基于梯度方向的非局部均值图像去噪算法

传统非局部均值去噪算法忽略了像素点邻域灰度值之间的差异,导致图像边缘模糊及细节丢失.因此,利用两个像素点邻域之间的梯度方向在添加噪声前后仍具有相似性的特点,提出一种基于梯度方向的非局部均值图像去噪算法.首先,对含有噪声的图像进行高斯滤波预处理;其次,充分利用区域的梯度信息和邻域块之间的灰度值共同确定权重,对邻域块之间进行更好的相似性判断,进而优化传统非局部均值滤波算法.实验结果表明,相比传统的非局部均值算法,本文算法可保留更多的图像细节信息,得到更优的去噪性能.     

基于差分曲率的非局部均值图像降噪算法

传统非局部均值滤波算法忽略了图像块之间的结构相似性,造成搜寻相似像素不充分,使得一些图像细节被滤除.因此,利用差分曲率对图像边缘和斜坡等结构信息的良好检测性能,提出了一种基于差分曲率的非局部均值降噪算法.该方法充分利用图像块之间灰度值和差分曲率的欧氏距离共同确定权重,对图像块之间进行更好的相似性判断,进而优化传统非局部均值滤波算法.实验结果表明,与传统的非局部均值降噪算法相比,新算法能有效地保持图像边缘细节等信息,改善了传统非局部均值算法的去噪性能,取得了良好的降噪效果.     

一种新的自适应边缘保持滤波算法

在进行图像去噪时,为解决兼顾降低噪声和保留细节的难题,提出了一种新的自适应边缘保持滤波算法——区域灰度值最小方差的均值滤波算法．算法在图像去噪过程中利用邻域区间中各像素点之间的相互关联性,在8个方向上对像素点进行处理,具有较强的相关性和自适应性．利用该算法对随机噪声和椒盐噪声进行仿真去噪试验,结果表明,与已有的去噪算法相比,所提算法在去除噪声的同时较好地保持了图像的边缘、细节信息．     

基于边缘增强和快速非局部均值的边缘图像去噪

针对全变分模型不能很好的保持图像边缘信息这一问题,有学者提出了基于边缘定向增强扩散模型,但该模型对图像细节处理不够.快速非局部均值(Fast Non-local means, FNLM)算法利用图像的自相关性与结构信息的冗余性,提高了去噪效果,但不能同时最大限度保持图像边缘信息又抑制平坦区域噪声.由于通过利用结构张量性质,可获取图像的边界、拐角、纹理等重要信息,本文引入结构张量改进边缘定向增强扩散模型,保持了图像边缘,并在此基础上提出了一种基于边缘增强和快速非局部均值的边缘图像去噪模型.该模型通过选取不同的边缘增强正则化参数,根据图像扩散幅度不同,获取带有纹理及噪声的边缘图像;然后对该边缘图像进行FNLM去噪,即过滤出图像原有的纹理结构信息;最后将之反馈到之前的边缘增强去噪图像中.实验结果表明,该方法不仅能够保留较多的纹理细节信息,而且很好的缓解了图像平滑和细节保持的矛盾.     

一种基于加权均值滤波噪声点检测的中值滤波算法

针对常规中值滤波在图像去噪过程中会将原图像的有用信息同时滤除的问题,提出了一种基于加权均值滤波噪声点检测的中值滤波算法.该算法通过含噪图像与其经加权均值滤波的图像作差对图像中的噪声点进行判别,从而针对噪声点进行滤波,能在保持图像原始信息的前提下有效地将图像中的噪声滤除.实验结果表明,与常规中值滤波算法相比,该方法既具有较好的去噪特性,也具有较强的细节保护能力.     

偏差校正的DCT子空间非局部均值MRI图像去噪算法

针对MRI图像中的莱斯( Rician)噪声直接采用高斯白噪声去噪算法仅能取得次优去噪效果这一问题,在DCT子空间非局部均值去噪算法基础上,提出一种偏差校正的DCT子空间非局部均值MRI图像去噪算法。首先分析MRI图像中Rician噪声的特性,给出在MRI模值平方图中估计噪声偏差的方法;然后使用偏差校正的DCT子空间非局部均值MRI图像去噪算法在MRI图像的模值平方图上进行去噪处理。在模拟MRI图像上进行的实验结果表明,该算法在有效去除Rician噪声的同时,很好地保留了器官和软组织的细节纹理信息,取得了较好的去噪效果。     

偏差校正的DCT子空间非局部均值MRI图像去噪算法

针对直接采用高斯白噪声去噪算法去除MRI图像中的莱斯(Rician)噪声仅能取得次优去噪效果这一问题,在DCT子空间非局部均值去噪算法基础上,提出一种偏差校正的DCT子空间非局部均值MRI图像去噪算法。首先分析MRI图像中Rician噪声的特性,给出在MRI模值平方图中估计噪声偏差的方法;然后使用偏差校正的DCT子空间非局部均值MRI图像去噪算法在MRI图像的模值平方图上进行去噪处理。在模拟MRI图像上进行实验,其结果表明,该算法在有效去除Rician噪声的同时,很好地保留了器官和软组织的细节纹理信息,取得了较好的去噪效果。       

基于自适应维纳滤波和2D-VMD的声呐图像去噪算法

声呐图像易产生对比度低、分辨率低、边缘失真等问题,所以在去除声呐图像噪声时难以将有效信号与噪声准确分离,从而导致去噪后图像对比度降低、边缘轮廓不清晰、细节丢失严重等问题.本文提出一种基于自适应维纳滤波和2D-VMD(二维变分模态分解)的声呐图像去噪算法.首先通过二维变分模态分解对含噪图像进行分解,得到一系列不同中心频率的模态分量,利用相关系数和结构相似度筛选出有效的模态分量,并使用自适应维纳滤波处理有效的模态分量,最后将滤波后的模态分量进行重构,从而去除图像中的噪声.实验结果表明:所提图像去噪算法在相关系数(CC)、结构相似度(SSIM)这两项客观数据上表现最优,峰值信噪比(PSNR)略低于NSST域去噪,综合客观数据与视觉效果,本文所提算法去除噪声后的图像细节和边缘保持能力效果最佳.     

全变分图像去噪的研究

图像去噪是图像处理中的重要环节之一。本文介绍了保持边缘细节效果较好的全变分去噪方法,分析了全变分法去噪的原理。实验结果表明与中值去噪算法相比,全变分算法能有效抑制图像噪声,并能更好地保持图像边缘细节。     

基于非局部均值滤波的医学CT图像去噪算法

提出一种基于梯度结构相似性的非局部均值去噪算法,算法利用梯度结构相似性改进传统非局部均值去噪算法的小块权值,通过欧式距离与梯度结构相似性参数结合更好地去除噪声,同时采用改进的双核函数代替传统指数函数计算权值,通过在肝脏和肺部图像上实验,对比传统非局部均值去噪算法和改进非局部均值去噪算法,证明本文算法去噪效果更好,同时还保持了边缘结构。