AAgydF4y2Ba 天文学的发展gydF4y2Ba 1687 - 7977gydF4y2Ba 1687 - 7969gydF4y2Ba HindawigydF4y2Ba 10.1155 / 2019/2397536gydF4y2Ba 2397536gydF4y2Ba 研究文章gydF4y2Ba 基于形态学提取纤维成分分析从无线电天文图像gydF4y2Ba 朱gydF4y2Ba M。gydF4y2Ba 1gydF4y2Ba 刘gydF4y2Ba W。gydF4y2Ba 1gydF4y2Ba 王gydF4y2Ba b . Y。gydF4y2Ba 1gydF4y2Ba 张gydF4y2Ba m F。gydF4y2Ba 2gydF4y2Ba 田gydF4y2Ba W·W。gydF4y2Ba 3gydF4y2Ba http://orcid.org/0000 - 0003 - 0742 - 5135gydF4y2Ba 余gydF4y2Ba x C。gydF4y2Ba 1gydF4y2Ba 梁gydF4y2Ba t·H。gydF4y2Ba 1gydF4y2Ba 吴gydF4y2Ba D。gydF4y2Ba 2gydF4y2Ba 胡gydF4y2Ba D。gydF4y2Ba 1gydF4y2Ba http://orcid.org/0000 - 0002 - 3849 - 8532gydF4y2Ba 段gydF4y2Ba f . Q。gydF4y2Ba 1gydF4y2Ba 风扇gydF4y2Ba JunhuigydF4y2Ba 1gydF4y2Ba 信息科学与技术学院gydF4y2Ba 北京师范大学gydF4y2Ba 北京gydF4y2Ba 中国gydF4y2Ba bnu.edu.cngydF4y2Ba 2gydF4y2Ba 光学天文学的重点实验室gydF4y2Ba 中国国家天文台gydF4y2Ba 北京gydF4y2Ba 中国gydF4y2Ba cas.cngydF4y2Ba 3gydF4y2Ba 中国科学院大学gydF4y2Ba 北京gydF4y2Ba 中国gydF4y2Ba ucas.ac.cngydF4y2Ba 2019年gydF4y2Ba 2gydF4y2Ba 6gydF4y2Ba 2019年gydF4y2Ba 2019年gydF4y2Ba 17gydF4y2Ba 10gydF4y2Ba 2018年gydF4y2Ba 03gydF4y2Ba 03gydF4y2Ba 2019年gydF4y2Ba 2gydF4y2Ba 6gydF4y2Ba 2019年gydF4y2Ba 2019年gydF4y2Ba 版权©2019 m .朱镕基et al。gydF4y2Ba 这是一个开放的文章在知识共享归属许可下发布的,它允许无限制的使用,分布和繁殖在任何媒介,提供最初的工作是正确的引用。gydF4y2Ba

丝是一种wide-existing天文结构。分开是一个挑战的细丝从无线电天文图像,因为他们的辐射通常是弱的。更重要的是,细丝通常混合明亮的物体,例如,明星,这使得它很难分开。为了提取纤维,a .男人'shchikov提出一个方法“getfilaments”自动找到细丝。然而,该算法去除微小结构简单地通过计算连接的像素数量。去除微小结构基于本地信息可能会删除一些丝状的一部分,因为丝在射电天文图像通常是弱。为了解决这个问题,我们应用形态成分分析(MCA)来处理每一个单独的空间尺度图像和提出了一个基于MCA细丝提取算法。MCA使用字典翻译的元素可以小波函数,曲波翻译功能,或翻译脊波函数分解图像。不同选择的元素在字典里可以得到不同空间尺度的图像的形态学组件。通过使用MCA,我们可以得到线结构,高斯源和其他结构在空间尺度图像和排除不相关的组件细丝。 Experimental results showed that our proposed method based on MCA is effective in extracting filaments from real radio astronomical images, and images processed by our method have higher peak signal-to-noise ratio (PSNR).

 中国国家自然科学基金gydF4y2Ba 41272359gydF4y2Ba 国土资源部公益行业的研究项目gydF4y2Ba 201511079 - 02gydF4y2Ba 中华人民共和国教育部的gydF4y2Ba 20120003110032gydF4y2Ba 1。介绍gydF4y2Ba

相当一部分的星际介质的形式存在于一个迷人的无处不在的细丝的网络结构(gydF4y2Ba 1gydF4y2Ba),称为细丝。天文灯丝首次发现在银河系。随着望远镜的发展,各种丝出现在眼前。其中细丝的恒星形成区域是最迷人的,许多磁流体动力(磁流体动力)模拟表明,巨大的分子云(gmc)主要演变成细丝崩溃之前形成恒星(gydF4y2Ba 2gydF4y2Ba,gydF4y2Ba 3gydF4y2Ba]。最近的观察也证实了这些模拟(gydF4y2Ba 4gydF4y2Ba,gydF4y2Ba 5gydF4y2Ba]。因为巨大的恒星的形成对象仍不清楚,进一步研究纤维是至关重要的。丝在星系和宇宙领域也很重要。研究认为低质量星系的气体通过“冷吸积”,这通常是直接沿着丝(gydF4y2Ba 6gydF4y2Ba,gydF4y2Ba 7gydF4y2Ba]。一些研究人员更加关注宇宙的大规模丝(gydF4y2Ba 8gydF4y2Ba),这可能会为线索来更好地理解稍不均匀宇宙微波背景(CMB)和第一代恒星的诞生。此外,纤维曾被观察到在其他对象,如超新星遗迹(信噪比)gydF4y2Ba 9gydF4y2Ba和行星盘gydF4y2Ba 10gydF4y2Ba]。gydF4y2Ba

事实上许多细丝模糊图像导致难以区分背景和周围的物体。施耐德et al。gydF4y2Ba 11gydF4y2Ba]研究玫瑰分子云的空间和密度结构,通过应用曲波分析,filament-tracing算法(分散)和概率密度函数(pdf)赫歇尔列密度地图。Hennebelle et al。gydF4y2Ba 12gydF4y2Ba)显示一个方法基于自适应网格细化磁水动力模拟,把自我一贯地冷却和星体。Tugay [gydF4y2Ba 13gydF4y2Ba]提出一层平滑方法,描述宇宙的大尺度结构的细胞(LSS)作为集群与网格密度大于一个有限值,来检测银河系外的细丝。男人'shchikov [gydF4y2Ba 14gydF4y2Bagetfilaments命名)提出了一种多尺度纤维提取方法,分解一个模拟天文图像包含纤维在不同尺度空间图像,以防止相互作用不同的空间尺度结构的影响。getfilaments工作在模拟图像和被用来确定真正的细丝天文图像,例如,苍蝇座云的远红外图像观察与赫歇尔(gydF4y2Ba 15gydF4y2Ba]。然而,getfilaments可能排除天文学的一些微小的纤维结构图像,因为它消除了微小结构只是通过计算连接像素数量,和丝在天文图像通常是弱。gydF4y2Ba

