匹配问题．     

一种新的运动自适应去隔行算法

提出基于棱边方向检测的运动自适应去隔行算法,该算法能充分利用图像序列的时间和空间上的相关信息,采用新颖的相邻场运动检测方法区分视频序列中的运动和静止部分.对于运动部分,使用改进的基于棱边方向的边沿自适应插值算法;对于静止部分,采用三点中值滤波插值算法.仿真实验表明：算法无论在画面视觉效果还是视频图像信噪比,均达到良好了效果.     

合成孔径雷达图像统计滤波降噪方法

基于统计滤波方法需要在尽可能大的同质区域内进行滤波处理的要求，根据MHR和EPOS算法采用的可变窗口思想，提出了从八个不同方向上逐步扩大窗口，直到出现边界的搜索算法，在保持图像边界信息的同时滤除了斑点噪声的影响。对于噪声统计量，提出了利用了比例图来估计其大小的方法，并由此求出搜索的域值，实验结果表明，该方法处理的SAR图像质量在噪声滤除和边缘保持方面比传统算法有了明显改进。     

基于Shannon-Cosine小波精细积分法的壁画降噪修复方法

为修复受破损且噪声点众多的壁画图像,提出了用偏微分方程（partial differential equation,PDE）扩散的方法对图像进行降噪修复。针对PDE法求解精度较低的问题,提出了一种Shannon-Cosine小波精细积分法,运用小波数值方法对偏微分方程进行离散处理,降低其方程组规模,并采用精细积分法求解,有效提高了计算速度。试验结果表明,采用该算法对受损壁画降噪处理后,视觉上,图像边界更清晰,且噪声点得到有效减少,达到了保边降噪的效果,更符合人眼的视觉效果;客观上,与中值滤波、均值滤波和维纳滤波方法相比,采用本算法处理后的图像其PSNR值和SSIM值均最大。因此,运用Shannon-Cosine小波精细积分法求解图像的PDE模型是可行的,取得了较好的图像降噪效果。     

基于Shannon-Cosine小波精细积分法的壁画降噪修复方法

为修复受破损且噪声点众多的壁画图像,提出了用偏微分方程（partial differential equation,PDE）扩散的方法对图像进行降噪修复。针对PDE法求解精度较低的问题,提出了一种Shannon-Cosine小波精细积分法,运用小波数值方法对偏微分方程进行离散处理,降低其方程组规模,并采用精细积分法求解,有效提高了计算速度。试验结果表明,采用该算法对受损壁画降噪处理后,视觉上,图像边界更清晰,且噪声点得到有效减少,达到了保边降噪的效果,更符合人眼的视觉效果;客观上,与中值滤波、均值滤波和维纳滤波方法相比,采用本算法处理后的图像其PSNR值和SSIM值均最大。因此,运用Shannon-Cosine小波精细积分法求解图像的PDE模型是可行的,取得了较好的图像降噪效果。     

基于色彩衰减补偿和Retinex的水下图像增强

针对水下图像存在的色偏、雾状模糊、低曝光和非均匀光照问题, 提出一种基于色彩衰减补偿和Retinex的水下图像增强算法. 首先, 为校正水下图像的色偏, 利用水体对不同波长光线衰减不一致的特性自适应地补偿其R、G、B通道. 然后, 使用基于多尺度导向滤波的Retinex去除雾状模糊, 增强对比度. 最后, 根据水下图像和自然图像的直方图分布特征对其进行归一化处理, 从而在保存图像主要信息的前提下增强其纹理和曝光. 实验结果表明, 该算法不但具有较优的视觉感知效果, 而且具有较高的图像质量评价分数. 该算法具有较强的适应性, 有助于计算机视觉算法在水下的应用.     

一种基于新型小波包阈值的图像去噪方法

提出了一种基于小波包理论去除图像噪声的方法,用小波包把图像分解为高频分量和低频分量,根据高频分量估计噪声的标准差,并利用该标准差以及Birge-Massart惩罚函数计算阈值.鉴于传统软硬阈值的缺陷,采用一种新型阈值量化方法,用三次多项式在硬阈值的基础上插值,使新的阈值函数保持了连续性和可导性.通过这种方法既消除了图像的振铃现象,又保留了细节成分.实验表明：与传统方法相比,新方法使图像视觉效果和峰值信噪比均获得提高.     

