基于块方向性小波变换的图像融合算法

针对传统小波变换存在的缺陷,提出了一种基于块方向性小波变换的图像融合算法.将输入的图像均匀划分成多个子块,并通过训练确定每块图像的方向性小波;利用块方向性小波对图像进行稀疏变换得到稀疏系数,对融合系数进行逆变换得到融合图像,并采用仿真实验对算法性能进行测试.实验结果表明,相对于其它图像融合算法,如DTC、FFT和DWT等,本算法无论是在近物图像、遥感图像还是红外线图像上,其信息熵和平均梯度等图像融合质量评价指标都更优,使图像融合过渡效果更加自然.同时其图像融合速度更快,可以满足图像处理系统实时性的需求.     

图像的超小波稀疏表示

图像表示是图像处理领域研究的基础,对后继各种处理具有重要影响。寻找简洁有效的图像表示方法,对于推动图像处理领域的研究发展意义重大。针对二维可分离小波变换在稀疏表达图像中存在的问题,研究了各种超小波稀疏表示方法,并对未来发展进行预见性研究。     

基于块结构稀疏度的自适应图像修复算法

现有基于稀疏性的图像修复算法采用固定大小的待填充块和邻域一致性约束,且在全局搜索待填充块的最优匹配块,既降低了待修复区域的结构连贯性和纹理清晰性,又增加了算法的时间复杂度.针对上述问题,根据破损区域特性和块结构稀疏度间的关系,提出基于块结构稀疏度的自适应图像修复算法.根据最大优先权值点的块结构稀疏度值,设定不同参数以自适应选取待填充块大小、邻域一致性约束权重系数和局部搜索区域大小,并通过仿真实验分析讨论了各参数选取.实验结果表明本文算法较文献算法在峰值信噪比上提高0.3dB ～ 1.2dB,并且提高算法速度3～7倍.     

基于小波字典稀疏表示的SAR图像目标识别

针对稀疏表示识别算法在图像域构造冗余字典时过分依赖预处理及原子维数较大的问题,提出基于小波字典的 SAR图像稀疏表示识别算法。首先采用二维离散小波变换将原始图像变换到小波域,建立小波域 SAR图像特征模型,得出小波域低频成分可充分表征目标类别信息的结论。然后取小波域低频成分进行2DPCA特征抽取构造小波字典,最后由改进 OMP 算法稀疏分解系数得到识别结果。SAR MSTAR数据的实验结果表明,在无预处理的情况下识别率高达99％,并且在含噪比10％的情况下识别率仍达96％。     

基于小波字典稀疏表示的SAR图像目标识别

针对稀疏表示识别算法在图像域构造冗余字典时过分依赖预处理及原子维数较大的问题,提出基于小波字典的SAR图像稀疏表示识别算法。首先采用二维离散小波变换将原始图像变换到小波域,建立小波域SAR图像特征模型,得出小波域低频成分可充分表征目标类别信息的结论。然后取小波域低频成分进行2DPCA特征抽取构造小波字典,最后由改进OMP算法稀疏分解系数得到识别结果。SAR MSTAR数据的实验结果表明,在无预处理的情况下识别率高达99%,并且在含噪比10%的情况下识别率仍达96%。     

特征聚类的局部敏感稀疏图像修复

针对图像修复过程中单一的字典迭代时间长、适应性差、修复效果不理想的缺点,提出了一种结合图像特征聚类与字典学习的改进的图像修复方式。首先破损的图像被分割成小块,并产生索引矩阵。然后使用控制核回归权值算法,对其进行图像聚类。通过对图像内在结构与未破损区域信息的挖掘,分割的图像块根据SKRW的相似性进行了分类。之后针对不同类型结构的图像,通过自适应局部明感字典学习的方式,获取每类字典的过完备字典。然后,通过构建自适应局部配适器,提高字典更新的收敛速度与稀疏字典的适应性。因为是通过多个字典匹配不同结构的图像,因此图像的稀疏表示更为准确。各个字典在达到收敛之前不断进行更新,而图像的稀疏因子也会随着改变。在对破损区域进行补丁更换之后,实现了对破损图像的修复。实验结果表明,该算法相较于目前的修复算法,视觉效果和客观评价上更好,且所需的修复时间更短。     

基于小波变换与曲波变换的图像插值

提出了一种组合小波变换与曲波变换稀疏约束的图像插值算法。利用小波变换对图像纹理成份和曲波变换对图像卡通成份的稀疏表示特性,首先将图像插值问题转化成稀疏约束的图像重建问题,然后通过迭代投影对复原最优化问题进行求解,从而实现成份自适应的图像插值。实验结果表明,相比于现在有图像插值算法,本文算法可以显著地提高被插值图像的峰值信噪比(PSNR)和视觉质量。     

基于第二代Bandelets变换的SAR图像稀疏表示

Bandelets变换是一种基于边缘的图像表示方法,能够自适应的跟踪图像的几何正则方向,能对平滑的自然图像进行有效的稀疏表示。SAR图像具有相当丰富的纹理细节信息,本文将应用第二代Bandelets变换对SAR图象进行稀疏表示,并进行重建效果对比。     

基于小波域稀疏最优的图像修复方法

由模糊和噪声引起的图像退化属于非线性病态逆问题,修复比较困难.由于小波的稀疏表示能力较强,为提高修复质量,提出利用正交小波作为稀疏基,以小波系数的稀疏性为先验构造凸函数,最小化后得到修复图像;并提出将优化问题转化为逼近算子形式,利用不动点理论求解;证明了只需对构造出来的迭代形式的解析解反复迭代就可以得到最优解.对方法的构造过程、收敛性和复杂度进行了细致的分析,给出了迭代解,并结合加速方法提高了算法速度.仿真表明,本文方法具有较强的修复能力,收敛速度较快,能够有效去除模糊和噪声,保留图像的边缘和细节信息.     

