特征保留的稀疏表示图像去噪

稀疏表示理论认为在合适的冗余字典下,图像存在最为稀疏的表示,字典的过完备性,使得通过提取很少量的大系数便能捕获到图像中的重要信息,而且对噪声更加鲁棒。针对图像去噪,为了更好地保留图像特征信息,考虑人眼视觉特性,研究过完备字典对噪声图像特征和边缘信息的有效表示,提出以结构相似为信息保真度的特征保留的稀疏表示去噪算法。实验结果表明,该算法能更好地对图像去噪,对特征和边缘等信息的保留能力更强,得到的图像视觉效果更佳。     

基于稀疏编码收缩和Contourlet变换的红外图像去噪

针对稀疏收缩编码法和Contourlet变换的不足,提出了一种新的图像去噪算法。算法可以很好地解决含有加性未知噪声方差的红外图像去噪问题。实验表明,与传统方法、稀疏编码收缩法和Contourlet域降噪方法相比,该算法进一步提高了SNR值,降低了MSE值,获得了更好的图像恢复质量。     

基于稀疏先验的非局域聚类图像去噪算法研究

图像去噪是一类典型的病态（ill-posed）逆问题求解,噪声掩盖下的真实图像并不确定,需要引入先验信息缩小病态问题的求解范围。为了将外部干净图像的先验信息引入去噪进程,提出了一种基于外部干净图像与内部噪声图像稀疏先验的非局域聚类图像去噪算法,通过联合外部干净图像与内部噪声图像的图像块得到类稀疏化表达字典;通过全局的相似块匹配,得到理想图像的稀疏系数估计;基于类字典和估计的稀疏系数,采用压缩感知技术的稀疏重建方法实现图像去噪。实验表明,与传统的非局域稀疏聚类图像去噪方法相比,所提算法显著降低去噪块效应,在保留更多细节的同时,图像平坦区域过渡更加自然;而理想图像先验来源的扩展则进一步提高了算法在强噪声下的去噪性能,对强噪声具有更强的抑制能力。     

基于稀疏性与同步性的数字文献图像压缩

提出基于稀疏性与同步性的数字文献图像压缩方法。基于动物视觉系统的稀疏性,提取图像基函数。针对响应系数,利用同步性对基函数进行筛选,完成对数字文献图像的压缩。实验结果表明,该方法具有较高压缩比,能通过少量样本实现对其他数字文献图像的压缩,且压缩效果理想。     

基于联合稀疏变换学习的工件去噪方法研究

针对视觉测量中给光好坏会直接影响工件检测精度和效率的问题,提出了一种基于联合稀疏变换学习对不同光源下工件图像去噪的方法。该方法首先从噪声图像中提取噪声图像块,通过稀疏编码和稀疏变换更新交替运算对噪声图像块进行内部聚类变换学习;然后计算每个噪声图像块中聚类信号的稀疏水平,并选择最小稀疏水平作为该去噪块的稀疏水平;最后对去噪块进行聚类并用最后一次迭代去噪块的均值估计去噪图像。实验结果表明,提出的方法对不同光源下工件图像的去噪效果和计算速度均优于其他算法,具有较好的去噪性能。     

基于多项式拟合的稀疏编码图像去噪算法研究

为解决传统稀疏编码在图像去噪的过程中无法根据图像数据特点来决定稀疏编码的收缩函数的问题,提出了一种基于多项式拟合的稀疏编码图像去噪算法,该方法采用多项式来拟合稀疏系数的概率密度函数,进而估计稀疏系数的收缩函数,有效地解决了传统的去噪变量的概率密度模型无法反映图像数据特点的问题。仿真计算结果验证了该算法的有效性,并且在效果上要明显优于最大似然估计算法。     

图拉普拉斯正则化稀疏变换学习图像去噪算法

从噪声图像中恢复干净的图像是对图像进行有效处理与分析的首要前提之一,而去除噪声的同时保持图像的特征则是图像去噪的一个具有挑战性的问题.为了在去除噪声的同时尽量保持图像的局部结构特征,提出了一种基于图拉普拉斯正则化稀疏变换学习的图像去噪算法.通过引入图拉普拉斯正则化对邻域像素进行约束,可以较好地保护相邻像素之间的相关性,...     

