超声成像是现代医学影像学最重要的诊断技术之一。然而，由于乘性斑点噪声的存在，使得超声成像的发展受到了一定的限制。针对这种问题，提出了一种贝叶斯非局部平均（NLM）滤波算法的改进策略。首先，运用贝叶斯公式推导出适应于超声图像斑点噪声模型的非局部平均滤波器，由此引出了两种图像块之间距离计算的方式——Pearson距离和根距离；其次，为了减轻计算负担，在非局部区域中选取相似图像块时采用图像块预选择的方式来加速算法；另外，根据多次实验，总结出了一种滤波参数和噪声方差的关系，实现了参数的自适应；最后，利用Visual Studio和OpenCV实现了算法，使得程序的运行时间大幅缩短。为了评估所提算法的去噪性能，在幻影图像和真实超声图像上进行了实验，结果表明：与现有的一些经典算法相比，该算法在去除斑点噪声的表现上有很大提升，并且在保留图像边缘和结构细节方面取得了令人满意的结果。

针对受加性高斯白噪声(AWGN)与椒盐噪声(SPIN)以及随机值冲击噪声(RVIN)组成的混合噪声污染的图像进行去噪的问题,提出一种在现有加权编码算法的基础上将图像稀疏表示和非局部相似先验融合的改进算法。首先,利用基于字典的图像稀疏表示构建去噪变分模型,对模型中的数据保真项设计一个权重因子来抑制冲击噪声的干扰;其次,利用非局部平均思想对混合噪声图像进行初始去噪,在得到的图像中构建掩膜矩阵将冲击噪声点排除进而求取非局部相似先验知识;最后,将非局部相似先验与稀疏先验融合进变分模型的正则项中,求解变分模型得到最终去噪图像。实验结果表明,在不同的噪声比率下,所提算法与模糊加权非局部平均算法相比,峰值信噪比(PSNR)提高了1.7 dB,特征相似性指数(FSIM)提高了0.06;与加权编码算法相比,PSNR提高了0.64 dB,FSIM提高了0.03。该算法对于纹理较强的图像可以显著提升去噪效果,能有效地保留图像的本真信息。

针对Top-k dominating查询算法需要较高的时空消耗来构建属性组合索引,并且在相同属性值较多情况下的查询结果准确率低等问题,提出一种通过B⁺-trees和概率分布模型相结合的子空间支配查询算法——Ranking-k算法.首先,采用B⁺-trees为待查找数据各属性构建有序列表;然后,采取轮询调度算法读取skyline准则涉及到的有序列表,生成候选元组并获得k组终结元组;其次,根据生成的候选元组和终结元组,采用概率分布模型计算终结元组支配分数.迭代上述过程优化查询结果,直到满足条件为止.实验结果表明:Ranking-k与基本扫描算法(BSA)相比,查询效率提高了94.43%;与差分算法(DA)相比,查询效率提高了7.63%;与早剪枝Top-k支配(TDEP)算法、BSA和DA相比,查询结果更接近理论值.

提出了一种利用小波变换和改进的中位切割法分割示温漆图像的方法。该方法首先在中位切割法的基础上,给出了一种改进的中位切割算法，然后将色彩量化后的图像分解为三个颜色分量，并分别对其进行基于小波变换的边缘检测，最后将三个分量边缘合成来实现分割。