在本文中,我们开发一种改进的基于形态学的方法分析(MCA)和getfilaments组件。MCA能将图像分解成形态组件基于不同特征从数学形态学的角度和常用于图像恢复、分离和分解(gydF4y2Ba 16gydF4y2Ba- - - - - -gydF4y2Ba 19gydF4y2Ba]。MCA分解算法的基本思想是选择两个字典:光滑的字典和纹理字典,代表形态组件(gydF4y2Ba 20.gydF4y2Ba]。我们可以设计不同的字典来代表不同的稀疏图像中的组件。光滑的字典产生分解光滑组件进行几何和分段光滑图像的信息,和纹理字典产生分解结构组件边缘和边缘信息。gydF4y2Ba

本文的结构如下。名为灯丝的改进方法提取算法基于MCA节中描述gydF4y2Ba 2gydF4y2Ba。部分gydF4y2Ba 3gydF4y2Ba致力于讨论实验结果的方法和比较的方法从阿雷西博的GALFA-HI getfilaments方法采用数据。gydF4y2Ba

 2。基于MCA灯丝提取算法gydF4y2Ba 2.1。MCA模型gydF4y2Ba

MCA提出了斯塔克等。gydF4y2Ba 17gydF4y2Ba]。MCA是一种基于信号稀疏分解算法和形态多样性。MCA假设信号是线性组合的几个形态组件,和每个形态组件可以稀疏表示的字典。gydF4y2Ba

我们假设图像gydF4y2Ba xgydF4y2Ba 包括gydF4y2Ba 米gydF4y2Ba 不同形态组件:gydF4y2Ba xgydF4y2Ba =gydF4y2Ba xgydF4y2Ba 1gydF4y2Ba +gydF4y2Ba xgydF4y2Ba 2gydF4y2Ba +gydF4y2Ba ⋯gydF4y2Ba +gydF4y2Ba xgydF4y2Ba 米gydF4y2Ba 。我们设计不同的字典gydF4y2Ba DgydF4y2Ba 我gydF4y2Ba 对不同形态组件gydF4y2Ba xgydF4y2Ba 我gydF4y2Ba 并承担所有组件线性混合在一起。图像gydF4y2Ba xgydF4y2Ba 作为一个一维向量长度M可以表示如下:gydF4y2Ba (1)gydF4y2Ba xgydF4y2Ba =gydF4y2Ba DgydF4y2Ba αgydF4y2Ba ,gydF4y2Ba 的矩阵gydF4y2Ba DgydF4y2Ba =gydF4y2Ba DgydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba …gydF4y2Ba ,gydF4y2Ba DgydF4y2Ba PgydF4y2Ba ∈gydF4y2Ba RgydF4y2Ba 米gydF4y2Ba ×gydF4y2Ba PgydF4y2Ba tgydF4y2Ba ygydF4y2Ba pgydF4y2Ba 我gydF4y2Ba cgydF4y2Ba 一个gydF4y2Ba lgydF4y2Ba lgydF4y2Ba ygydF4y2Ba ,gydF4y2Ba 米gydF4y2Ba ≪gydF4y2Ba PgydF4y2Ba 是一个字典。gydF4y2Ba αgydF4y2Ba ∈gydF4y2Ba RgydF4y2Ba PgydF4y2Ba 是向量的稀疏系数。相当于约束优化问题如下:gydF4y2Ba (2)gydF4y2Ba αgydF4y2Ba 1gydF4y2Ba ogydF4y2Ba pgydF4y2Ba tgydF4y2Ba ,gydF4y2Ba αgydF4y2Ba 2gydF4y2Ba ogydF4y2Ba pgydF4y2Ba tgydF4y2Ba ,gydF4y2Ba …gydF4y2Ba ,gydF4y2Ba αgydF4y2Ba PgydF4y2Ba ogydF4y2Ba pgydF4y2Ba tgydF4y2Ba =gydF4y2Ba 一个gydF4y2Ba rgydF4y2Ba ggydF4y2Ba 米gydF4y2Ba 我gydF4y2Ba ngydF4y2Ba αgydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba …gydF4y2Ba ,gydF4y2Ba αgydF4y2Ba PgydF4y2Ba ∑gydF4y2Ba kgydF4y2Ba =gydF4y2Ba 1gydF4y2Ba PgydF4y2Ba αgydF4y2Ba kgydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba 年代gydF4y2Ba ugydF4y2Ba bgydF4y2Ba jgydF4y2Ba egydF4y2Ba cgydF4y2Ba tgydF4y2Ba tgydF4y2Ba ogydF4y2Ba :gydF4y2Ba xgydF4y2Ba =gydF4y2Ba ∑gydF4y2Ba kgydF4y2Ba =gydF4y2Ba 1gydF4y2Ba PgydF4y2Ba DgydF4y2Ba kgydF4y2Ba αgydF4y2Ba kgydF4y2Ba 。gydF4y2Ba 然而,这个模型没有考虑的因素可能会导致图像分解的失败,如噪音。当噪声图像中存在gydF4y2Ba xgydF4y2Ba ,向量gydF4y2Ba αgydF4y2Ba 1gydF4y2Ba ogydF4y2Ba pgydF4y2Ba tgydF4y2Ba ,gydF4y2Ba αgydF4y2Ba 2gydF4y2Ba ogydF4y2Ba pgydF4y2Ba tgydF4y2Ba ,gydF4y2Ba …gydF4y2Ba ,gydF4y2Ba αgydF4y2Ba PgydF4y2Ba ogydF4y2Ba pgydF4y2Ba tgydF4y2Ba 可能不是稀疏的自噪声不能稀疏表示。对于这种噪音,我们把噪声误差项来实现图像的稀疏分解gydF4y2Ba xgydF4y2Ba 。约束(gydF4y2Ba 2gydF4y2Ba)修改如下:gydF4y2Ba (3)gydF4y2Ba αgydF4y2Ba 1gydF4y2Ba ogydF4y2Ba pgydF4y2Ba tgydF4y2Ba ,gydF4y2Ba αgydF4y2Ba 2gydF4y2Ba ogydF4y2Ba pgydF4y2Ba tgydF4y2Ba ,gydF4y2Ba …gydF4y2Ba ,gydF4y2Ba αgydF4y2Ba PgydF4y2Ba ogydF4y2Ba pgydF4y2Ba tgydF4y2Ba =gydF4y2Ba 一个gydF4y2Ba rgydF4y2Ba ggydF4y2Ba 米gydF4y2Ba 我gydF4y2Ba ngydF4y2Ba αgydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba …gydF4y2Ba ,gydF4y2Ba αgydF4y2Ba PgydF4y2Ba ∑gydF4y2Ba kgydF4y2Ba =gydF4y2Ba 1gydF4y2Ba PgydF4y2Ba αgydF4y2Ba kgydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba 年代gydF4y2Ba ugydF4y2Ba bgydF4y2Ba jgydF4y2Ba egydF4y2Ba cgydF4y2Ba tgydF4y2Ba tgydF4y2Ba ogydF4y2Ba :gydF4y2Ba xgydF4y2Ba - - - - - -gydF4y2Ba ∑gydF4y2Ba kgydF4y2Ba =gydF4y2Ba 1gydF4y2Ba PgydF4y2Ba DgydF4y2Ba kgydF4y2Ba αgydF4y2Ba kgydF4y2Ba 1gydF4y2Ba ≤gydF4y2Ba ϵgydF4y2Ba 。gydF4y2Ba 在哪里gydF4y2Ba ϵgydF4y2Ba 代表了图像中噪声水平gydF4y2Ba xgydF4y2Ba 。gydF4y2Ba