基于稀疏重构框架下剪切波的SAR图像去噪

SAR图像很容易被乘性噪声多污染,进而影响SAR图像后序的分析与处理。本文中提出了一种基于剪切波稀疏编码的SAR图像移除乘性噪声的新模型。首先通过压缩感知理论建立SAR图像去噪模型;其次通过剪切波变换获得剪切波系数,每个尺度的系数视为一个单元;对于每个单元,通过剪切波域的贝叶斯估计对稀疏系数进行迭代估计。重现的单元最后结合起来构造去噪后的图像。SAR图像去噪效果显示了该算法有良好的表现性,对噪声具有鲁棒性;本文提出的算法不仅有较好的去噪效果,而且还保存了更多的边界信息。     

结合第二代Bandelet变换分块的字典学习图像去噪算法

针对以往稀疏编码在图像去噪过程中存在的噪声残留和缺乏对图像的边缘与细节的本质特征的保护等问题,提出了一种结合第二代Bandelet变换分块的字典学习图像去噪算法,其更好地利用了图像的几何特性进行去噪。首先,通过第二代Bandelet变换可以灵活地根据图像几何流的正则性特征并能够自适应地获得图像的最稀疏表示来准确估计图像信息,并能自适应地选择最优的几何方向;然后,根据K-奇异值分解(K-Singular Value Decomposition,K-SVD)算法来训练学习字典;最后,通过四叉树分割对噪声图像进行自适应分块,从而去除噪声并保护图像的边缘与细节。实验结果表明,相比于其他学习字典,所提算法能更有效地保留图像的边缘特征与图像的精细结构。     

加权低秩矩阵恢复的混合噪声图像去噪

传统的基于低秩矩阵恢复的图像去噪算法只对低秩部分进行约束,当高斯噪声过大时,会导致去噪不充分或细节严重丢失。针对此问题,提出了一种新的鲁棒的图像去噪模型。该模型在原有的低秩矩阵核范数约束的基础上引入高斯噪声约束项,此外为了提高低秩矩阵的低秩性和稀疏矩阵的稀疏性,引入了加权的方法。为了考察方法的去噪能力,选取了不同参数类型的混合噪声图像进行仿真,并结合峰值信噪比、结构相似度评价标准与传统的基于低秩矩阵恢复的图像去噪算法进行对比。实验结果表明,加权低秩矩阵恢复的混合噪声图像去噪算法能增加低秩矩阵的低秩性和稀疏矩阵的稀疏性,在保证去噪效果的同时,保留了图像的细节信息,具有更佳的视觉效果,同时,客观评价指标均有所提高。     

一种新的具有增强效果的小波域图像去噪方法

为了使去噪后的图像具有更佳的视觉效果,基于新近出现的一种小波域阈值去噪方法——NeighShrink,提出了一种具有细节增强效果的小波域图像去噪方法——增强型邻域收缩方法(enhanced NeighShrink,ENS)。该方法一方面继承了NeighShrink方法的优点,在对小波系数进行阈值处理时,由于考虑了其与邻域系数的相关性,从而大大减少了误判图像细节为噪声的情况,同时,通过改变NeighShrink方法中小波系数收缩因子的计算方法,用该方法去噪后的图像取得了高于NeighShrink方法的峰值信噪比;另一方面,通过引入一个细节增强因子P,使得该方法能够对图像细节进行增强,从而得到了更佳的视觉效果。通过实验证明,该方法能够在去噪和细节增强这两方面优于普通软阈值去噪方法和NeighShrink方法。     

双树复小波域的邻域自适应贝叶斯收缩去噪

为了更加高效去除图像采集或传输中引入的噪声,提出了一种基于双树复小波域的邻域自适应贝叶斯收缩的图像去噪方法,利用了双树复小波变换的平移不变性和更多的方向选择性的优点,并考虑了系数间的局部自适应邻域相关性,以尺度适合的窗口为单位估计相应系数的方差,利用滑窗求其平均作为整个子带的图像方差,通过贝叶斯收缩来处理小波系数,从而实现高效的图像去噪。实验结果证明,该方法取得了很高的峰值信噪比和更好的视觉效果,去噪性能优良。     

