基于第二代轮廓波变换的消噪方法

提出一种基于第二代轮廓波变换的消噪方法,该方法在阈值选取上采用基于自适应冲激响应的多尺度多方向阈值,在硬阈值处理之后采用自适应维纳滤波。该方法充分利用了第二代轮廓波变换在频域和时域的局部化、多尺度、多方向和低冗余特征;能够利用更多较小的轮廓波变换系数以减轻轮廓波硬阈值消噪带来的纹理效应,并能更好适应人类的视觉特征。实验结果表明提出的消噪方法在峰值信噪比和视觉效果上都优于第一代轮廓波和小波的消噪效果。     

基于Contourlet变换尺度相关多阈值降噪算法

该文研究了多方向多尺度几何分析工具轮廓波Contourlet变换,在总结了Contourlet变换稀疏尺度关系的基础上,提出了一种基于Contourlet变换多阈值尺度相关降噪算法,利用Contourlet变换多分辨率以及优越的方向性进行阈值降噪,根据Contourlet变换后各个尺度间的相关特性及噪声强度设定不同的阈值,由于Contourlet变换比小波变换更稀疏的表示方式,更好地表示图像的细节,在图像降噪的过程中能更好地保护图像的纹理以及边缘,使得降噪后的图像在细节方面更突出。     

基于Contourlet变换尺度相关多阈值降噪算法

该文研究了多方向多尺度几何分析工具轮廓波Contourlet变换,在总结了Contourlet变换稀疏尺度关系的基础上,提出了一种基于Contourlet变换多阈值尺度相关降噪算法,利用Contourlet变换多分辨率以及优越的方向性进行阈值降噪,根据Contourlet变换后各个尺度间的相关特性及噪声强度设定不同的阈值,由于Contourlet变换比小波变换更稀疏的表示方式,更好地表示图像的细节,在图像降噪的过程中能更好地保护图像的纹理以及边缘,使得降噪后的图像在细节方面更突出。     

基于轮廓波消噪的门限选取方法研究*

简单地回顾了轮廓波变换的基本原理和基于轮廓波变换的消噪方法;与小波消噪门限选取原则相比较,得出了轮廓波变换消噪的门限选取原则和参考阈值,指出参考阈值的选取应该低于小波最优门限3σ,并给出一些不同门限下小波消噪和轮廓波消噪的实验结果。实验和理论分析表明,基于轮廓波变换的消噪方法在门限选取上略不同于小波的3σ原则,合理的门限参数应当是2.5σ。门限的选取从3σ下降到2.5σ,使得基于轮廓波变换消噪的峰值信噪比提高0.3 dB左右,视觉效果也有一定程度的改善。     

基于多小波—非采样Contourlet变换的自适应阈值图像去噪方法

为抑制Contourlet变换的非平移不变性和冗余性给图像去噪所带来的图像失真等缺陷,提出一种新的基于多小波—非采样Contourlet变换和基于Bayes Shrink的自适应阈值去噪算法：首先利用多小波对图像进行多尺度分解并结合非下采样方向滤波器组进行方向分解,接着根据分解所得到的各方向子带的关系,改进了Bayes Shrink自适应阈值取值方法,对图像进行去噪处理。实验结果表明：该算法去噪后图像的信噪比(SNR)与已有算法相比,有了明显的提高,有效地抑制了原Contourlet变换所造成的伪Gibbs现象,更好地保留了图像的细节信息。     

小波阈值的改进及在遥感图像去噪中的应用

在遥感图像降噪过程中，小波域阈值算法可以有效地降低图像的噪声，但阈值选取往往是固定的，如Donoho给出了基于小波变换的通用阈值去噪公式，由于该阈值不具备尺度间的自适应性，致使图像细节丢失。通过改进Donoho通用阈值和阈值函数，提出了阈值系数的自适应确定方法，实验证明该算法能有效地去除噪声，且能够较好地保护图像细节。
     

结合FT与NSCT的自适应阈值去噪算法

为更好地对图像进行稀疏表示,以改善去噪效果,提出一种傅里叶变换与非下采样轮廓波变换(NSCT)相结合的自适应阈值去噪算法。在傅里叶域中对含噪图像去噪,在NSCT域中利用分层噪声估计的贝叶斯阈值算法,结合多尺度多方向的能量阈值修正方案自适应地滤除剩余噪声。实验结果表明,该算法的去噪性能较好。     