 2.2。MCA Decompostion算法gydF4y2Ba

在本文中,我们集中在图像分解成两个部分:卡通层和结构层。卡通层包含卡通和分段光滑信息和纹理层可能包含其他纹理信息,边缘信息,和噪音gydF4y2Ba 21gydF4y2Ba,gydF4y2Ba 22gydF4y2Ba]。研究[gydF4y2Ba 23gydF4y2Ba,gydF4y2Ba 24gydF4y2Ba]表明,噪声存在于漫画和纹理层。换句话说,不仅包含大部分的平滑部分有用的信息,还包含噪声的一小部分。如果我们设置相同的噪声方差阈值对整个图像,而不是计算阈值为每个图像的一部分,一些有用的信息可能会被删除。因此,我们引入MCA分解算法处理图像平滑(卡通)层和结构层。gydF4y2Ba

我们假设矩阵gydF4y2Ba DgydF4y2Ba tgydF4y2Ba 是字典矩阵的纹理层和gydF4y2Ba DgydF4y2Ba cgydF4y2Ba 是卡通的字典矩阵层。解决方案分解可以得到放松的约束(gydF4y2Ba 3gydF4y2Ba)成为一个近似:gydF4y2Ba (4)gydF4y2Ba αgydF4y2Ba tgydF4y2Ba ogydF4y2Ba pgydF4y2Ba tgydF4y2Ba ,gydF4y2Ba αgydF4y2Ba cgydF4y2Ba ogydF4y2Ba pgydF4y2Ba tgydF4y2Ba =gydF4y2Ba 一个gydF4y2Ba rgydF4y2Ba ggydF4y2Ba 米gydF4y2Ba 我gydF4y2Ba ngydF4y2Ba αgydF4y2Ba tgydF4y2Ba ,gydF4y2Ba αgydF4y2Ba cgydF4y2Ba αgydF4y2Ba tgydF4y2Ba 1gydF4y2Ba +gydF4y2Ba αgydF4y2Ba cgydF4y2Ba 1gydF4y2Ba +gydF4y2Ba λgydF4y2Ba xgydF4y2Ba - - - - - -gydF4y2Ba DgydF4y2Ba tgydF4y2Ba αgydF4y2Ba tgydF4y2Ba - - - - - -gydF4y2Ba DgydF4y2Ba cgydF4y2Ba αgydF4y2Ba cgydF4y2Ba 2gydF4y2Ba 2gydF4y2Ba ,gydF4y2Ba 在哪里gydF4y2Ba λgydF4y2Ba 拉格朗日算子。定义gydF4y2Ba xgydF4y2Ba tgydF4y2Ba =gydF4y2Ba DgydF4y2Ba tgydF4y2Ba αgydF4y2Ba tgydF4y2Ba 和gydF4y2Ba xgydF4y2Ba cgydF4y2Ba =gydF4y2Ba DgydF4y2Ba cgydF4y2Ba αgydF4y2Ba cgydF4y2Ba 。鉴于gydF4y2Ba xgydF4y2Ba tgydF4y2Ba ,我们可以恢复gydF4y2Ba αgydF4y2Ba tgydF4y2Ba 作为gydF4y2Ba αgydF4y2Ba tgydF4y2Ba =gydF4y2Ba DgydF4y2Ba tgydF4y2Ba +gydF4y2Ba xgydF4y2Ba tgydF4y2Ba ,在那里gydF4y2Ba DgydF4y2Ba tgydF4y2Ba +gydF4y2Ba 是Moore-Penrose伪逆的gydF4y2Ba DgydF4y2Ba tgydF4y2Ba 。为了得到分段光滑组件,添加一个电视(全变差)处罚gydF4y2Ba 25gydF4y2Ba适合光滑层。电视是用来抑制振铃工件边缘附近和振荡。把这些回(gydF4y2Ba 4gydF4y2Ba),因此,我们获得以下:gydF4y2Ba (5)gydF4y2Ba xgydF4y2Ba tgydF4y2Ba ogydF4y2Ba pgydF4y2Ba tgydF4y2Ba ,gydF4y2Ba xgydF4y2Ba cgydF4y2Ba ogydF4y2Ba pgydF4y2Ba tgydF4y2Ba =gydF4y2Ba 一个gydF4y2Ba rgydF4y2Ba ggydF4y2Ba 米gydF4y2Ba 我gydF4y2Ba ngydF4y2Ba xgydF4y2Ba tgydF4y2Ba ,gydF4y2Ba xgydF4y2Ba cgydF4y2Ba DgydF4y2Ba tgydF4y2Ba +gydF4y2Ba xgydF4y2Ba tgydF4y2Ba 1gydF4y2Ba +gydF4y2Ba DgydF4y2Ba cgydF4y2Ba +gydF4y2Ba xgydF4y2Ba cgydF4y2Ba 1gydF4y2Ba +gydF4y2Ba λgydF4y2Ba xgydF4y2Ba - - - - - -gydF4y2Ba xgydF4y2Ba tgydF4y2Ba - - - - - -gydF4y2Ba xgydF4y2Ba cgydF4y2Ba 2gydF4y2Ba 2gydF4y2Ba +gydF4y2Ba γgydF4y2Ba TgydF4y2Ba VgydF4y2Ba xgydF4y2Ba cgydF4y2Ba 。gydF4y2Ba γgydF4y2Ba 是电视正则化参数,在多尺度方法中,较低的gydF4y2Ba γgydF4y2Ba 可以删除造成的文物曲波。gydF4y2Ba TgydF4y2Ba VgydF4y2Ba (gydF4y2Ba xgydF4y2Ba cgydF4y2Ba )gydF4y2Ba 是一个衡量振荡的卡通层。惩罚与电视,卡通层接近分段光滑的图像。然而,电视遭受所谓的阶梯效应,影响重建图像的质量。自适应电视(gydF4y2Ba 26gydF4y2Ba)和高阶导数(gydF4y2Ba 27gydF4y2Ba)解决方案以减少楼梯的效果。gydF4y2Ba

然后我们讨论选择字典的卡通和纹理层。合适的稀疏表示字典是非常重要的形象。通常,字典的选择取决于经验。结构字典更匹配的图像更容易形成稀疏表示。MCA包括小波变换的常用的字典,脊波变换、曲波变换,离散余弦变换(DCT),等等。本文中使用的两个字典描述如下。gydF4y2Ba

首先,我们选择曲波的字典卡通层。曲波变换的基础上提出的多尺度脊波变换的萤石& Donoho [gydF4y2Ba 28gydF4y2Ba]。它首先将图像分解成一组小波频带,然后分析每个乐队的脊波变换在不同尺度水平。曲波变换执行在各向异性结构的检测、边缘光滑曲线,不同长度的gydF4y2Ba 29日gydF4y2Ba]。gydF4y2Ba

我们的下一个选择当地的DCT纹理层的字典。DCT是离散傅里叶变换(DFT)的变体。它使用对称信号扩展用实数代替复杂的分析,适合纹理和周期性的稀疏表示图像的一部分。gydF4y2Ba

