矿区遥感图像去噪方法研究

去噪是矿区遥感图像得以有效应用的重要预处理步骤。现有的基于统计、基于域变换、基于学习等遥感图像去噪方法普遍存在细节过度平滑、纹理保持不足等问题。基于引导滤波良好的边缘保持特性,提出了迭代引导滤波方法,通过对残差信息进行引导映射,并迭代进行引导滤波及超参数收缩,增强了遥感图像边缘特征提取效果;将迭代引导滤波与传统的小波软阈值、非局部均值(NLM)滤波、三维块匹配(BM3D)滤波等去噪方法结合,有效提高了传统方法的峰值信噪比,其中NLM滤波、BM3D滤波的去噪性能提升效果最明显;将迭代引导滤波与BM3D滤波融合,通过BM3D滤波初步获取去噪图像,得到残差数据,然后采用迭代引导滤波对残差数据进行处理,在提升图像去噪效果的同时,很好地保持了图像细节特征;将迭代引导滤波与BM3D滤波融合方法用于矿区遥感图像的煤矸石场识别及滑坡区域边缘识别,取得了较好的效果。     

结合视觉显著性的图像去噪优化算法

图像在采样、处理、传输及存储过程中受到噪声干扰,导致图像的视觉信息衰退,而人眼对图像中不同区域噪声的敏感程度不同,因此提出了结合视觉显著性的图像去噪优化算法。首先利用视觉显著性对噪声图像进行预处理,得到噪声图像中人眼感兴趣的区域;然后运用对图像纹理保护较好的BM3D算法对该区域进行去噪处理,对非感兴趣的区域采用运算速度较快的算术均值滤波算法实现去噪处理。结果表明,该方法不仅可以获得较高的主观图像质量评价,而且在客观上相比于单纯地使用BM3D算法去噪,运算时间明显缩短。     

基于BM3D图像去噪算法的参数研究

BM3D算法是目前最好的图像去噪算法之一,最近提出的很多更有效的去噪算法都是以BM3D算法作为对比基准。BM3D算法先通过块匹配生成三维矩阵,然后在三维变换域去噪,最后逆变换还原图片。通过对BM3D算法的深入研究,发现BM3D算法的性能与它的参数密切相关。针对BM3D算法的参数进行了实验统计,并对BM3D算法的参数设置进行了总结。实验不仅验证了BM3D算法在图像去噪方面取得了较好效果,而且为BM3D算法的参数设定提供了借鉴。     

基于结构聚类的图像去噪

为了克服传统BM3D去噪算法的不足,根据图像局部结构相似性提出了基于结构聚类的图像去噪算法。首先根据均值进行粗聚类构成块群;其次利用鲁棒数据归一化构造结构相似子群;最后对子群进行去噪,如果子群容量大于1,运用BM3D对该子群进行去噪处理,反之,运用基于阈值的DCT去噪算法对该块进行去噪。实验结果表明,该算法保护了图像的结构信息,相对于传统BM3D算法提高了图像的视觉效果。     

图像去噪方法概述

在现实场景中,由于设备和系统不完善或存在弱光环境导致采集的图像存在噪声,图像在压缩和传输过程中也会受到额外噪声的影响,给后续的图像分割、特征提取等处理造成干扰.传统去噪方法利用图像的非局部自相似性(NLSS)特性和变换域中的稀疏表示,基于块匹配和三维滤波(BM3D)的方法展现出了强大的图像去噪性能.随着人工智能的发展,基于深度学习的图像去噪方法取得了较为突出的表现.但是到目前为止几乎没有相关研究对图像去噪的方法进行全面的比较.针对传统的图像去噪方法及近年来兴起的基于深度神经网络的图像去噪方法,首先介绍了经典的传统去噪和深度神经网络去噪方法的基本框架,并对去噪方法进行了分类总结.然后在公共去噪数据集上对现有的去噪方法进行了定量和定性方面的分析比较.最后在图像去噪领域指出了一些潜在的挑战和未来研究的方向.     

一种抑制图像阶梯效应的改进全变分去噪方法

针对全变分图像去噪算法中处理边缘区域与平滑区域相互冲突从而导致阶梯效应的问题,提出利用局部梯度阈值对两者进行分开滤波去噪的方法。在分析现有利用小波变换进行噪声预测的基础上,提出更精确的改进预测算法;通过实验,得到局部梯度阈值与噪声方差的关系方程,以及最优梯度阈值的估算方法;给出改进算法的步骤与迭代方法。实验结果表明,该算法能有效去除图像上的高斯噪声、获得较好的边缘保护效果,同时能克服全变分去噪后复原图像出现阶梯效应的问题。     

结合加权核范数与全变分的图像二级去噪

为提升图像去噪后的视觉感受,提出一种加权核范数最小化（WNNM）结合全变分（TV）的二级图像降噪方法。首先对含噪图像进行TV基础去噪,其次用噪声图像与基础去噪结果图做差分运算,并对差分后的结果自适应维纳滤波,然后将滤波后图像与基础TV降噪图像叠加,利用块匹配做相似补丁收集,最后运用加权核范数最小化进行二次去噪,得到最终降噪图像。通过与原WNNM、三维块匹配去噪（BM3D）、漏斗自相似非局部去噪（FNLM）方法对比,该方法不仅对平滑区域有较优的降噪效果,同时处理了漏斗自相似非局部去噪与BM3D在高噪声情况下带来花斑与假条纹状况,并且使结构纹理信息最大化相似。     

