基于分组三维离散余弦变换字典的植物高光谱数据去噪方法EI北大核心CSCD

针对植物高光谱图像各波段噪声强度不同,以及空间域和谱域均存在噪声污染的问题,提出了一种基于分组三维(3D)离散余弦变换(DCT)字典的稀疏表示去噪方法。首先分析了植物光谱特征,根据谱间相关性对波段进行分组;然后采用边缘块剔除的局部均值标准差法对高光谱图像进行噪声标准差估计,为去噪算法提供参考阈值;最后构建三维DCT字典的稀疏表示去噪方法,对植物高光谱图像进行去噪。实验结果表明,与原始数据和二维DCT字典去噪方法相比,谱域噪声评估中平均信噪比分别提高18.2dB和9.2dB。因此,该方法不仅具有较好的空间域去噪能力,也有较好的谱域去噪能力。     

高光谱遥感图像微分域三维混合去噪方法

高光谱遥感图像是一种三维数据,由二维空间信息和一维光谱信息组成。普通的对二维静态图像或一维光谱信息去噪的算法忽视了高光谱图像强烈的谱间相关性和图谱合一的特点,无法取得令人满意的效果。同时现代的高光谱遥感图像噪声级别相对较低,噪声方差随波段不同而不同。针对以上特点,提出一种微分域三维混合去噪方法。首先将高光谱遥感图像变换到光谱微分域,使细微的噪声变得显著。然后在微分域中,对二维空间域采用基于小波的非线性阈值去噪BayesShrink算法。为克服噪声方差不同的特点,对光谱维不再采用小波阈值去噪方法,而采用Savitzky-Golay滤波进行平滑。最后对微分域去噪平滑处理后的图像进行光谱积分,并进行积分修正,消除光谱积分中引入的积累误差。对信噪比为600∶1的机载可见红外成像光谱仪数据(AVIRIS)实验表明,该算法能有效地降低噪声,将信噪比提高到2 000∶1以上。     

一种新的基于非下采样Contourlet变换的自适应图像去噪算法

提出了一种新的结合非下采样Contourlet变换(NSCT)和斯坦无偏风险估计(SURE)的自适应图像去噪方法.通过NSCT对含噪图像进行分解,根据斯坦无偏风险估计准则对分解后的噪声图像进行均方误差E估计,并依据得剑的E<,MS>构造线性自适应阚值方程,对含噪图像的每一个分解子带进行阈值去噪.对自适应阈值去噪后的图像分解子带进行重构.得到去噪图像.实验结果表明,该方法可以有效地消除标准图像和自然图像中的噪声,在去噪图像峰值信噪比(PSNR)和边缘保持性能上都优于已有算法.     

暗弱目标偏振度图像与偏振角图像去噪方法研究

针对暗弱目标偏振融合图像存在背景噪声强、细节轮廓特征不明显等问题,利用偏振度图像中高斯背景噪声灰度与待测目标灰度的差异性,提出了基于噪声模板阈值匹配的偏振度图像去噪算法。分析了偏振角图像中纯噪声区域子图像与目标轮廓区域子图像的灰度相关性,提出了基于区域灰度相关性匹配的偏振角图像去噪算法,与传统去噪方法相比,该算法可有效去除大量背景噪声,更好地保留目标轮廓特征。偏振图像融合对比实验结果进一步证明,提出的偏振图像去噪方法可显著提高暗弱目标在图像中的对比度,改善偏振融合增强图像的质量。     

基于分组三维离散余弦变换字典的植物高光谱数据去噪方法

针对植物高光谱图像各波段噪声强度不同,以及空间域和谱域均存在噪声污染的问题,提出了一种基于分组三维(3D)离散余弦变换(DCT)字典的稀疏表示去噪方法。首先分析了植物光谱特征,根据谱间相关性对波段进行分组;然后采用边缘块剔除的局部均值标准差法对高光谱图像进行噪声标准差估计,为去噪算法提供参考阈值;最后构建三维DCT字典的稀疏表示去噪方法,对植物高光谱图像进行去噪。实验结果表明,与原始数据和二维DCT字典去噪方法相比,谱域噪声评估中平均信噪比分别提高18.2dB和9.2dB。因此,该方法不仅具有较好的空间域去噪能力,也有较好的谱域去噪能力。     