 2.3。基于MCA灯丝提取算法gydF4y2Ba

丝的形状可以通过上面的灯丝提取算法应用到无线电天文图像。我们最后使用分水岭算法强调细丝。gydF4y2Ba

分水岭算法(gydF4y2Ba 30.gydF4y2Ba,gydF4y2Ba 31日gydF4y2Ba)是基于数学形态学。分水岭算法部分图像成不重叠的区域,一个像素宽度和连续边界提取和识别一个特定区域的目的gydF4y2Ba 32gydF4y2Ba,gydF4y2Ba 33gydF4y2Ba]。灰度图像可以被视为一种地形表面。高灰度值的像素代表一个峰值或山而低灰度表示一个山谷。每个像素的局部最小值和受影响的地区被称为汇水盆地和汇水盆地的边界形式的分水岭。填满每一个与外界隔绝的山谷(局部最小值)与不同颜色的水(标签),每个局部最小值的地区的影响力逐渐向外扩展。相邻地区然后收敛,这种形式的界限分水岭出现。gydF4y2Ba

整个纤维提取算法(https://github.com/MiWBY/MCA)大致可以分为四个步骤(如图gydF4y2Ba 1gydF4y2Ba)。gydF4y2Ba

流的灯丝提取算法。gydF4y2Ba

(1)卷积gydF4y2Ba。首先,使用高斯滤波器,我们对原始图像卷积成一系列的分层图像。不同的完整宽度一半最高可以设置不同的图像层:gydF4y2Ba (6)gydF4y2Ba XgydF4y2Ba jgydF4y2Ba =gydF4y2Ba GgydF4y2Ba jgydF4y2Ba - - - - - -gydF4y2Ba 1gydF4y2Ba ∗gydF4y2Ba XgydF4y2Ba - - - - - -gydF4y2Ba GgydF4y2Ba jgydF4y2Ba ∗gydF4y2Ba XgydF4y2Ba jgydF4y2Ba =gydF4y2Ba 1、2gydF4y2Ba ,gydF4y2Ba …gydF4y2Ba ,gydF4y2Ba NgydF4y2Ba 年代gydF4y2Ba 。gydF4y2Ba 在哪里gydF4y2Ba XgydF4y2Ba 是原始图像,gydF4y2Ba XgydF4y2Ba jgydF4y2Ba 是卷积后的j子图象,gydF4y2Ba GgydF4y2Ba jgydF4y2Ba - - - - - -gydF4y2Ba 1gydF4y2Ba 和gydF4y2Ba GgydF4y2Ba jgydF4y2Ba 是不同的高斯光束对不同空间的组件,gydF4y2Ba ∗gydF4y2Ba 卷积运算,gydF4y2Ba NgydF4y2Ba 年代gydF4y2Ba 层的数目。gydF4y2Ba

在这个过程中,结构在不同尺度的天文图像分为不同层次(子图象),并且每一层包含类似的尺度,使输入源成为后来去噪和简单的提取过程。gydF4y2Ba

(2)DecompostiongydF4y2Ba。我们MCA算法适用于每个分层图像,以便每个分层图像分解为一个卡通层和结构层。这里我们利用曲波卡通层和当地DCT的字典词典的纹理层节中描述gydF4y2Ba 2.2gydF4y2Ba。卡通层包含大多数细丝和低频噪声,和纹理层包含来源,高频噪音,和小丝的一部分。gydF4y2Ba

斯塔克等。gydF4y2Ba 17gydF4y2Ba基于BCR)提出了MCA分解算法算法(块协调放松)。给出的算法如下。输入:子图象gydF4y2Ba XgydF4y2Ba jgydF4y2Ba 卷积后,被描述为输入图像gydF4y2Ba xgydF4y2Ba 在这里,字典gydF4y2Ba DgydF4y2Ba cgydF4y2Ba 卡通的层,字典gydF4y2Ba DgydF4y2Ba tgydF4y2Ba 的纹理层,迭代次数gydF4y2Ba lgydF4y2Ba 米gydF4y2Ba 一个gydF4y2Ba xgydF4y2Ba 和阈值gydF4y2Ba δgydF4y2Ba =gydF4y2Ba λgydF4y2Ba ·gydF4y2Ba lgydF4y2Ba 米gydF4y2Ba 一个gydF4y2Ba xgydF4y2Ba 。gydF4y2Ba

输出:卡通层gydF4y2Ba xgydF4y2Ba cgydF4y2Ba 和纹理层gydF4y2Ba xgydF4y2Ba tgydF4y2Ba 。gydF4y2Ba

初始化gydF4y2Ba lgydF4y2Ba 米gydF4y2Ba 一个gydF4y2Ba xgydF4y2Ba ,gydF4y2Ba λgydF4y2Ba =gydF4y2Ba kgydF4y2Ba ∗gydF4y2Ba ϵgydF4y2Ba tgydF4y2Ba ygydF4y2Ba pgydF4y2Ba 我gydF4y2Ba cgydF4y2Ba 一个gydF4y2Ba lgydF4y2Ba lgydF4y2Ba ygydF4y2Ba ,gydF4y2Ba kgydF4y2Ba =gydF4y2Ba 3gydF4y2Ba ,在那里gydF4y2Ba ϵgydF4y2Ba 的值是噪音水平。然后阈值gydF4y2Ba δgydF4y2Ba =gydF4y2Ba λgydF4y2Ba ·gydF4y2Ba lgydF4y2Ba 米gydF4y2Ba 一个gydF4y2Ba xgydF4y2Ba 。gydF4y2Ba

为gydF4y2Ba jgydF4y2Ba =gydF4y2Ba 1gydF4y2Ba :gydF4y2Ba lgydF4y2Ba 米gydF4y2Ba 一个gydF4y2Ba xgydF4y2Ba

为gydF4y2Ba kgydF4y2Ba =gydF4y2Ba 1gydF4y2Ba :gydF4y2Ba PgydF4y2Ba

更新gydF4y2Ba xgydF4y2Ba cgydF4y2Ba 假设gydF4y2Ba xgydF4y2Ba tgydF4y2Ba 是固定的:gydF4y2Ba

贵司剩余gydF4y2Ba rgydF4y2Ba =gydF4y2Ba xgydF4y2Ba - - - - - -gydF4y2Ba xgydF4y2Ba cgydF4y2Ba - - - - - -gydF4y2Ba xgydF4y2Ba tgydF4y2Ba 。gydF4y2Ba

计算gydF4y2Ba αgydF4y2Ba cgydF4y2Ba =gydF4y2Ba DgydF4y2Ba cgydF4y2Ba +gydF4y2Ba xgydF4y2Ba cgydF4y2Ba +gydF4y2Ba rgydF4y2Ba 。gydF4y2Ba

软阈值的系数gydF4y2Ba αgydF4y2Ba cgydF4y2Ba 与gydF4y2Ba δgydF4y2Ba 阈值,得到gydF4y2Ba αgydF4y2Ba ^gydF4y2Ba cgydF4y2Ba 。gydF4y2Ba

重建gydF4y2Ba xgydF4y2Ba cgydF4y2Ba 通过gydF4y2Ba xgydF4y2Ba cgydF4y2Ba =gydF4y2Ba DgydF4y2Ba cgydF4y2Ba αgydF4y2Ba ^gydF4y2Ba cgydF4y2Ba 。gydF4y2Ba

