在图像分割中,考虑邻域信息的模糊C均值算法能够有效地降低噪声对图像的干扰,但这类算法需额外引入参数,且无损检测图像的较大类间差异易导致分割失败。为此,提出基于图像块的类间差异不敏感的模糊C均值算法。利用像素所在的图像块代替像素进入聚类进程,图像块内像素的权重由像素的空间距离和灰度大小自适应确定。基于信息量的概念,给出类信息量表征形式并将其引入目标函数以改善常见模糊C均值算法对类间差异敏感的缺陷。基于新构建的目标函数得到新的隶属度和聚类中心表达式,并给出算法流程。最后,利用类间差异较大的无损检测图像对所提算法进行测试,结果表明:与其他模糊聚类算法相比,本文算法具有更高的分割准确率和更好的视觉效果。

随着高光谱图像技术的不断发展, 光谱分辨率和空间分辨率不断提高, 相比于其他遥感图像, 能够获得更为精细的光谱特征。 这为地物的高精度分类、 解混和目标检测等研究领域提供了理论平台, 其中由于高光谱异常目标检测技术不需要地物的先验信息, 更符合实际应用的需求。 针对现有的大多数高光谱异常目标检测算法只关注目标和背景在光谱信息方面的差异, 而忽略两者空间信息的差异, 导致检测精度不高的问题, 提出了一种基于空谱联合异常度的高光谱异常目标检测算法。 该算法不需要假设图像的背景模型, 建立在滑动双窗口的基础上, 提出了光谱异常度和空间异常度两个概念。 在光谱异常度计算中, 考虑了波段间的非线性特征, 采用光谱角匹配的核函数方法进行检测, 基于双窗口模型的基础上逐个计算中心像元与局部背景像元的核光谱角并设置阈值来获得中心像元的光谱异常度; 在空间异常度的计算中, 由于物质在空间方面的聚类特性, 通过构建像元点的空间窗模型能够得到代表像元类别的图像块灰度向量, 同时求解不同像元之间图像块灰度向量的欧式距离并设置阈值来获得中心像元的空间异常度; 最后将中心像元的光谱异常度与空间异常度进行加和则可得到中心像元的空谱联合异常度, 基于滑动双窗口模型对整幅图像的像元进行逐个检测, 即可得到图像的异常检测结果。 采用AVIRIS的三组真实高光谱数据对所提算法进行仿真实验, 并与传统的RX算法、 LRX算法和KRX算法进行对比研究, 结果表明本文算法具有较好的检测效果, 与KRX算法相比, 运行速度具有较大幅度的提升。

广义模糊C均值算法是一种比模糊C均值算法收敛速度更快的算法,然而它在分割灰度图像时对噪声敏感。为了改善其鲁棒性,提出基于图像块的像素灰度值加权的广义模糊C均值算法。该算法利用图像块代替单个像素构建目标函数,图像块内各像素的权重由邻域像素和中心像素空间关系及图像块内各像素灰度关系综合确定。以新目标函数为基础,利用拉格朗日乘子法推导出含图像块形式的隶属度和聚类中心表达式。通过这种方式,将邻域信息融入进聚类进程,提升算法的鲁棒性。利用合成图像和实际图像进行分割实验,结果表明:所提算法具有较强的鲁棒性和良好的分割性能。

在传统的多曝光图像融合方法中,一旦目标发生移动则会在最终融合图像中出现“鬼影”现象。现有的去“鬼影”算法大部分都继承了参考图像中的大量信息,倘若参考图像中出现曝光不足/曝光过度现象,便会影响到最终的融合结果。基于此,提出了一种基于图像块分解的多曝光图像融合去鬼影算法。首先将参考图像划分为曝光正常及曝光不足/过度两大区域,并有针对性地对这两部分区域进行处理。为了更加精准地检测出鬼影区域,将多曝光图像块分解成信号结构、信号强度和平均强度3个概念相独立的部分,采用图像块结构一致性检测的方式来进行鬼影检测。最后,去除结构不一致的图像块并对这3个部分分开融合,重构所需图像块并将其聚合至最终融合图像。实验结果表明,与现有的去“鬼影”算法相比,所提算法取得了更好的视觉效果,且计算效率得到了较大提升。

为了消除海上红外弱小目标检测中图像背景杂波和噪声的影响, 提出了一种基于时空非局部相似性的红外图像弱小目标检测方法.该方法充分利用了相邻帧的红外图像序列间海面背景图像块的非局部自相关特性以及每帧内非局部背景图像块间的相似特性, 并引入时空域图像块模型, 该模型可利用加速近端梯度方法来有效求解.实验结果表明, 与传统的红外弱小目标检测方法相比, 所提方法不仅能更有效地保留目标的特征信息,还能使红外图像的峰值信噪比提高1.2倍以上, 信杂比提高1.8倍以上.

三维块匹配(BM3D)算法能够有效抑制平稳信号中的噪声。对于具有随机特性的合成孔径雷达影像斑点噪声,受限于三维变换阈值单一和在局部邻域寻找相似块,BM3D算法的滤波效果不佳。提出了基于K-Means聚类的BM3D算法,并将其应用于合成孔径雷达影像斑点噪声抑制。对图像块集合根据均值、方差和极差值构建的特征向量进行聚类,估计每一类块的噪声方差,根据类噪声方差估计自适应三维变换阈值;在每一个图像块类内部寻找相似块,实现全局相似块的快速查找。实验结果表明,同BM3D算法和非局部均值算法相比,所提算法具有更好的视觉效果和更高的峰值信噪比。

针对深度学习在计算机视觉上的良好表现，提出一种基于深度学习的多聚焦图像融合算法，在原有的AlexNet网络模型基础上改进了卷积核大小、步长等；利用改进后的深度学习网络特有的得分机制分类了聚焦图像块与散焦图像块；使用矫正矩阵矫正了误判图像块，并细分、修复了融合后的图像聚焦与散焦分界区域，得到了融合图像；选取6组多聚焦图像验证了本文算法的有效性。实验结果表明：与其他算法相比, 运用本文算法进行图像融合，能够保存较多的图像原始高频信息,并在互信息、边缘信息保持度、平均梯度和熵等评价指标上取得了较好的表现。

针对非制冷红外焦平面探测器面阵规模较小，难以获取大尺度红外图像的问题，提出一种基于低秩矩阵恢复和邻域嵌入的单幅红外图像超分辨方法。利用低秩矩阵恢复算法学习出相似矩阵潜在的低秩分量，对恢复的低秩分量进行邻域嵌入以获得初始的超分辨估计值，再通过全局重建约束，最终获得超分辨结果。大量仿真实验结果表明，本文算法重建的图像无论是定量计算还是定性分析都获得较好的超分辨结果，该方法既保证重建的高分辨率图像均匀区域的一致性，又保留了图像的细节信息和边缘轮廓的完整性。

现有盲道分割算法是通过提取颜色或纹理特征，采用聚类等方法来进行分割，易受盲道类型和外部环境影响。针对此问题，从盲道整体特征进行考虑，引入学习的方式，提出了一种基于显著性检测和改进投影字典对学习的盲道分割方法。该方法首先利用显著性检测，对盲道区域进行粗定位；然后以图像块作为处理单元，通过所提出的稳健字典对学习算法进行字典学习；接着将粗定位后的图像分块在该字典上进行稀疏重构；最后按照重构误差进行分类，以达到分割的目的。实验结果显示，在盲道分割中，该算法相对于现有算法，无论是准确性，还是普适性都表现更好。