一种偏振普适性多尺度实时的图像去雾算法

针对现有偏振算法依赖于"天空区域"估计大气参数,从而受白色目标或高亮区域干扰的不足之处,提出了一种图像普适性多尺度偏振去雾方法.研究偏振差分图像四叉树空间索引和图像暗通道先验方法,突破估计模型参数利用天空的局限性,重建场景深度,结合大气散射模型复原低频无雾图像;同时针对目标复原过程中噪声遗留问题,研究软阈值去噪算法,结合低频信息重构的透射率,以梯度增强方式丰富纹理细节,最后小波重构出清晰图像.实验结果表明,该算法有效消除了估计大气参数受制于天空区域的局限性,抑制噪声的影响,复原的目标更加清晰,细节方面更为丰富,算法运行效率方面有较大提高.     

基于偏振相机的全斯托克斯偏振仪优化研究

通过在分焦平面(DoFP)偏振相机前置相位延迟器,可将线偏振斯托克斯矢量的测量拓展为全斯托克斯矢量(FSV)的测量。针对基于DoFP相机的FSV偏振仪,提出了两种分别利用矩阵分解和伪逆模型估算FSV的优化策略。针对不同的FSV估算模型,这两种优化策略在两次光强采集的条件下可最小化测算方差,从而实现了测量精度的最优化。特别地,利用DoFP相机固有的测量冗余特性,提出了基于两次光强采集的波片相位延迟量自标定解析解,该自标定算法可在实际应用中替代波片相位延迟量标定环节,同时为动态变化环境下的实时偏振测量提供技术支撑。     

利用核模糊聚类和正则化的图像稀疏去噪

针对目前图像去噪方法噪音抑制不彻底、容易模糊细节等问题,提出了一种利用核模糊C均值聚类和正则化的图像稀疏去噪方法.该方法首先将图像分成大小相同的若干块,并采用核模糊C均值聚类算法对相似的图像块进行聚类,从而保证同一类图像块共享相同的稀疏去噪模型;然后,选择由经典图像库中图像训练而得的全局字典作为初始字典,很好地适应图像的多种特征;接着,对于同一类图像块,通过施加1/2范数正则化约束,实现该类图像块在字典下的稀疏分解,确保分解系数更为稀疏;最后,通过改进的K-奇异值分解算法完成字典的更新,并选择与原稀疏模型差异最大的图像块来替换更新字典的冗余原子,从而有效地去除图像噪音.实验结果表明,与小波扩散去噪法、固定字典去噪法、最优方向去噪法、K-奇异值分解去噪法相比,该方法能更有效地去除图像噪音,保留图像细节,改善图像视觉效果.     

基于噪声水平估计的多孔准直X射线荧光CT去噪算法

X射线荧光CT(XFCT)是X射线CT与X射线荧光分析相结合的新型成像方式,可用于探测被修饰后的纳米金颗粒在肿瘤内部的分布及质量分数,在早期癌症诊疗方面具有较好的应用潜力。如何抑制XFCT成像的康普顿散射噪声是当前的热点问题。本文基于深度学习方法,通过卷积神经网络学习图像中的噪声分布规律,从而抑制噪声。基于此,提出了一种基于噪声水平估计和卷积神经网络的XFCT去噪网络（NeCNN）算法,该算法运用噪声估计子网络及去噪主网络进行去噪。估计子网络通过去噪卷积神经网络（DnCNN）估计噪声水平并初步降噪,随后将估计结果输入去噪主网络——全卷积神经网络（FCN）用于学习康普顿散射的分布规律,同时为兼顾局部与全局最优解采用均方误差（MSE）及结构相似度（SSIM）作为损失函数。数据集通过Geant4软件模拟扫描填充各种金属纳米颗粒（Au、Bi、Ru、Gd）的空气模体及聚甲基丙烯酸甲酯（PMMA）模体来获取,且设置不同入射X射线的强度,以此模拟不同噪声水平,增强模型泛化能力。实验结果表明,与三维块匹配滤波（BM3D）及DnCNN算法相比,NeCNN算法的去噪结果最优,其SSIM为0.95066,峰...     