基于高阶奇异值分解和均方差迭代的图像去噪

目的 图像去噪是图像处理的难题,其难点是在尽量滤除噪声的同时对图像信息进行保持。针对该难点,本文提出了一种将非局部相似性和高阶奇异值分解(HOSVD)相融合,并利用均方差(MSE)迭代对图像进行去噪的iHOSVD算法。方法 首先利用非局部相似块聚类和高阶奇异值分解构建数据自适应的3维变换基及其变换系数;其次,对变换系数进行阈值处理后进行3维反变换,从而达到非局部协同滤波的目的;最后,由于一次去噪操作无法达到理想的去噪效果,采用一种基于均方差最优的迭代方法对图像进行去噪,并证明该迭代是一个权衡偏差和方差使得均方差达到最优的过程。结果 实验结果表明,iHOSVD算法既能够有效地去除噪声,又能够很好地保持纹理细节信息。结论 本文所提的图像去噪iHOSVD算法结合了非局部协同滤波与数据自适应去噪的思想,通过对3种高水平去噪算法BM3D、NCSR和PLOW的比较实验发现,不仅表现了较强的图像去噪能力,而且在图像纹理细节保持方面效果最好,适用于纹理信息较强的图像。     

基于形状自适应PCA的三维块匹配图像去噪

三维块匹配法中3-D变换真实信号的稀疏表达能力较弱,针对该问题,提出一种关于图像去噪的三维块匹配(BM3D)改进算法。采用形状自适应的图像块(邻域)代替BM3D算法中的平方窗图像块,对3-D变换处理的形状自适应图像块进行PCA变换。实验结果证明,该算法能够有效去除图像的高斯噪声,提高图像的峰值性噪比和结构相似度,且在保持图像的边缘等细节信息方面性能较好,图像视觉效果有明显改善。     

小波域三维块匹配图像去噪

提出了一种关于图像去噪的三维块匹配算法（BM3D算法）的改进算法。它不仅保留了三维块匹配算法好的性质,而且最大的优点是能大大减少计算量,缩短运算时间。算法包括三个步骤：首先,对含噪图像进行小波分解;其次,对小波分解后的高频分量用三维块匹配（BM3D）算法进行去噪处理;最后,用处理后的结果进行小波重构得到去噪图像。给出了该算法的详细实现过程,并把它与以前的三维块匹配算法进行了比较。结果表明,改进后的算法,不但保留了三维块匹配算法在去噪方面好的性质,而且大大减少了运算量。     

无监督多重非局部融合的图像去噪方法

非局部均值去噪(Non-local means,NLM)算法利用图像的自相似性,取得了很好的去噪效果.然而,NLM算法对图像中不相似的邻域块分配了过大的权重,此外算法的搜索窗大小和滤波参数等通常是固定的且无法根据图像内容的变化做出自适应的调整.针对上述问题,本文提出一种无监督多重非局部融合(Unsupervised m...     

一种新的全变分块匹配声呐图像降噪算法研究

乘性斑点噪声广泛存在于声呐图像中,严重影响图像质量,该噪声服从瑞利分布 特性。为此,结合基于全变分算法与三维块匹配图像降噪算法(BM3D)设计思路,提出了一种新 的全变分块匹配声纳图像降噪算法。首先对含噪声呐图像利用 2-范数进行块匹配分组;其次由 于声呐图像模糊、纹理细节信息较少等特点,用全变分算法对分组后的图像块进行滤波降噪; 最后对滤波后的图像块进行加权聚类得到降噪后图像。经过实验结果显示,该算法相对于经典 的 Lee 滤波、Frost 滤波、BM3D 和全变分算法有更好的降噪效果。     

BM 3D 算法在低剂量CT图像去噪中的应用

Low-dose CT not only reduces the radiation to human body, but also affects the image quality. Aiming at the problem of large noise in low-dose CT images, BM3D algorithm is applied to the denoising process of CT images in this paper. Based on the idea of non-local block matching, the algorithm firstly looks for image similarity blocks through block matching, then stacks the im- age similarity blocks into 3D matrix and performs collaborative filtering processing, and then aggregates the processing results into the original image blocks to restore the image. Compared with the traditional denoising algorithms, BM3D algorithm has great ad- vantages, better visual effect and significantly higher PSNR value.     

快速网格去噪声算法

消除网格噪声是构造完美三维模型过程中必不可少的一步。通过把图像处理领域中的双向滤波引入到三维网格上，Fleishman等虽已提出了一种快速、简单的网格去噪声算法，但该算法效率较低，且不够稳定，为此提出用准柯西函数和泰勒多项式函数取代该算法所采用的高斯函数，并改进和完善了其中的细节部分，以使算法的效率和稳定性得到进一步提高。最后还讨论了如何选择合适的参数，以达到最佳效果的问题。     

基于卷积盲降噪的混合式核磁共振成像

为了解决图像压缩感知重建研究领域中通过有效的图像先验信息重构与原图相似性高且保留细节消除伪影的高质量图像的问题, 针对不足采样的K空间数据, 在经典的CNN算法CBDNet算法的基础上, 通过融合深度学习先验信息及传统图像恢复各自优势的方法, 研究了基于深度神经网络去噪先验和BM3D块压缩感知算法的混合式重构算法. 该算法采用交互式方法训练多尺度残差网络抑制噪声水平, 借优化选择的方式将深度学习与传统块匹配多尺度结合以提取图像不同尺度的特征数据从而实现抑制伪影、快速重建高质量MRI. 实结果表明深度学习结合BM3D在MR图像重构领域能够有效降低伪影保留细节信息, 加强重构效果. 与此同时, 通过采用GPU的加速运算, 算法的计算复杂度较使用单一算法并未增加很多. 可见基于卷积盲降噪的混合式核磁共振成像效果更佳.