更新gydF4y2Ba xgydF4y2Ba tgydF4y2Ba 用上面的方法gydF4y2Ba

应用电视校正gydF4y2Ba xgydF4y2Ba cgydF4y2Ba =gydF4y2Ba xgydF4y2Ba cgydF4y2Ba - - - - - -gydF4y2Ba μgydF4y2Ba γgydF4y2Ba TgydF4y2Ba VgydF4y2Ba (gydF4y2Ba xgydF4y2Ba cgydF4y2Ba )gydF4y2Ba /gydF4y2Ba xgydF4y2Ba cgydF4y2Ba ,在那里gydF4y2Ba μgydF4y2Ba 是最小的参数,由line-decreasing整体罚函数,选择或温和的固定步长值保证收敛。gydF4y2Ba

更新的阈值gydF4y2Ba γgydF4y2Ba =gydF4y2Ba γgydF4y2Ba - - - - - -gydF4y2Ba λgydF4y2Ba 。gydF4y2Ba

如果gydF4y2Ba γgydF4y2Ba >gydF4y2Ba λgydF4y2Ba ,返回步骤2。完成。gydF4y2Ba

(3)消除干扰gydF4y2Ba。首先,我们使用迭代清洗算法降噪每一层提出的男性'shchikov et al。gydF4y2Ba 34gydF4y2Ba]。清洗算法采用全球single-scale强度阈值图像,随着大规模背景有效地过滤掉了空间分解。这种迭代算法自动发现截止电平之间的信号噪声的重要来源和背景在每个规模。接下来,我们加强细节的卡通层和结构层。gydF4y2Ba

(4)组合和提取gydF4y2Ba。提取的纤维,我们第一次合并卡通层和文本层为每个图像分层。因为丝是不规则的,和结构纤维存在的卡通层和结构层,是不适当的使用一个组件来表示纤维。例如,如果我们只使用卡通层代表丝,丝可能会失去一些纹理。因此,我们合并卡通层和文本层更好地代表细丝。接下来,分层子图象产生细丝被添加在一起。最后,我们应用分水岭算法来突出细丝的轮廓。gydF4y2Ba

通过应用MCA分解一个真实的图像,可以获得新功能(组件)。这将导致更好的图像可分性。此外,光滑的组件有一个更好的比原始图像的信噪比。gydF4y2Ba

 3所示。提取结果gydF4y2Ba 3.1。一个模拟的结果图像gydF4y2Ba

之前我们的方法应用到真实的无线电天文图像,我们模拟一个由直丝的形象gydF4y2Ba 3gydF4y2Ba 7gydF4y2Ba ′gydF4y2Ba ′gydF4y2Ba 应用规模,一连串的来源gydF4y2Ba 2gydF4y2Ba 4gydF4y2Ba ′gydF4y2Ba ′gydF4y2Ba 应用规模,一个简单的背景gydF4y2Ba 400年gydF4y2Ba 0gydF4y2Ba ′gydF4y2Ba ′gydF4y2Ba 应用规模,适度噪声和噪声水平= 1.05测试改进算法(图gydF4y2Ba 2(一个)gydF4y2Ba)。中提到的仿真方法是一样的,男人'shchikov et al。gydF4y2Ba 14gydF4y2Ba]。在模拟图像,空间只有一个组件,而我们的方法假设有许多空间组件,这是类似于真正的天文图片。换句话说,即使只有一个空间组件,我们的方法也会把它当作许多组件。gydF4y2Ba

模拟的结果图像获得使用MCA没有卷积和去噪。(一)原始图像模拟。(b)卡通层。(c)纹理层。没有去噪(d)重建的细丝。(e)剩余工资。gydF4y2Ba

我们第一次使用MCA方法提取丝没有卷积和去噪(图gydF4y2Ba 2gydF4y2Ba)。在图gydF4y2Ba 2 (c)gydF4y2Ba、纹理层(特别是在该地区的红色框)仍然含有纤维结构的一部分,这意味着使用卡通层代表细丝是不够的。因此有必要结合卡通层和结构层。然而,噪音和来源也存在于结构层。如果两层直接结合,重建的细丝(图包含噪声和来源gydF4y2Ba 2 (d)gydF4y2Ba),所以有必要去噪前的组合。gydF4y2Ba

接下来,使用我们的改进方法提取结果如图所示gydF4y2Ba 3gydF4y2Ba。对比图gydF4y2Ba 2 (d)gydF4y2Ba重建的细丝,如图gydF4y2Ba 3 (e)gydF4y2Ba包含更少的噪音。灯丝的边缘是不真实的分解的结果。gydF4y2Ba

模拟图像的提取结果使用我们的方法获得。(一)原始图像模拟。(b)卷积后40子图象。(c)卡通层分解和去噪后的40子图象。(d)纹理层40分解后子图象去噪。(e)重建的细丝。(f)剩余工资。gydF4y2Ba

 3.2。结果天文图像gydF4y2Ba 3.2.1之上。分解和去噪结果gydF4y2Ba

针对真实的无线电天文图像,我们比较我们的方法的提取结果与getfilaments方法。我们雇佣来自GALFA-HI阿雷西博为例的数据图像。赤道坐标(12.00 h +的对象gydF4y2Ba 10.3gydF4y2Ba 5gydF4y2Ba ∘gydF4y2Ba ),对象名称是“GALFA-HI RA + 12月瓷砖004.00 + 02.35。数据立方体包含2048个图像在不同的速度(对当地标准固定系统)。这里我们选择715图像从2048年原始图像的实验图像(图gydF4y2Ba 4gydF4y2Ba)。在实验图像,丝描述显著细长的结构。第715届图像的卷积后,我们得到99层(子图象)在不同的尺度上(图gydF4y2Ba 5gydF4y2Ba),并选择作为比较的例子(图40子图象gydF4y2Ba 5 (b)gydF4y2Ba)。为了正确显示图像,提高视觉对比getfilaments和我们的方法,我们用不同的颜色根据标志图像强度(单位:MJy / sr)的形象。gydF4y2Ba

从GALFA-HI第715原始图像。(一)原始图像进行实验。为更好的视觉对比(b)的彩色图像。gydF4y2Ba

图像在不同尺度卷积后的第715形象。选择40子图象作为比较的例子。(一)第一子图象。(b) 40子图象。(c) 60子图象。(d)第80子图象。gydF4y2Ba

首先,我们应用MCA算法处理图像层在应用迭代之前清洗算法。节中描述gydF4y2Ba 2.2gydF4y2Ba,我们选择曲波卡通层字典和LDCT MCA的纹理层字典。我们将每个分层图像分解的卡通层和结构层(图gydF4y2Ba 6gydF4y2Ba)。卡通层包含图像的平滑部分,保留了大部分的灯丝的分层图像低频信息。结构层的频率较高。纹理层包含更多的边缘信息,很难在分层的杰出的视觉图像。纹理层也是灯丝的一部分。纹理层还包含灯丝的一部分。它显示了一些文物,可能是由于DCT纹理层;去噪后这些文物可以删除。gydF4y2Ba

使用MCA分解40子图象获得的结果。(一)使用MCA算法获得的卡通层。(b)使用MCA算法获得的纹理层。gydF4y2Ba

然后设置不同的卡通层和结构层,合理阈值分别迭代清洗算法应用到卡通层和结构层去除噪声(如图gydF4y2Ba 7gydF4y2Ba)。对比图gydF4y2Ba 6 (b)gydF4y2Ba,图gydF4y2Ba 7 (b)gydF4y2Ba几乎不含文物。gydF4y2Ba

