针对原始全局的引导滤波算法对整幅图像各个区域使用统一的线性模型与相同的规整化因子,从而未能适应图像本身不同区域的纹理特性,提出了基于LoG边缘检测算子改进的加权自适应规整因子。通过在局部窗口内计算LoG幅值响应,对原有的规整化因子进行惩罚来取得对图像平滑区域与边缘区域的自适应,使得在保证降噪效果的前提下进一步突出边缘像素和平坦区域像素之间的差异。对开源医学图像库BrainWeb中不同断层的T1、T2与PD加权图像,共18张图像,添加9%的莱斯噪声作为测试库,并采用结构相似性因子(SSIM)与无参考图像锐化因子(CPBD)作为算法的定量评估指标。实验结果表明,与原始的引导滤波算法相比,所提方法的SSIM指标获得了最高5%左右的提升,CPBD指标获得了最高6%左右的提升。在引导滤波不同规整化因子的条件下,所提算法均优于原始的引导滤波算法和现有的基于方差图像加权改进的引导滤波算法,并保留了原始引导滤波 O( N)的复杂度。与现存的主流滤波算法比较,所提算法能够兼顾SSIM与CPBD指标,具有最高的综合性能,且具有最低的算法复杂度,能够用于医学图像和彩色图像的快速滤波降噪。

针对传统方法对于电子不停车收费(ETC)跟车干扰与邻道干扰的解决效率低、成本高,并且分别处理的问题,提出一种基于信息融合的统一解决ETC干扰问题的方法。该方法以系统获得的车辆信息为已知信息,用车辆图像对应的图形特征对其进行验证,再通过D-S证据理论融合验证结果,判断待交易车辆是否为当前车辆。同时,改进了D-S证据使其在验证结果冲突时依然有效。实验结果表明,该方法能可靠地检查出非法车辆,对同时解决跟车干扰与邻道干扰切实有效。