基于似然函数最速下降的红外与可见光图像配准

为了实现红外与可见光图像的自动配准,提出了基于似然函数最速下降迭代的图像配准算法.该算法以图像边缘作为配准点特征,将异源图像配准转化为边缘点集配准.基于点集的高斯混合模型建立了边缘点集配准似然函数,以该函数作为目标函数,仿射变换参量作为优化变量,利用最速下降方法进行最优变换参量求解,从而实现边缘点集配准.同时,将多分辨率金字塔引入迭代配准框架下,实现了高分辨率图像配准的加速.实验结果表明:该算法精度高,运算速度快,可以很好地完成可见光与红外图像的自动配准.     

基于似然函数最速下降的红外与可见光图像配准

为了实现红外与可见光图像的自动配准,提出了基于似然函数最速下降迭代的图像配准算法.该算法以图像边缘作为配准点特征,将异源图像配准转化为边缘点集配准.基于点集的高斯混合模型建立了边缘点集配准似然函数,以该函数作为目标函数,仿射变换参量作为优化变量,利用最速下降方法进行最优变换参量求解,从而实现边缘点集配准.同时,将多分辨...     

基于GFO和标记点分水岭算法的医学图像分割

传统的分水岭分割一般是在原始图像中根据边缘检测算子所得的边缘图进行计算,常规的边缘检测算子并没有引入图像的先验信息或形状约束。由于病理改变以及医学影像数据内在的模糊性,常规边缘检测算子很难引导分水岭算法收敛到正确的目标轮廓,由此导致传统分水岭算法容易受到图像噪声的干扰而"过分割"。在此情况下,提出利用基于广义模糊算子(GFO)的边缘检测算法来改进标记点分水岭分割。从实验结果看,提出的方法非常适合应用于临床医学图像分割。     

正态分布模拟倾斜刃边图像的MTF测量方法

调制传递函数(MTF)是评价光学成像系统信息传递频率特性的一个关键指标,倾斜刃边法是测量MTF的主要方法之一。为了解决传统倾斜刃边法对噪声图像边缘角度估计的不准确性,提出了一种基于正态分布拟合和中值点查寻的MTF测量新算法。通过正态分布函数模拟一幅与实际图像误差最小的模拟图像,利用中值点查寻法对模拟图像处理,求得最佳刃边角度,利用该角度求出实际图像的边缘扩散曲线,再通过费米函数拟合获得边缘扩散函数(ESF)。由实验结果可以看出,在图像噪声较大的情况下,对倾斜刃边角度估计的准确度得到了明显提升,进而也提高了MTF的测量精度。     

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。     

基于小波变换的图像混合噪声自适应滤除算法

为同时滤除图像中的椒盐噪声和高斯噪声,提出了一种基于小波变换的混合噪声自适应滤除算法,该算法首先采用中值滤波去除椒盐噪声,然后借助边缘检测算子区将图像为分边缘与非边缘区域,进一步对非边缘区域引入改进的均值滤波器,有效削弱高斯噪声的同时保护图像边缘细节,既初步削弱高斯噪声又保护了边缘,最后采用改进的小波阈值滤波算法,对不同的小波系数采用不同的阈值函数,通过线性回归得到各最优阈值关系式。实验结果表明,该混合噪声自适应滤除算法能有效滤除椒盐噪声和高斯噪声,在图像主观质量和客观质量上均取得了较好的效果,能提高去噪图像峰值信噪比0.5~2.0 dB。     

快速多项式拟合亚像素边缘检测算法的研究

传统的亚像素边缘检测都是先粗定位,再进行亚像素细分,因而运行时间较长.采用了一种基于多项式拟合的快速亚像素边缘检测算法.该算法根据图像的灰度分布,运用三次多项式拟合图像的边缘实现亚像素定位,从而达到较高的定位精度.采用在边缘附近取点,进行亚像素边缘检测,减少了运行时间.仿真实验给出的实验结果证明了该算法的有效性.     

基于多特征和FCM的图像边缘检测方法

提出了一种新的基于多特征和FCM的边缘检测算法.该方法根据边缘点附近灰度分布特点构造了多个反映边缘特性的特征分量,并利用输入图像提取该组特征分量,组成一个反映图像边缘特征的数据集.用FCM聚类算法将该数据集分为两类,即边缘点数据和非边缘点数据,实现边缘检测.该方法无需确定阈值,对弱边缘检测较敏感,在特征的选取上充分考虑了边缘和噪声的本质区别,因而具有优异的抗噪性能.     

一种基于扩展数学形态学的边缘检测方法

传统的边缘检测方法对噪声敏感,抑制噪声能力差;基于经典形态学的边缘检测方法虽然具有较好的去噪能力,但不能反映全部的边缘特性。为此给出了一种扩展的数学形态学的定义,并提出了一种基于扩展数学形态学的边缘检测方法。仿真结果表明,该方法不仅能有效地去除噪声,而且通过检测所得到的边缘图像具有良好的边缘特性。     

多参数Gabor预处理融合多尺度局部水平集的超声图像分割

针对超声图像边缘较弱且不连续、图像灰度分布不均的特点,提出一种基于多方向、多频率的Gabor滤波融合多尺度水平集的边缘提取算法。将超声图像成像的不连续性看作随机方向的纹理,利用Gabor滤波的方向性进行不同角度的滤波,通过最大值融合多图像,得到待分割区域和背景之间的差异且最大程度地保留原图像信息的中间图像。同时,使用多中心频率的Gabor滤波核以满足超声图像复杂的频率分布特性,并通过均值融合的方式减弱噪声的影响。再针对融合图像边缘较弱且灰度变化不均的缺陷,改进传统的局部聚类水平集方法,采用不同方差大小的高斯卷积核来适应图像不同部分的灰度变化情况,通过均值融合构造多尺度能量函数。通过在增强图像上迭代改进后的多尺度水平集函数,获取最终边缘。为验证算法的有效性,对胃部超声图像进行测试,分割结果的相关性系数和敏感性系数分别达到了0.856和0.910,相比传统局部强度聚类水平集方法分别提升了20.7%和5%。实验结果表明,该算法可以显著提高超声图像边缘提取的连续性和准确性,有效降低因超声图像灰度不均和边缘较弱造成的过分割现象。     