去噪的结果获得的卡通层和结构层用迭代的算法。(a)的卡通层40子图象去噪结果。(b)去噪结果40子图象的纹理层。gydF4y2Ba

接下来,卡通层和结构层的融合是根据强度比率(例如,信息的纹理层是扩大5倍)。小结构可以保留和干扰信息删除。处理结果融合后如图gydF4y2Ba 8 (c)gydF4y2Ba。允许与我们的方法,我们也使用迭代清洗算法直接处理40子图象;结果如图所示gydF4y2Ba 8 (b)gydF4y2Ba。gydF4y2Ba

40子图象去噪结果。(一)原40子图象。(b) 40子图象获得的直接使用迭代清洗算法。(c) 40 MCA分解后子图象去噪和融合。gydF4y2Ba

见图gydF4y2Ba 8 (b)gydF4y2Ba40子图象中,大部分的噪音被清洗。然而,getfilaments方法集只有一个噪声阈值,和值小于阈值被清除。这可能清楚灯丝的弱信息。如红框的图所示gydF4y2Ba 8 (b)gydF4y2Ba灯丝,弱的部分是直接删除。图gydF4y2Ba 8 (c)gydF4y2Ba是在MCA分解去噪图像。长丝的结构比委员会更完整的b。设置不同的阈值的噪声方差两个部分可以避免删除有用的信息,特别是在该地区的红盒子。我们的方法不仅从卡通中删除噪声层和结构层也加强了图像合成过程中的细节。应用MCA提取丝可以保留多少丝的结构信息。gydF4y2Ba

 3.2.2。提取结果gydF4y2Ba

最后,分层子图象加在一起生产长丝。图gydF4y2Ba 9gydF4y2Ba显示了使用getfilaments算法提取结果。图gydF4y2Ba 9(一个)gydF4y2Ba由getfilaments提取的纤维做的。相对于输入灯丝在图gydF4y2Ba 3(一个)gydF4y2Ba,大部分噪音是灯丝的清洗和结构也删除(在红框标记数据gydF4y2Ba 9 (b)gydF4y2Ba和gydF4y2Ba 9 (c)gydF4y2Ba)。使用我们的方法提取结果如图所示gydF4y2Ba 10gydF4y2Ba。与getfilaments方法相比,我们的方法获得丝更加完整,排除了噪声,保留了更多的结构信息,尤其是在三个领域的红色盒子(数字gydF4y2Ba 10 (b)gydF4y2Ba和gydF4y2Ba 10 (c)gydF4y2Ba)。gydF4y2Ba

使用getfilaments算法提取结果。(一)提取的灯丝。删除部分信息,包括噪音和结构。(b)提取的灯丝与颜色的对比。灯丝结构清洗三个地方。(c)轮廓提取的灯丝。(d)残差减法后从原始输入图像提取的灯丝。gydF4y2Ba

使用我们的方法提取结果。(一)Un-colored提取的灯丝。噪声去除,长丝的结构被保留。(b)颜色的提取的灯丝。相比灯丝在图gydF4y2Ba 9 (b)gydF4y2Ba长丝的结构更加完整,尤其是在三个地方。(c)轮廓提取。(d)残差减法后的丝从原始图像中提取。gydF4y2Ba

 3.3。峰值信噪比gydF4y2Ba

我们比较图像的峰值信噪比(PSNR)由getfilaments处理算法与我们的方法。峰值信噪比是客观的标准,提高了使用最广泛的对图像质量进行评估。图像PSNR值较高时噪音少。PSNR值定义如下:gydF4y2Ba (7)gydF4y2Ba PgydF4y2Ba 年代gydF4y2Ba NgydF4y2Ba RgydF4y2Ba =gydF4y2Ba 10gydF4y2Ba ∗gydF4y2Ba lgydF4y2Ba ogydF4y2Ba ggydF4y2Ba 10gydF4y2Ba 2gydF4y2Ba ngydF4y2Ba - - - - - -gydF4y2Ba 1gydF4y2Ba 2gydF4y2Ba 米gydF4y2Ba 年代gydF4y2Ba EgydF4y2Ba 。gydF4y2Ba 在哪里gydF4y2Ba 米gydF4y2Ba 年代gydF4y2Ba EgydF4y2Ba 均方误差(即。,difference) between the original image and the image after noise is superimposed and n is 8 since pixels are represented using 8 bits per sample.

不同强度的噪音花白,我们分析图像的psnr值由不同的方法进行处理。表gydF4y2Ba 1gydF4y2Ba显示图像的PSNR值处理使用我们的改进方法是总是高于getfilaments方法,这意味着图像处理MCA减少噪音。gydF4y2Ba

使用不同的方法处理的图像PSNR值比较。gydF4y2Ba

噪声强度gydF4y2Ba 图像处理的不同的方法gydF4y2Ba
原始gydF4y2Ba GetfilamentsgydF4y2Ba 我们的方法gydF4y2Ba
0.1gydF4y2Ba 18.2545gydF4y2Ba 18.3443gydF4y2Ba 18.5836gydF4y2Ba
0.15gydF4y2Ba 15.4864gydF4y2Ba 16.5203gydF4y2Ba 16.8379gydF4y2Ba
0.2gydF4y2Ba 14.9552gydF4y2Ba 15.3325gydF4y2Ba 15.7445gydF4y2Ba
0.3gydF4y2Ba 13.2314gydF4y2Ba 13.7914gydF4y2Ba 13.8200gydF4y2Ba
0.5gydF4y2Ba 11.2925gydF4y2Ba 11.3277gydF4y2Ba 11.8972gydF4y2Ba
数据可用性gydF4y2Ba

数据后缀为适合用于支持本研究的发现是由中国国家天文台在许可证,所以不能免费提供。gydF4y2Ba

 信息披露gydF4y2Ba

f .问:段gydF4y2Ba现在的地址是信息科学与技术学院,北京师范大学,北京,中国。作者提出了这项工作在2016年天文数据分析系统和软件的会议。gydF4y2Ba

 的利益冲突gydF4y2Ba

作者宣称没有利益冲突。gydF4y2Ba

 确认gydF4y2Ba

这项研究是由中国国家自然科学基金(没有。41272359),国土资源部对公益性行业科研项目(201511079 - 02),和博士项目基金会中国教育部(20120003110032)。gydF4y2Ba

