基于PDE模型的图像处理方法

介绍了异质扩散偏微分方程 ( PDE)和几何驱动 ( GD)图像处理新方法 .对照传统滤波方法 ,分析了PDE和 GD方法的优点 ,并给出用于模糊和噪声图像恢复处理的两个模型     

一种新型的四相水平集图像分割方法

水平集方法在图像分割和计算机视觉领域有很广泛的应用,在传统的水平集方法中,水平集函数需要保持符号距离函数.现有的活动轮廓模型、GAC模型、M-S模型、C-V模型等在演化过程中均需要对水平集函数进行重新初始化,使其保持符号距离函数,然而这样会引起数值计算的错误,最终破坏演化的稳定性,另外这些模型只适用于灰度值较为均匀的图像,对灰度值不均匀的图像不能进行理想的分割·针对这些问题,结合C-V模型的思想,提出了一种带有正则项的四相水平集分割模型,其中正则项被定义为一个势函数,具有向前向后扩散的作用,使水平集函数在演化过程中保持为符号距离函数,避免了水平集函数重新初始化的过程.最后对该模型进行数值实现,实验表明了新模型的可行性和有效性.     

基于小波多分辨率分析和改进窄带法的C-V水平集图像分割模型

本文研究了基于小波分析改进的C-V模型图像分割问题.利用小波多分辨率分析和改进的窄带水平集方法,获得了比传统C-V模型分割速度更快、准确度更高、算法复杂度更低的分割结果.推广了C-V水平集模型如何快速准确地分割灰度不均匀的图像和窄带水平集法等结果.     

基于改进Canny算子的图像边缘检测方法

经典Canny图像边缘检测算法在面对复杂背景和椒盐噪声时会出现伪边缘或漏检等问题,影响后续图像分割,目标检测和识别.针对经典Canny算法高斯滤波和人工门限设置2个步骤进行优化改进,首先提出一种循环自适应滤波方法代替高斯滤波对图像进行平滑降噪,提升椒盐噪声抑制性能的同时较好的保留了图像中的细节信息,然后提出一种最小类内类间距准则的2-均值算法自动确定高低阈值门限,相对于人工门限设置方法具有更高的精确性和更强的适应性.基于标准图像库数据开展试验,结果表明所提方法可以明显提升经典Canny算法的椒盐噪声鲁棒性和复杂背景下的边缘检测性能.     

一种改进的四阶偏微分方程图像去噪模型

针对四阶偏微分方程图像去噪模型对图像平滑区域处理造成不平整现象,以及无法去除椒盐噪声的问题.首先对含噪图像进行高斯滤波,然后通过修改扩散系数得到一个改进的四阶偏微分方程图像去噪模型.MATLAB仿真结果表明:新模型与原四阶偏微分方程去噪模型相比,其去噪图像不仅视觉效果好;而且峰值信噪比也高;另外,新模型还能有效去除椒盐噪声.     

求解图像分割CV模型的BB算法

给出图像分割的一种新算法——BB算法.该方法的优点在于利用迭代过程中当前点和前一点的信息确定搜索步长,从而更有效地搜索最优解.为此,首先通过变分水平集方法将CV模型转化为最优化问题;其次,将BB算法引入该优化问题进行求解;然后,对BB算法进行收敛性分析,为该算法应用在CV模型中提供了理论依据;最后将该方法与已有的最速下降法、共轭梯度法的分割结果进行比较.结果表明,跟其他两种方法相比,BB算法在保证较好分割效果的前提下,提高了算法的速度和性能.     

图像反问题中的数学与深度学习方法

我们生活在数字的时代,数据已经成为了我们生活中不可或缺的一部分,而图像无疑是最重要的数据类型之一.图像反问题,包括图像降噪,去模糊,修复,生物医学成像等,是图像科学中的重要领域.计算机技术的飞速发展使得我们可以用精细的数学和机器学习工具来为图像反问题设计有效的解决方案.本文主要回顾图像反问题中的三大类方法,即以小波（框架）为代表的计算调和分析法、偏微分方程（PDE）方法和深度学习方法.我们将回顾这些方法的建模思想和一些具体数学形式,探讨它们之间的联系与区别,优点与缺点,探讨将这些方法有机融合的可行性与优势.     

基于PICCS的非局部TGV能谱CT重建算法

能谱CT将宽谱划分为窄谱,导致通道内光子数目明显减少,加大了噪声影响,故从噪声投影中重建出高质量图像是能谱CT的一个研究热点.传统全变分(total variational,TV)容易造成重建图像中出现块状伪影等问题,总广义全变分(total generalized variation,TGV)算法可以逼近任意阶函数,再结合非局部均值算法的思想,同时考虑到不同能谱通道下重建图像的相关性,将高质量全能谱重建图像作为先验图像指导能谱CT重建,提出了基于先验图像约束压缩感知(prior image constrained compressed sensing,PICCS)的非局部TGV重建算法.实验结果表明,所提算法在抑制噪声的同时能够有效复原图像细节及边缘信息,且收敛速度快.     

基于分数阶GM(1,1)的图像去噪

针对传统整数阶GM(1,1)模型无法调节阶次来改善图像去噪性能,采用分数阶GM(1,1)模型来弥补其不足.分数阶GM(1,1)模型可以精确调节累加数之间数量级来达到更好的去噪效果.先通过在经典图像中添加椒盐噪声的去噪对比实验,得出分数阶GM(1,1)模型较GM(1,1)模型有更好的视觉效果,更高的峰值信噪比和结构相似度...     

基于粒子群优化的分数阶PFGM(1,1)模型在建筑物沉降预测中的应用

针对传统的灰色预测模型对建筑物沉降预测精度不高、拟合数据较差的问题,在传统的GM(1,1)模型基础上提出了分数阶建模的思想,采用粒子群优化算法求解最优分数阶次,建立基于粒子群优化的分数阶PFGM(1,1)模型.实例计算表明,分数阶FGM(1,1)模型可以提高建筑物沉降的预测精度,通过粒子群优化算法选取最优阶次可以进一步提高预测精度和误差检验等级.由此可见,基于粒子群优化的分数阶PFGM(1,1)模型对建筑物的沉降控制有着重要的指导作用.