李立
- 作品数：4 被引量：14H指数：3
- 供职机构：南京航空航天大学电子信息工程学院更多>>
- 发文基金：国家自然科学基金教育部重点实验室开放基金江苏高校优势学科建设工程资助项目更多>>
- 相关领域：电子电信自动化与计算机技术更多>>
- 利用核模糊聚类和正则化的图像稀疏去噪被引量：7
- 2014年
- 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.
- 吴一全李立
- 关键词：图像去噪正则化
- 基于NSCT和KFCM聚类的图像边缘检测方法被引量：3
- 2015年
- 为进一步提高现有图像边缘检测方法的性能,提出了一种基于非下采样Contourlet变换(NSCT)和核模糊c-均值(KFCM)聚类的图像边缘检测方法.首先通过NSCT将原始图像分解成低频分量和高频分量;然后对含噪声较少的低频分量提取边缘信息,并采用KFCM聚类算法进行聚类得到低频边缘图像,以提高定位精度,而对于边缘细节信息较多的高频分量各个子带,通过模极大值检测边缘以减少伪边缘,丰富图像细节;最后对低频和高频图像边缘进行融合得到完整的边缘.实验结果表明,相比于Canny方法、边缘检测算子与模糊聚类结合的方法、边缘信息与混沌粒子群优化的模糊聚类结合的方法、NSCT域模极大值方法,文中方法具有更好的边缘检测效果,边缘定位准确、完整、连续、细节丰富.
- 吴一全朱丽李立
- 关键词：边缘检测非下采样CONTOURLET变换模极大值
- 基于Shearlet域方向模极大值和改进蜂群的图像边缘检测
- 2015年
- 为从图像中提取出更为准确、清晰的边缘,本文提出一种基于Shearlet域方向模极大值和改进蜂群的边缘检测方法。对图像进行非下采样Shearlet分解;对于低频分量,利用改进的蜂群算法准确检测出边缘的基本轮廓线;而对于高频分量,采用方向模极大值算法检测出图像中丰富的边缘细节;融合后得到轮廓完整、细节丰富的图像边缘。实验结果表明:与Canny方法、改进的蚁群方法、改进的蜂群方法、改进的非下采样Contourlet模极大值方法相比,本文提出的方法检测出的图像边缘定位准确、完整清晰、细节丰富,边缘检测效果更好,且运行时间较少。
- 吴一全李立王凯
- 关键词：边缘检测
- 基于Shearlet域各向异性扩散和稀疏表示的图像去噪被引量：4
- 2014年
- 为了更有效地去除图像噪声,同时更好地保留图像边缘细节信息,提出了一种基于shearlet域各向异性扩散和稀疏表示的图像去噪方法.首先对含噪图像进行非下采样shearlet变换(nonsubsampled shear1et transform,NSST),将图像分解为低频分量和多个高频分量.低频分量中包含图像信号的主要能量以及少量的噪声,而高频分量中含有大部分噪声和图像边缘信息.然后,利用K-奇异值分解(K-singularvalue decomposition,K-SVD)算法去除低频分量中的噪声,各个方向的高频分量则通过核各向异性扩散(kernel anisotropic diffusion,KAD)算法进行去噪.最后,对处理过的低频分量和高频分量进行非下采样shearlet反变换(inverse nonsubsampled shearlet transform,INSST),得到重构图像,从而有效地去除图像噪声,保留图像边缘细节.实验结果表明,与小波扩散去噪法、shearlet硬阈值去噪法、K-SVD稀疏去噪法、小波域稀疏去噪法相比,该方法的去噪能力更强,并能更好地保留图像纹理细节特征,改善图像视觉效果.
- 吴一全李立陶飞翔
- 关键词：图像去噪