一种层析深度图像去噪算法

常规图像去噪方法难以去除飞行时间技术或结构光等深度传感器所获取的深度图像中的大量噪声,因此提出一种根据图像深度值进行分层的去噪算法。该算法首先对深度图像实现噪声强度估计,根据噪声强度和深度图像的探测距离范围,确立图像的深度层级间隔,并得到分层级的深度图像,然后对每一层级的深度图像进行去噪,最后对分层级的图像进行拼合,合成完整深度图像。实验结果表明,该算法能够有效去除图像中不确定性干扰噪声,同时较好地保持图像中目标和景物背景的原始细节以及边缘信息。     

高空间分辨率高可见度的太赫兹光谱成像研究

太赫兹光谱成像,不但包括在二维图像空间的强度信息,同时可以得到太赫兹波段的光谱信息,构成了一个三维的数据矩阵。由于受到太赫兹成像系统内部硬件的限制和影响,太赫兹频域较高频段处信号存在能量弱、信噪比低的特点,导致所成的太赫兹图像普遍存在分辨率低、对比度低等问题。因此,利用三维数据矩阵,应用适合的算法,实现了提高太赫兹光谱成像空间分辨率、边缘细节可见度的目的。搭建了三维可移动式太赫兹时域光谱成像系统,实现了对标准高分辨率板的二维扫描。对该系统所采集到的信号分别进行时域、频域等多种方式成像对比,结合瑞利判据和分辨率标尺对成像系统的空间分辨率、景深进行标定,研究了提高太赫兹光谱成像的空间分辨率算法。然后,针对太赫兹频域高频区域信噪比低、对比度低、噪声原因复杂的特点,结合深度残差学习的图像去噪理论,提出了太赫兹图像深度去噪网络,在训练集中引入成像系统中真实的“太赫兹残差噪声”。最后,利用所训练出的模型对太赫兹频域高频区域图像进行盲去噪,并用重建图像分别与原始成像结果和传统太赫兹去噪算法结果进行比较,分别从主观和客观两个方面评价了不同算法对太赫兹频域高频图像的去噪效果。实验结果表明,通过该算法实现...     

多尺度奇异值分解的偏振图像融合去雾算法与实验

针对现有偏振去雾算法鲁棒性不强和图像增强效果有限的问题,提出一种基于多尺度奇异值分解的图像融合去雾算法.首先,利用偏振测量信息的冗余特性,采用最小二乘法,提高了传统偏振图像去雾算法中偏振信息的准确度;然后,从传统偏振图像去雾算法的局限性出发,定性分析了偏振图像融合去雾的可行性,并提出了一种基于多尺度奇异值分解的偏振图像...     

一种基于信息保留网络的图像去噪算法

由于成像设备等各种因素影响, 图像在成像或传感过程中会受到噪声干扰。图像去噪旨在减少或消除噪声对图像的影响, 这一过程往往会导致高频信息的丢失。为了在去除图像噪声的同时保护图像的边缘信息与纹理细节, 文章提出了一种计算复杂度相对较低的含有信息保留模块的卷积神经网络, 直接对含噪声图像进行降噪。信息保留模块通过残差学习提取局部长路径和局部短路径的混合特征信息。该文采用峰值信噪比(PSNR/dB)和结构相似性(SSIM)两项评价指标对实验结果进行量化, 这两项指标值越大, 说明去噪效果越好。实验结果表明, 在峰值信噪比和结构相似性2项评价指标的均值可达到30.36 dB和0.828 0, 相比其他对比算法, 2项评价指标分别平均提升了2.15 dB和0.072 9。该算法对不同种类、不同水平的噪声都具有良好的去噪效果, 且速度优于所对比的一般算法, 对基于卷积神经网络的去噪工作的进一步发展有一定的作用。     

基于随机矩阵的金融网络模型

随机矩阵理论运用于金融领域中研究金融相关系数矩阵的相关性,相关系数矩阵是网络构建中的关键因素,本文将随机矩阵理论与网络构建相结合,研究基于随机矩阵的金融网络模型.本文选取上海证券市场的股票数据,将其中的股票数据分成四个阶段,基于随机矩阵理论,讨论金融相关系数矩阵和随机矩阵的特征值统计性质,并在此基础上对现有的去噪方法进行改进,建立更适合构建金融网络的相关系数矩阵,并构建金融网络模型.然后,基于随机矩阵理论和网络的关键节点分析比较去噪前后的金融网络以及噪声网络,发现对网络去噪后仍保留了原始网络的关键重要的信息,而噪声信息对应的是原始网络中度比较小的节点所代表的信息.最后,基于去噪网络,分析金融网络的拓扑结构,如最小生成树、模体和社团结构,发现改进后的金融网络的拓扑性质更加明显,结构更加紧密.     