基于方向梯度直方图的螺纹连接件端面缺陷检测方法

针对螺纹连接件端面表面的反光性、阈值选取的不确定性, 提出了一套图像处理方法. 使用中值滤波和图像锐化增强等方法处理图片, 解决背景与前景差距较小的问题; 选取利用方向梯度直方图确定图像上的边缘方向, 实现对目标的直线轮廓提取, 与已知目标的轮廓模型结合实现对非直线目标轮廓的提取. 该处理方法可以自动提取目标的轮廓, 而不需要设定阈值, 且对亮度、对比度和噪声变化的适应性较好. 对2500个报警器底盘做的检测实验结果表明, 采用该方法能去除噪声, 与Canny轮廓提取法相比, 能更准确且稳定地提取出螺纹连接件端面的边缘特征; 对螺纹连接件端面磨损和歪斜的检测准确率分别达到了99.4%和98.6%, 满足工业的准确率和实时性的需求; 同时可减少人工成本, 提高检测速度.     

基于提升小波的方向扩散算法实现侧扫声纳图像去噪

侧扫声纳作为一种重要的海底探测技术,已得到广泛的使用,但声强数据经过严格的数据处理后,依然存在噪声,影响图像的正确判读.针对侧扫声纳图像中的噪声问题,采用基于偏微分方程的方向扩散、正则化P-M（AOS算法）、基于离散小波的方向扩散、基于提升小波的方向扩散4种方法,与传统的均值滤波、中值滤波、维纳滤波和小波软阈值、硬阈值、贝叶斯估计阈值的方法进行实验对比,发现基于提升小波的方向扩散方法,不仅能有效提高峰值信噪比,而且还能保持较好的平滑指数和边缘保持指数,更适用于侧扫声纳图像的去噪处理.     

基于快速神经网络架构搜索的鲁棒图像水印网络算法

为解决深度学习在图像水印算法中计算量大且模型冗余的问题,提高图像水印算法在抵抗噪声、旋转和剪裁等攻击时的鲁棒性,提出基于快速神经网络架构搜索（neural architecture search,NAS）的鲁棒图像水印网络算法。通过多项式分布学习快速神经网络架构搜索算法,在预设的搜索空间中搜索最优网络结构,进行图像水印的高效嵌入与鲁棒提取。首先,将子网络中线性连接的全卷积层设置为独立的神经单元结构,并参数化表示结构单元内节点的连接,预先设定结构单元内每个神经元操作的搜索空间;其次,在完成一个批次的数据集训练后,依据神经元操作中的被采样次数和平均损失函数值动态更新概率;最后,重新训练搜索完成的网络。水印网络模型的参数量较原始网络模型缩减了92%以上,大大缩短了模型训练时间。由于搜索得到的网络结构更为紧凑,本文算法具有较高的时间性能和较好的实验效果,在隐藏图像时,对空域信息的依赖比原始网络更少。对改进前后的2个网络进行了大量鲁棒性实验,对比发现,本文算法在CIFAR-10数据集上对抵抗椒盐噪声和旋转、移除像素行（列）等攻击优势显著;在ImageNet数据集上对抵抗椒盐高斯噪声、旋转、中值滤波、高斯滤波、JPEG压缩、裁剪等攻击优势显著,特别是对随机移除行（列）和椒盐噪声有较强的鲁棒性。     

改进分形模型的图像降噪算法

利用分形几何中的迭代函数系统理论，针对空间域建立图像分形模型存在相似匹配速度慢的缺点，提出了一种变换域的改进分形模型方法，该方法用频域的搜索匹配代替空间域的搜索匹配，不但域块和区块达到相似匹配的速度更快，而且可以自适应的调整参与计算相似匹配的参数个数．实验结果表明改进的分形模型应用于图像降噪不但可以有效的保护图像的细节和边缘信息，并避免原方法在降噪的同时带来块效应的缺点．     

基于多重模糊属性的彩色图像分割

提出了一种综合考虑多重模糊属性的彩色图像分割算法.该算法定义了像素的邻域模糊距离,并根据同一区域内部消除亮度信息后彩色部分相关性非常高的原则,利用区域生长方法产生准种子区域和模糊像素集.对于这些准种子区域按照面积大小进行区域提纯,从而得到确信度很高的种子区域;对于模糊像素,利用合理的目标函数确定出它们的区域属性.讨论了区域的紧性和相邻区域之间颜色相似度的权重关系,并用于区域合并.实验表明,算法的分割结果与人的主观视觉感知具有良好的一致性.