基于Curvelet方向特征的样本块图像修复算法

能否保持修复后图像的结构连贯性和邻域一致性决定了修复性能的优劣.为提高现有样本块修复算法性能,本文提出基于Curvelet变换的样本块图像修复算法.首先利用Curvelet变换估计待修复图像的4方向特征.然后利用颜色信息与方向信息共同衡量样本块间的相似度,在此基础上构造颜色-方向结构稀疏度函数.同时根据构造的加权颜色-方向距离寻找合适的多个匹配块,并利用多个匹配块在构造的颜色和方向空间内的邻域一致性约束下稀疏表示目标块,同时根据目标块所处区域特性自适应确定误差容限.实验结果表明提出算法较现有算法可获得更优的修复效果,尤其是在修复富含结构纹理破损类型的图像时.     

基于加权自适应方向提升小波的图像去噪研究

本文介绍了一种基于加权自适应方向提升小波(WADL,Weighted adaptive directional lifting)和普通提升方法相结合的图像去噪方法,此方法能够较好地对噪声进行抑制,同时保护图像的纹理边缘较少受到损失。在仿真试验中我们通过对噪声图像进行分类,对属于纹理密集区域采用WADL方法去噪,对平滑区域采用普通提升去噪,得到了比较好的去噪结果。     

基于方向小波的弱尾迹检测

针对遥感图像中的弱尾迹检测,提出了一种基于方向小波变换的尾迹检测新算法,并且比较了方向小波和传统的小波变换在检测尾迹中的不同之处。分析得出方向小波变换更符合图像的方向、纹理特征,因而不仅可以有效检测出图像中的弱尾迹,而且可以检测出某一特定方向上的弱尾迹。仿真结果表明,检测效果十分良好。     

非局部学习字典的图像修复

该文提出一种新的基于学习的图像修复算法。与经典的稀疏表示模型不同,该文将非局部自相似图像块统一进行联合稀疏表示,训练高效的学习字典,并使自相似块间保持相同的稀疏模式。该方法既确保自相似块投影到稀疏空间后也具有相似性,也较好地保留了自相似块间的相关性信息,更有效地建立了它们的联合稀疏关联,并将这种关联作为先验知识来指导图像的修复。该算法使用大量自然图像样本来训练初始的过完备字典,既利用了样本图像的先验知识,又充分考虑了待处理图像本身的相关信息,自适应性强。通过对自然图像进行大﹑小范围图像修复和文字去除实验,该文方法均取得不错的修复效果。     

基于方向小波变换的边缘检测算法

提出了一种基于方向小波变换的边缘检测算法.本文详细介绍了方向小波变换的原理、基于此的图像边缘检测算法,比较了方向小波变换和传统小波变换、Canny算子在图像边缘检测的效果.实验结果表明,方向小波变换更符合图像的方向、纹理特征,因此更能反映图像的边缘信息,对传统的小波变换、Canny边缘检测算法有一定程度的改进.     

基于块分类稀疏表示的图像融合算法

针对基于单一字典训练稀疏表示的图像融合算法忽略图像局部特征的问题,提出了基于块分类稀疏表示的图像融合算法。此算法是根据图像局部特征的差异将图像块分为平滑、边缘和纹理三种结构类型,对边缘和纹理结构分别训练出各自的冗余字典。平滑结构利用算术平均法进行融合,边缘和纹理结构由对应字典利用稀疏表示算法进行融合,并对边缘结构稀疏表示中的残余量进行小波变换融合。实验结果证明,该算法相对于单一字典稀疏表示算法,在融合图像的主观评价和客观评价指标上都有显著改进,并且算法速度也有提高。     

基于小波变换与稀疏傅里叶变换相结合的光场重构方法

随着计算机图形学和计算机视觉技术的发展,光场开始进入人们的视线并被迅速应用于各个领域.然而光场的获取需要大量的图像,具有数据量大,获取成本高等特点,因此学者们越来越关注如何利用少量的光场数据获取整个光场这一问题,并且做出了大量的工作.针对上述问题,本文将小波变换与稀疏傅里叶变换相结合,利用光场在角度域的稀疏性提出一种新的光场重构方法.首先,利用小波变换多分辨率分析的特点,通过小波变换将原始图像分解为多个不同频率的子图像;然后分别对每个子图像通过傅里叶切片定理恢复其频率位置,从而可以分别得到它们的二维角度谱;最后将每个子图像的二维角度谱合并,进行小波逆变换获得整个光场.本文方法利用小波变换将原图像分解为多个不同频率的子图像分别同时处理,不仅降低了算法的复杂度,大大减少了算法的运行时间,为光场的广泛应用提供了条件,而且相比于单独运用稀疏傅里叶算法重构,本方法有效地抑制了窗口效应,使重构结果更加准确.此外,本文方法将高频信息和低频信息分开重构,可以有效地改善并网恢复中小频率丢失的问题,进一步改进重构结果.最后通过仿真验证了算法的有效性.