 男人'shchikovgydF4y2Ba 一个。gydF4y2Ba 安德烈gydF4y2Ba P。gydF4y2Ba DidelongydF4y2Ba P。gydF4y2Ba 纤维结构和紧凑的对象在天鹰座和北极星云由赫歇尔发现gydF4y2Ba 天文学和天体物理学gydF4y2Ba 2010年gydF4y2Ba 518年,文章L103gydF4y2Ba 7gydF4y2Ba 戈麦斯gydF4y2Ba g . C。gydF4y2Ba Vazquez-SemadenigydF4y2Ba E。gydF4y2Ba 丝在模拟分子云的形成gydF4y2Ba 《天体物理学杂志》上gydF4y2Ba 2014年gydF4y2Ba 791年gydF4y2Ba 2、第6298条gydF4y2Ba 帕多安gydF4y2Ba P。gydF4y2Ba NordlundgydF4y2Ba 一个。gydF4y2Ba 恒星初始质量函数从动荡的碎片gydF4y2Ba 《天体物理学杂志》上gydF4y2Ba 2002年gydF4y2Ba 576年gydF4y2Ba 2gydF4y2Ba 870年gydF4y2Ba 879年gydF4y2Ba 10.1086/341790gydF4y2Ba 2 - s2.0 - 0042140374gydF4y2Ba 安德烈gydF4y2Ba P。gydF4y2Ba 男人'shchikovgydF4y2Ba 一个。gydF4y2Ba BontempsgydF4y2Ba 年代。gydF4y2Ba 从细丝的云prestellar IMF恒星核心:最初强调从赫歇尔古尔德带调查gydF4y2Ba 天文学和天体物理学gydF4y2Ba 2010年gydF4y2Ba 518条,gydF4y2Ba 7gydF4y2Ba 10.1051 / 0004 - 6361/201014666gydF4y2Ba 莫伦纳gydF4y2Ba 年代。gydF4y2Ba SwinyardgydF4y2Ba B。gydF4y2Ba 倍力gydF4y2Ba J。gydF4y2Ba 云、细丝和原恒星:赫歇尔Hi-GAL银河系gydF4y2Ba 天文学和天体物理学gydF4y2Ba 2010年gydF4y2Ba 518年gydF4y2Ba 5gydF4y2Ba L100gydF4y2Ba KerešgydF4y2Ba D。gydF4y2Ba 卡茨gydF4y2Ba N。gydF4y2Ba 温伯格gydF4y2Ba d . H。gydF4y2Ba 戴夫gydF4y2Ba R。gydF4y2Ba 星系是如何得到他们的气体?gydF4y2Ba 皇家天文学会月刊gydF4y2Ba 2005年gydF4y2Ba 363年gydF4y2Ba 1gydF4y2Ba 2gydF4y2Ba 28gydF4y2Ba 2 - s2.0 - 26444504815gydF4y2Ba KerešgydF4y2Ba D。gydF4y2Ba 卡茨gydF4y2Ba N。gydF4y2Ba FardalgydF4y2Ba M。gydF4y2Ba 戴夫gydF4y2Ba R。gydF4y2Ba 温伯格gydF4y2Ba d . H。gydF4y2Ba 宇宙星系在模拟ΛcDM——即冷模式和热内核gydF4y2Ba 皇家天文学会月刊gydF4y2Ba 2009年gydF4y2Ba 395年gydF4y2Ba 1gydF4y2Ba 160年gydF4y2Ba 179年gydF4y2Ba 2 - s2.0 - 64549098672gydF4y2Ba ShandaringydF4y2Ba 美国F。gydF4y2Ba ZeldovichgydF4y2Ba y . B。gydF4y2Ba 宇宙大尺度结构的:湍流,间歇性,结构自引力介质gydF4y2Ba 现代物理学的评论gydF4y2Ba 1989年gydF4y2Ba 61年gydF4y2Ba 2gydF4y2Ba 185年gydF4y2Ba 220年gydF4y2Ba 10.1103 / revmodphys.61.185gydF4y2Ba MR989562gydF4y2Ba 麦基gydF4y2Ba c F。gydF4y2Ba 考伊gydF4y2Ba L . L。gydF4y2Ba 之间的交互超新星遗迹和星际云的冲击波gydF4y2Ba 《天体物理学杂志》上gydF4y2Ba 1975年gydF4y2Ba 195年gydF4y2Ba 715年gydF4y2Ba 725年gydF4y2Ba 10.1086/153373gydF4y2Ba CasassusgydF4y2Ba 年代。gydF4y2Ba van der塑料gydF4y2Ba G。gydF4y2Ba 塞巴斯蒂安·佩雷斯gydF4y2Ba M。gydF4y2Ba 流动的气体通过一个行星的差距gydF4y2Ba 自然gydF4y2Ba 2013年gydF4y2Ba 493年gydF4y2Ba 191年gydF4y2Ba 194年gydF4y2Ba 施耐德gydF4y2Ba N。gydF4y2Ba CsengerigydF4y2Ba T。gydF4y2Ba HennemanngydF4y2Ba M。gydF4y2Ba Cluster-formation莲座状的分子云的连接丝(勘误表)gydF4y2Ba 天文学和天体物理学gydF4y2Ba 2013年gydF4y2Ba 551年,C1条gydF4y2Ba 1gydF4y2Ba HennebellegydF4y2Ba P。gydF4y2Ba 巴纳吉gydF4y2Ba R。gydF4y2Ba Vazquez-SemadenigydF4y2Ba E。gydF4y2Ba KlessengydF4y2Ba r S。gydF4y2Ba 审计gydF4y2Ba E。gydF4y2Ba 从温暖的磁化介质分子云gydF4y2Ba 天文学和天体物理学gydF4y2Ba 2008年gydF4y2Ba 486年gydF4y2Ba 3gydF4y2Ba 承办gydF4y2Ba L46gydF4y2Ba 2 - s2.0 - 47749133733gydF4y2Ba TugaygydF4y2Ba 答:V。gydF4y2Ba 银河系外的灯丝检测层平滑方法gydF4y2Ba 物理gydF4y2Ba 2014年gydF4y2Ba 1gydF4y2Ba https://arxiv.org/abs/1410.2971gydF4y2Ba 男人'shchikovgydF4y2Ba 一个。gydF4y2Ba 一个多尺度纤维提取方法:getfilamentsgydF4y2Ba 天文学和天体物理学gydF4y2Ba 2013年gydF4y2Ba 560年,文章A63gydF4y2Ba 15gydF4y2Ba 考克斯gydF4y2Ba n . l . J。gydF4y2Ba ArzoumaniangydF4y2Ba D。gydF4y2Ba 安德烈gydF4y2Ba Ph值。gydF4y2Ba 单纤维的结构和磁场取向在苍蝇座gydF4y2Ba 天文学和天体物理学gydF4y2Ba 2016年gydF4y2Ba 590年,文章A110gydF4y2Ba 8gydF4y2Ba 波宾gydF4y2Ba J。gydF4y2Ba 斯塔克gydF4y2Ba J.-L。gydF4y2Ba FadiligydF4y2Ba J。gydF4y2Ba 莫gydF4y2Ba Y。gydF4y2Ba 稀疏盲源分离和形态多样性gydF4y2Ba IEEE图像处理gydF4y2Ba 2007年gydF4y2Ba 16gydF4y2Ba 11gydF4y2Ba 2662年gydF4y2Ba 2674年gydF4y2Ba 2 - s2.0 - 36348936685gydF4y2Ba 斯塔克gydF4y2Ba j·L。gydF4y2Ba 兰德gydF4y2Ba M。