基于Contourlet变换的自适应SAR图像相干斑噪声抑制算法

为了保持高岛分辨率合成孔径雷达(SAR)图像中的纹理结构,提出了一种基于BivaShrink模型的Contourlet 域SAR图像相干斑噪声抑制算法.联合当前层和父层的Contourlet系数,通过计算局部方差一致性范数和区域能量比,自适应地确定方差估计区域的形状和大小.从而对原始图像方差进行最优估计.实验结果表明,算法在噪声的去除和结构信息等细节的保持上均不同程度的优于小波BivaShrink去噪算法和Contourlet 阈值去噪算法,主观效果和数值指标都有较好改进.     

基于自适应耦合PDE模型的车牌图像去噪研究

针对车牌识别预处理中的图像去噪问题,提出一种自适应耦合偏微分方程(PDE)去噪模型;该模型在各项异性扩散模型的基础上,构造一种新的去除椒盐噪声的扩散项,能够根据噪声图像特点自适应控制扩散速度,有效抑制椒盐噪声,并将新的扩散项与各向异性扩散模型进行耦合,并提出一种新的耦合系数计算方法,根据图像信息自适应计算耦合系数,使得新模型能够在新的扩散项和各项异性扩散模型间自适应转换,有效去除车牌图像中的混合噪声;为了抑制去噪引起的图像边缘模糊问题,引入振动滤波进行逆滤波,增强图像的边缘信息;实验结果表明,自适应耦合PDE模型能更有效去除车牌图像中的混合噪声,保护图像的边缘信息,提高图像的峰值信噪比(PSNR);去噪后的图像更有利于后续的字符分割与识别,有效提高车牌图像的识别准确率。     

高光谱遥感图像的小波去噪方法

高光谱遥感图像是由二维空间信息和一维光谱信息组成的三维数据。普通的去噪方式通常是分别对空间信息或光谱信息进行去噪,其主要缺点是忽视了高光谱图像强烈的谱间相关性和图谱合一的特点。针对这些特点,文章提出一种基于小波变换的高光谱遥感图像去噪方法。该方法对各波段高光谱图像逐一进行二维小波变换,根据含噪声大的波段与噪声小的波段的波长关系,对小噪声波段的高频系数加权求和,代替噪声大的波段的高频系数,通过小波逆变换得到去噪后的重构图像。该方法运算速度快,能有效地降低噪声。对机载可见红外成像光谱仪数据(AVIRIS)实验表明,与经典的BayesShrink图像去噪方法相比,方法重构图像的信噪比(SNR)高出3.8～10.6 db,节省运算时间一半以上。     

基于非局部自相似性的混合噪声滤波算法

针对现有滤波算法滤除图像中高斯-椒盐混合噪声后细节丢失较严重的问题,将图像块自相似性思想引入到混合噪声滤波领域,提出了基于非局部自相似性的混合噪声滤波算法。设计了图像在含混合噪声的情况下,其块相似度衡量策略及权系数的计算方式,实现了利用图像自相似性对椒盐噪声进行滤除,再结合非局部均值滤波算法处理图像中剩余的高斯噪声。实验结果表明,提出的算法可以有效地滤除图像中的混合噪声并较大程度地保留边缘、纹理等图像细节信息。     

组合傅里叶变换与曲波变换的图像复原

针对图像复原的病态反问题进行研究,分析了图像复原的数学模型及其病态性,提出了组合傅里叶变换与曲波变换的图像复原(ForCurIR)算法.算法利用傅里叶变换对色噪声和曲波变换对分片光滑图像的稀疏表示特性,将图像复原问题转换成傅里叶变换域约束去卷积和曲波变换域约束去噪问题,最后通过组合傅里叶变换域和曲波变换域收缩法实现去卷积和抑制噪声.实验结果表明:ForCurIR算法很好地再现了图像的边缘等细节信息,复原出的图像在信噪比和视觉质量两方面部有显著的提高.     

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。