协同表示算法对人脸图像具有快速分类的特点, 但在单样本或欠样本情况下, 对变化复杂的人脸识别率还不够理想, 无法满足工程要求。针对该问题, 提出一种基于欠样本混合内变基字典的 扩展协同表示算法。首先借助在同一环境下采集到的不同人脸的变化过程, 提取人脸的变化共同特征并生成内变基, 再融合两种及两种以上不同人脸变化的共同特征生成混合内变基, 提高内变基的 通用性, 建立训练样本与测试样本之间变化的稀疏字典。训练样本在字典帮助下近似构建出测试样本的特征人脸, 达到扩展训练样本集的目的, 再对人脸协同分类。利用AR库、ORL库、Yale库和 Yale B库进行识别实验。结果表明, 本文算法能有效提高协同表示算法的识别率, 在欠样本情况下识别率提高7.33%～3317%, 在单样本情况下识别率提高6.78%~24.47%。

在人脸识别中, 人脸图像受到表情、光照、遮挡、姿态变化、特别是训练样本数量的影响, 而现实中经常只获得少量的训练样本, 由于原始样本生成虚拟样本可以增加训练样本的数量, 分析提出原始样本与轴对称样本融合的协同表示算法。首先生成镜像样本与轴对称样本, 再在协同表示分类器下分类, 最后加权值融合, 分析不同权值下的人脸识别率。实验结果显示原始样本、镜像样本与轴对称样本融合能提高识别率, 而原始样本与轴对称样本融合的识别率更加优越, 较原始样本, 识别率提高2%~9%, 比原始样本与镜像样本融合高1%~5%。结果表明本文提出方法能有效提高人脸识别率。

在人脸识别中, 人脸图像往往受到表情、光照、遮挡、姿态变化的影响, 对此本文提出一种基于低秩特征脸与协同表示的人脸识别算法。该算法先用低秩矩阵恢复算法分解出训练样本图像的误差图像, 再分别对训练样本与误差图像提取特征构造特征字典, 计算测试样本图像特征字典下的协同表示系数, 最后通过重构误差进行分类。通过AR和ORL人脸库进行实验, 结果表明, 本文提出的人脸识别算法的识别率、识别速率得到有效提高。

针对L2范数的非局部变分模型在迭代过程中未考虑图像局部梯度信息, 模糊图像细节信息的缺点, 提出了一种基于L1范数的非局部变分模型。首先, 对基于L1范数的非局部变分模型的扩散性能进行了详细的分析。接着, 将该模型应用于退化图像的复原中, 并推导出该模型的Bregman交替迭代求解过程。最后, 通过对比实验, 证明本文提出的L1范数的非局部变分复原模型能更好地重构图像的细节信息, 相对于L2范数的非局部变分模型峰值信噪比提高大于1 dB, 图像复原性能更优。

本文分析了图像复扩散去噪算法的优缺点 , 针对复扩散强度参数 k与迭代步长 Δt在扩散过程中恒定的缺点，提出了一种基于扩散强度参数与迭代步长的自适应复扩散去噪算法。在该扩散过程中，用图像实部的局部梯度控制扩散强度参数大小实现在不同在梯度区域的不同扩散速度，同时对迭代步长随迭代次数增加而逐渐增加，以实现在更短的扩散时间内获得更好的去噪效果。实验结果表明，本文提出的方法在去除噪声的同时更好地保留了图像的细节信息，取得更高的峰值信噪比，所用时间更少。

提出一种改进的多尺度形态边缘检测算法.用不同尺度大小的结构元素分别检测出图像的不同尺寸的边缘信息,运用本文提出的基于直方图配准的自适应方法对所获不同尺寸的图像边缘进行融合,获得理想的图像边缘,有效地消除了噪声.实验结果表明当图像中加入了强度超过20%的椒盐噪声后,检测到的边缘仍然非常清晰.

提出一种基于局部熵的多分辨图像融合算法.利用小波变换得到待融合图像的多分辨结构,同时得到图像的多分辨局部熵序列.以局部熵为判据,在图像多分辨结构相应各级上进行融合,得到融合图像的多分辨结构,利用小波逆变换重构融合图像.实验结果表明,该图像融合方法在保留TM多光谱图像光谱分辨率的同时,通过融合SPOT全色图像提高了空间分辨率,丰富了图像细节信息.

以图像局部熵差为匹配准则,确定关键点的匹配位置.逐点计算图像局部熵,将图像局部熵序列进行塔式分解.采用金字塔式的数据结构,通过从低分辨率图像开始模板匹配,找出粗匹配点,逐步找到原始图像(即高分辨率图像)的精确匹配点,大大减少了计算量.该算法具有良好的抗噪声能力和抗几何失真能力.实验结果表明,当实时图相对于参考图旋转不超过5( 时,正确匹配达到76% 以上;当椒盐噪声强度不超过5% 时,正确匹配达到78% 以上;当零均值高斯白噪声方差不超过0.02时,正确匹配达到70% 以上.