gydF4y2Ba DonohogydF4y2Ba d . L。gydF4y2Ba 通过结合稀疏表示图像分解和变分方法gydF4y2Ba IEEE图像处理gydF4y2Ba 2005年gydF4y2Ba 14gydF4y2Ba 10gydF4y2Ba 1570年gydF4y2Ba 1582年gydF4y2Ba Velasco-ForerogydF4y2Ba 年代。gydF4y2Ba AngulogydF4y2Ba J。gydF4y2Ba 张量的高光谱图像分类建模和添加剂形态分解gydF4y2Ba 模式识别gydF4y2Ba 2013年gydF4y2Ba 46gydF4y2Ba 2gydF4y2Ba 566年gydF4y2Ba 577年gydF4y2Ba 10.1016 / j.patcog.2012.08.011gydF4y2Ba 2 - s2.0 - 84867399355gydF4y2Ba 严gydF4y2Ba lgydF4y2Ba 小华gydF4y2Ba X。gydF4y2Ba Jian-HuanggydF4y2Ba lgydF4y2Ba 基于形态成分分析面临的幻觉gydF4y2Ba 信号处理gydF4y2Ba 2013年gydF4y2Ba 93年gydF4y2Ba 2gydF4y2Ba 445年gydF4y2Ba 458年gydF4y2Ba 雪gydF4y2Ba Z。gydF4y2Ba 李gydF4y2Ba J。gydF4y2Ba 程gydF4y2Ba lgydF4y2Ba 杜gydF4y2Ba P。gydF4y2Ba Spectral-spatial通过形态成分分析的高光谱数据分类图像分离gydF4y2Ba IEEE地球科学和遥感gydF4y2Ba 2015年gydF4y2Ba 53gydF4y2Ba 1gydF4y2Ba 70年gydF4y2Ba 84年gydF4y2Ba 10.1109 / TGRS.2014.2344714gydF4y2Ba 2 - s2.0 - 84907482167gydF4y2Ba SzolgaygydF4y2Ba D。gydF4y2Ba SziranyigydF4y2Ba T。gydF4y2Ba 自适应图像分解成卡通和纹理部分正交优化的标准gydF4y2Ba IEEE图像处理gydF4y2Ba 2012年gydF4y2Ba 3405年gydF4y2Ba 3415年gydF4y2Ba BuadesgydF4y2Ba 一个。gydF4y2Ba 勒gydF4y2Ba T。gydF4y2Ba 莫雷尔gydF4y2Ba 人类。gydF4y2Ba VesegydF4y2Ba lgydF4y2Ba 快卡通+纹理图像过滤器gydF4y2Ba IEEE地球科学和遥感gydF4y2Ba 2010年gydF4y2Ba 19gydF4y2Ba 8gydF4y2Ba 余gydF4y2Ba C。gydF4y2Ba 邱gydF4y2Ba Q。gydF4y2Ba 赵gydF4y2Ba Y。gydF4y2Ba 程ydF4y2Ba X。gydF4y2Ba 卫星图像纹理分类使用形态成分分析和动画层gydF4y2Ba IEEE地球科学和遥感信gydF4y2Ba 2013年gydF4y2Ba 10gydF4y2Ba 5gydF4y2Ba 1109年gydF4y2Ba 1113年gydF4y2Ba 10.1109 / LGRS.2012.2232901gydF4y2Ba 2 - s2.0 - 84879930808gydF4y2Ba 香gydF4y2Ba X。gydF4y2Ba 小君gydF4y2Ba lgydF4y2Ba 鑫gydF4y2Ba H。gydF4y2Ba Dalla色差gydF4y2Ba M。gydF4y2Ba 安东尼奥gydF4y2Ba P。gydF4y2Ba 基于多个形态成分分析的分解遥感图像分类gydF4y2Ba IEEE地球科学和遥感gydF4y2Ba 2016年gydF4y2Ba 54gydF4y2Ba 5gydF4y2Ba 3083年gydF4y2Ba 3102年gydF4y2Ba 10.1109 / tgrs.2015.2460212gydF4y2Ba 2 - s2.0 - 84947018842gydF4y2Ba 鲁丁gydF4y2Ba l . I。gydF4y2Ba OshergydF4y2Ba 年代。gydF4y2Ba 法特米gydF4y2Ba E。gydF4y2Ba 基于非线性全变差的噪声去除算法gydF4y2Ba 自然史D非线性现象gydF4y2Ba 1992年gydF4y2Ba 60gydF4y2Ba 1 - 4gydF4y2Ba 259年gydF4y2Ba 268年gydF4y2Ba 江gydF4y2Ba L . L。gydF4y2Ba 阴gydF4y2Ba h . Q。gydF4y2Ba 冯gydF4y2Ba x C。gydF4y2Ba 减少自适应变分模型的图像分解结合楼梯和纹理提取gydF4y2Ba 系统工程与电子技术》杂志上gydF4y2Ba 2009年gydF4y2Ba 20.gydF4y2Ba 2gydF4y2Ba 254年gydF4y2Ba 259年gydF4y2Ba 陈gydF4y2Ba t F。gydF4y2Ba EsedoglugydF4y2Ba 年代。gydF4y2Ba 公园gydF4y2Ba f·E。gydF4y2Ba 减少图像分解结合楼梯和纹理提取gydF4y2Ba 杂志的视觉传达和图像表示gydF4y2Ba 2007年gydF4y2Ba 18gydF4y2Ba 6gydF4y2Ba 464年gydF4y2Ba 486年gydF4y2Ba 萤石gydF4y2Ba e . J。gydF4y2Ba DonohogydF4y2Ba d . L。gydF4y2Ba 曲波、多分辨率表示和比例法gydF4y2Ba 2000gydF4y2Ba 斯塔克gydF4y2Ba J.-L。gydF4y2Ba 萤石gydF4y2Ba e . J。gydF4y2Ba DonohogydF4y2Ba d . L。gydF4y2Ba 曲波变换的图像去噪gydF4y2Ba IEEE图像处理gydF4y2Ba 2002年gydF4y2Ba 11gydF4y2Ba 6gydF4y2Ba 670年gydF4y2Ba 684年gydF4y2Ba 文森特gydF4y2Ba lgydF4y2Ba SoillegydF4y2Ba P。gydF4y2Ba 形态学分割的二元模式gydF4y2Ba 模式识别的字母gydF4y2Ba 1991年gydF4y2Ba 劳伦特gydF4y2Ba N。gydF4y2Ba 米歇尔gydF4y2Ba 年代。gydF4y2Ba 测地线凸起的分水岭轮廓和分层分割gydF4y2Ba 18卷,1163年,1996年gydF4y2Ba 迈耶gydF4y2Ba F。gydF4y2Ba 流域上加权图gydF4y2Ba 模式识别的字母gydF4y2Ba 2014年gydF4y2Ba 47gydF4y2Ba 72年gydF4y2Ba 79年gydF4y2Ba 只是gydF4y2Ba F。gydF4y2Ba •gydF4y2Ba c . L . L。gydF4y2Ba 一个高效的算法准确评估随机分水岭gydF4y2Ba 模式识别的字母gydF4y2Ba 2014年gydF4y2Ba 47gydF4y2Ba 80年gydF4y2Ba 84年gydF4y2Ba 男人'shchikovgydF4y2Ba 一个。gydF4y2Ba 安德烈gydF4y2Ba P。gydF4y2Ba DidelongydF4y2Ba P。gydF4y2Ba 多尺度、多源提取方法:getsourcesgydF4y2Ba 天文学和天体物理学gydF4y2Ba 2012年gydF4y2Ba 542年,文章A81gydF4y2Ba 31日gydF4y2Ba 2 - s2.0 - 84862203374gydF4y2Ba