目的有效滤除带钢表面缺陷图像高斯噪声。方法高斯噪声是影响带钢图像质量的主要噪声类型之一,针对带钢表面缺陷图像高斯噪声去噪,首先对传统K-SVD(K-means and singular value decomposition)算法中的字典进行升级改造,然后采用正交匹...目的有效滤除带钢表面缺陷图像高斯噪声。方法高斯噪声是影响带钢图像质量的主要噪声类型之一,针对带钢表面缺陷图像高斯噪声去噪,首先对传统K-SVD(K-means and singular value decomposition)算法中的字典进行升级改造,然后采用正交匹配追踪(OMP,Orthogonal Matching Pursuit)算法对图像进行重构,滤除噪声,最后运用此算法对缺陷图像进行高斯滤波处理。为验证该算法去噪效果,选取几种常见的典型缺陷图像(划伤、气泡、氧化色、粘结纹)进行测试仿真,并选用中值滤波、均值滤波、小波变换、维纳滤波、3维块匹配(BM3D)等多种传统滤波方法进行比较。结果该算法对四种典型缺陷去噪的PSNR(Peak Signal to Noise Ratio)值平均可达33.976 d B,MSE(Mean Square Error)平均值为27.607,SSIM(Structural Similarity)平均值为0.912。结论该算法对带钢表面缺陷重构图像的边缘细节清晰,PSNR、MSE、SSIM三个性能指标明显优于其他传统滤波算法,去噪效果良好。展开更多
目的低剂量投影条件下的CT图像重建。方法采用双层K-奇异值分解(K-singular value decomposition,K-SVD)字典训练的学习方法进行图像的超分辨率重建。字典学习方法中采用KSVD算法,稀疏编码采用正交匹配追踪(orthogonal matching pursuit...目的低剂量投影条件下的CT图像重建。方法采用双层K-奇异值分解(K-singular value decomposition,K-SVD)字典训练的学习方法进行图像的超分辨率重建。字典学习方法中采用KSVD算法,稀疏编码采用正交匹配追踪(orthogonal matching pursuit,OMP)算法。该算法首先利用训练库进行第一层字典训练,然后利用第一层训练的字典对低分辨率图像进行重建。进而将重建图像作为第二层待重建图像的输入,这样使得第二层输入图像含有较多的高频细节信息,因此能在重构的过程中恢复更多的细节信息,让高分辨率重构图像达到较好的效果。结果双层字典重建效果明显优于KSVD算法,重建图像更接近于原始高分辨率CT图像。结论本研究对双层字典训练学习的框架进行反迭代投影的全局优化改进,改善了图像的重建质量。展开更多
目前,雾霾所引起的图像模糊问题,主流的算法主要都侧重于处理雾气,对于霾没有相关的处理.针对此缺陷,提出了一种联合K-SVD(K-singular value decomposition)稀疏算法和暗通道先验算法的全新算法,来克服雾霾引起的图像模糊问题.图像的处...目前,雾霾所引起的图像模糊问题,主流的算法主要都侧重于处理雾气,对于霾没有相关的处理.针对此缺陷,提出了一种联合K-SVD(K-singular value decomposition)稀疏算法和暗通道先验算法的全新算法,来克服雾霾引起的图像模糊问题.图像的处理主要分两个步骤:第一步是运用KSVD稀疏算法去除图像中的霾恢复出只含雾气的图像,第二步通过经典的暗通道算法去除图像上的层层雾气.计算机仿真结果表明,该方法对于图像的处理结果要优于FVR(Fast visiblity restoration)算法,暗通道先验算法和直方图均衡化算法.展开更多
文摘目的有效滤除带钢表面缺陷图像高斯噪声。方法高斯噪声是影响带钢图像质量的主要噪声类型之一,针对带钢表面缺陷图像高斯噪声去噪,首先对传统K-SVD(K-means and singular value decomposition)算法中的字典进行升级改造,然后采用正交匹配追踪(OMP,Orthogonal Matching Pursuit)算法对图像进行重构,滤除噪声,最后运用此算法对缺陷图像进行高斯滤波处理。为验证该算法去噪效果,选取几种常见的典型缺陷图像(划伤、气泡、氧化色、粘结纹)进行测试仿真,并选用中值滤波、均值滤波、小波变换、维纳滤波、3维块匹配(BM3D)等多种传统滤波方法进行比较。结果该算法对四种典型缺陷去噪的PSNR(Peak Signal to Noise Ratio)值平均可达33.976 d B,MSE(Mean Square Error)平均值为27.607,SSIM(Structural Similarity)平均值为0.912。结论该算法对带钢表面缺陷重构图像的边缘细节清晰,PSNR、MSE、SSIM三个性能指标明显优于其他传统滤波算法,去噪效果良好。
文摘目的低剂量投影条件下的CT图像重建。方法采用双层K-奇异值分解(K-singular value decomposition,K-SVD)字典训练的学习方法进行图像的超分辨率重建。字典学习方法中采用KSVD算法,稀疏编码采用正交匹配追踪(orthogonal matching pursuit,OMP)算法。该算法首先利用训练库进行第一层字典训练,然后利用第一层训练的字典对低分辨率图像进行重建。进而将重建图像作为第二层待重建图像的输入,这样使得第二层输入图像含有较多的高频细节信息,因此能在重构的过程中恢复更多的细节信息,让高分辨率重构图像达到较好的效果。结果双层字典重建效果明显优于KSVD算法,重建图像更接近于原始高分辨率CT图像。结论本研究对双层字典训练学习的框架进行反迭代投影的全局优化改进,改善了图像的重建质量。
文摘目前,雾霾所引起的图像模糊问题,主流的算法主要都侧重于处理雾气,对于霾没有相关的处理.针对此缺陷,提出了一种联合K-SVD(K-singular value decomposition)稀疏算法和暗通道先验算法的全新算法,来克服雾霾引起的图像模糊问题.图像的处理主要分两个步骤:第一步是运用KSVD稀疏算法去除图像中的霾恢复出只含雾气的图像,第二步通过经典的暗通道算法去除图像上的层层雾气.计算机仿真结果表明,该方法对于图像的处理结果要优于FVR(Fast visiblity restoration)算法,暗通道先验算法和直方图均衡化算法.
