运动目标传统检测方法只考虑图像的亮度或纹理等某一种特性,受特异值影响较大,对噪声比较敏感,鲁棒性也不够好,而且背景恢复精度不高。针对以上局限性,提出一种融合结构相似度(structural similarity,SSIM)全参考模型和鲁棒主成分分析(robust principal component analysis,RPCA)的运动目标检测方法。此方法综合考虑图像的亮度、对比度和结构三种特性,不采用传统的背景减除法,而是把图像像素点的结构相似度作为度量来实现运动对象与背景的分离。实验结果表明,此方法准确率可达0.95,且F度量较传统运动目标检测算法平均提升0.15,总体上比传统方法更具优势。
低剂量CT(low-dose CT,LDCT)图像的去噪任务是一个高度复杂且不确定的逆问题。现有的基于CNN的方法虽然有效,但提升空间有限且计算成本高。相比之下,将图像先验知识与模型相结合来辅助图像去噪是一种更有效的方法。提出了一种名为AWTV_GANet的LDCT图像去噪框架。该框架利用自适应加权总变分(adaptive weighted total variation,AWTV)展开和高斯注意力引导的方法,通过端到端的CNN模型,将噪声优化模型、边缘检测模型和图像重建模型集成在一起。实验证明,AWTV_GANet能够准确地去除伪影噪声,并恢复出更精细的结构细节,与其他方法相比具有优异的性能。
暂无评论