基于分割块的冗余Bandelet图像去噪方法

结合第二代Bandelet变换的特点,提出了基于分割块的自适应多阈值冗余Bandelet图像去噪方法。首先采用冗余的二维小波变换实现图像的多分辨率表示,通过稀疏的观点,而不是率失真的观点而定义拉格朗日函数在各个高频子带进行Bandelet化,在Bandelet化的过程采用没有风险的估计阈值来寻找最佳几何流方向和完成最优四叉树分割,最后通过Bayes软阈值萎缩法实现在Bandelet域去噪。实验结果表明：该算法的去噪效果要优于经典小波以及curvelet和contourlet,去噪后图像的边缘没有伪Gibbs效应,具有好的图像的视觉质量。     

基于NSCT阈值萎缩法的遥感图像去噪

针对图像去噪过程中产生的伪吉布斯现象以及峰值信噪比(PSNR)较低等问题,提出一种基于非下采样Contourlet变换(NSCT)阈 值萎缩法的遥感图像去噪算法。根据NeighShrink去噪算法中尺度内系数的邻域系数相关性,以及BiShink去噪算法中不同尺度间系数的相关性,对图像进行去噪,利用NSCT的平移不变性,抑制小波去噪中的伪吉布斯现象。实验结果证明,采用该算法去噪后的图像PSNR较高,视觉效果较优。     

Contourlet域中邻域窗最优阈值滤噪算法

提出一种基于Contourlet变换域的图像滤噪算法,对带噪图像进行多尺度、多方向的Contourlet分解,依据Contourlet变换域系数的估计损失期望最小化准则,在Contourlet域中得到各子带内邻域系数的滤噪最优阈值与最优窗口尺寸,利用Contourlet变换域系数的萎缩实现滤噪。仿真结果表明,与现有的Contourlet变换域图像滤噪算法相比,该算法能有效保护图像的细节和纹理,具有较好的视觉效果和较高的峰值信噪比。     

基于冗余Contourlet变换的图像相关法去噪

Contourlet变换是多尺度几何分析中十分重要的一种方法,可以实现灵活的多分辨、局部、多方向图像表示,但是由于不具有平移不变性,在图像去噪中易产生伪吉布斯现象,这里应用冗余Contourlet变换,具有平移不变性,且能有效表示图像几何纹理信息。在去噪应用中考虑分解系数的层间信息,将BivaShrink方法推广到冗余Contourlet变换中。实验结果表明,本文方法提高了去噪后图像的峰值信噪比(PSNR),同时有效保存了图像纹理信息,视觉效果更好。     

基于高密度离散小波变换的改进图像降噪方法

为进一步提高图像质量,提出一种基于高密度离散小波变换的改进图像降噪方法。给出二维高密度离散小波变换的分解与重构快速算法,通过该算法对图像进行多尺度分解,利用相邻尺度小波系数相关性对各层小波系数进行双变量收缩阈值处理,重构降噪后的图像。实验结果表明,与其他常用小波降噪方法相比,该方法能进一步提高图像降噪效果,且在降噪过程中较好地保留图像细节。     

基于Lp收缩算子的改进广义全变分去噪方法

二阶广义的全变分模型是一种建立在全变分模型的思想之上进行改进的图像去噪模型,该模型是一种考虑了一阶以及高阶梯度稀疏性的模型,能够有效地抑制阶梯伪影效应的产生。Lp收缩算子相比于L1算子增加了一个自由度,它能够更好地刻画稀疏梯度信息,同时Lp收缩算子的等高线对噪声更加鲁棒。考虑到Lp收缩算子的优势,将Lp收缩算子引入二阶广义全变分去噪模型,提出改进的二阶广义全变分Lp收缩算子模型(TGV2-Lp)。利用交替乘子迭代法对模型进行求解,引入快速傅里叶算法提高算法效率。通过测试6组图片、对比传统的3种去噪模型,从实验结果可以得出,提出的模型TGV2-Lp在有效保留图片边缘细节信息的同时,能够有效去除噪声,在视觉效果、峰值信噪比和结构相似性都有一定优势.     

基于双局部阈值小波收缩的图像去噪算法

提出了一种基于双局部阈值的小波收缩的图像去噪算法。该算法利用小波系数的幅值、空间特性以及对噪声图像的分割,得到两个局部阈值：幅度阈值和空间阈值。利用这两个局部阈值（每个区域阈值不同）对小波系数做相应的“收缩”处理和重构,从而得到一个优质的去噪图像。该算法计算简单速度快,去噪效果明显,优于其他一些去噪算法。