基于中值滤波和提升小波分析的图像去噪方法研究

针对现有算法大多对单一高斯噪声或脉冲噪声进行图像滤波的问题,在对二维图像平滑去噪的过程中,采用基于中值滤波和提升小波变换相结合的图像去噪方法。在中值滤波基础上,构造基于脉冲检测的中值滤波器,找出混合噪声中脉冲噪声并进行滤波;与此同时,对原始小波进行提升,构造提升小波,然后采用提升小波阈值去噪方法抑制高斯噪声。实验结果表明:采用本文方法,混合噪声得到有效抑制,去噪效果好。     

一种改进的Sobel图像边缘检测算法

边缘检测在数字图像处理和计算机视觉中有着重要的应用。对数字图像处理中具有代表性的Sobel边缘检测算法进行了分析。针对该算法存在检测出的边缘粗且对噪声极其敏感的缺点,提出了一种改进算法。该算法对实际图像中出现的边缘类型进行了数学模型描述,然后把连续型的边缘模型作为研究对象,重新构造了对图像边缘方向进行检测的模板。针对Sobel边缘检测基于一阶导数极大值或二阶导数零交叉而带来的边缘定位准确度不高的缺点,对图像梯度图进行了细化处理。仿真结果表明:该算法对图像噪声干扰有较强的抑制能力,提取的边缘定位准确、结构细腻。     

基于Facet模型的闪光图像边缘检测

针对闪光图像的特点,对经典边缘检测算子进行了分析,发现存在检测出的边缘粗和对噪声的干扰比较敏感的缺点,提出了一种基于Facet模型的爆轰实验图像边缘检测算法。该方法吸取了其它同类方法的优点,引进了正交基简化了运算,用离散正交多项式对图像每个像素的邻域作最佳曲面拟合,在此基础上使用整体梯度算子寻求二阶方向导数的零交叉点,最终提取边缘点。结果表明:该方法检测出的边缘细,并且光滑连续,对图像噪声干扰有较强的抑制能力,对于孤立的边缘能够给出较精确的定位。     

彩色图像边缘检测及其在图像融合中的应用

提出了一种新的基于小波变换的彩色图像边缘检测方法,运用噪声和微弱边缘的识别以及动态双域值的选取,使得检测出来的边缘定位精度高,抑制噪声性能好。利用基于区域特征的信息融合策略,比较待融合图像的边缘点的值和区域能量特征值,选择特征突出者对应的原始图像区域组成融合结果。实验结果表明,该算法可以良好地保留两幅图像的细节信息,得到高质量的融合图像。     

基于改进的Canny算子实时视频边缘检测系统在FPGA上的设计与实现

为了提高图像边缘检测的性能,缩短处理时间,提出了一种基于FPGA的实时视频边缘检测系统。该系统以EP2C8Q208C8为实验硬件平台,首先采用摄像头OV7670获取模拟视频数据,双端口SDRAM实现对图像数据的缓存,利用FPGA并行处理的特点,采用Verilog HDL硬件描述语言实现改进的Canny边缘检测算法,最终实现在VGA显示屏上显示图像边缘的效果。实验结果表明,较传统的边缘检测算法,该系统边缘检测定位精度高,对噪声的抗干扰能力强,能够准确快速的输出图像边缘信息。     

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。     

Chan-Vese模型两相自适应窄带的阴影区检测方法

为得到快速高精度的声呐图像阴影区检测效果,提出Chan-Vese模型两相自适应窄带检测方法。利用各向异性二阶邻域马尔可夫模型估计声呐图像的纹理特征参数,实现原始图像平滑去噪;由块方式的k-均值聚类算法确定图像的初始两类分割,初步确定阴影区大致位置,并根据此大致位置,自适应初始化零水平集函数,来减少人为干预,提高检测速度;在此基础上,提出建立Chan-Vese模型两相窄带水平集进行声呐图像检测,完成局部寻优,排除全局图像中孤立区对检测的影响,使阴影区检测结果更加精确。通过对真实声呐图像的检测实验结果分析,验证提出的检测方法能够去除原始图像的部分噪声,提高检测精度和速度,有一定的自动性和适应性。      

基于小波变换与卷积神经网络的图像去噪算法

图像在生成或传感过程中往往会受到噪声干扰,噪声干扰会给后续图像处理工作增加难度,甚至会给某些生产活动带来巨大的经济损失。结合平稳小波变换与卷积神经网络的优势,提出了一种有效的图像去噪算法。训练阶段,采用提出的算法对图像进行尺度为1的平稳小波分解后,分别把高、低频分量输入4个设计好的残差网络进行训练;在测试阶段使用小波逆变换来获得最终的预测图像。实验结果表明:在高斯白噪声水平达到σ=50时,去噪后图像的峰值信噪比（peak signal to noise ratio, PSNR）均值和结构相似性（structural similarity index method, SSIM）均值可以达到28.37 dB和0.808 0,提出的算法可以有效去除可见光图像中的高斯白噪声、自然噪声,以及遥感图像在传感过程中产生的噪声,并且在去除图像噪声的同时能较好地保留图像的边缘与纹理细节。