数字图像的固定基稀疏表示方法*

提出了一种采用小波与轮廓波混合的固定基数字图像描述和变换方法,该变换在较粗糙的尺度上采用小波变换,在细节尺度上采用轮廓波变换,既能够克服可分离小波在图像描述方面高频子带方向分辨率较低的缺陷,又能够降低轮廓波变换的计算复杂度。实验结果表明,本方法在具有良好的数字图像逼近能力的同时,还具有很好的消噪结果。     

基于小波自适应阈值图像去噪方法的研究

利用小波变换对图像去噪是一种非常有效的方法。传统的小波去噪算法对图像去噪后的平滑效果不是很好,图像细节清晰度不够高,甚至会产生伪吉布斯现象。针对这些现象,文中提出了一种改进的基于小波变换的多尺度自适应阈值图像去噪方法。该方法根据图像小波分解的特性,确定适合小波分解后不同层系数去噪的较优阈值,然后结合恰当的阈值函数对各层高频系数进行处理来达到去噪效果。实验结果表明,与传统方法相比,该方法运算量较小,能有效去除高斯白噪声,进一步提高峰值性噪比,同时能够很好地保留图像细节信息。     

轮廓波消噪中消噪效果与噪声强度的关系*

首先简单回顾了轮廓波变换的基本原理和实现方法;然后阐述了基于轮廓波变换的图像消噪实现方法,针对包括小波消噪、第一版轮廓波变换消噪和第二版轮廓波消噪变换消噪在内的三种变换域消噪方法在不同噪声强度下的消噪效果进行了实验和分析.实验表明,第一版轮廓波变换在噪声强度较大时,比小波有较高的信噪比;在噪声强度较小时,比小波有更低的信噪比;第二版轮廓波变换则总是在信噪比上优于小波.     

多尺度域非线性能量保持的图像去噪新方法

提出了一种基于Contourlet多尺度分解域核主成分分析的图像去噪新方法。该方法首先对源图像进行Contourlet分解,在不同频段的子带图像中,利用核主成分分析方法进行能量保持,用重构图像来进行子带去噪,最后通过Contourlet逆变换得到去噪之后的图像。实验结果表明,该方法不仅有效地降低了图像噪声,且峰值信噪比也较高。     

基于改进轮廓波变换的图像去噪算法

在轮廓波变换中进行拉普拉斯金字塔分解时,所得的带通图像在奇异性点附近产生振荡,影响了图像去噪的效果。针对该问题,提出一种改进的拉普拉斯金字塔分解,可消除边缘附近的震荡。利用改进的拉普拉斯金字塔实现轮廓波变换,并对图像进行自适应去噪。实验结果表明,该算法所得的峰值信噪比较轮廓波变换自适应去噪算法有显著提高,且视觉效果有较大改善。     

一种新的非下采样Contourlet域图像去噪算法

作为新型高维奇异性分析工具,非下采样轮廓(Nonsubsampled Contourlet)变换不仅克服了小波(Wavelet)变换的非奇异性最优基缺点,而且提供了优于轮廓(Contourlet)变换的平移不变性.以性能优越的非下采样轮廓变换为基础,提出了一种新的图像去噪方法.该方法首先对图像进行非下采样轮廓变换,以得到不同尺度、不同方向上的变换系数;然后结合噪声分布特点确定多尺度阈值,并依此阚值对高频系数进行去噪处理;最后对去噪处理后的变换系数进行反变换,以得到去噪图像.仿真实验结果表明,该方法不仅拥有较强的抑制噪声的能力,而且具有较好的边缘保护能力,同时消除了图像边缘附近的伪吉布斯(Gibbs)现象,整体性能优于小波变换图像去噪和轮廓变换图像去噪方法.     

基于NSCT自适应阈值的红外图像去噪算法

提出自适应阈值的NSCT去噪算法.在对红外图像噪声特点分析的基础上,通过对NSCT构造特性的分析,提出了将自适应阈值的NSCT运用于红外去噪,并验证了其可行性.分析了图像尺寸和分解尺度对去噪的影响,获得去噪算法的优化.应用于几种不同的红外图像,对红外图像去噪视觉效果和峰值信噪比两方面进行比较,该去噪方法取得了较好的效果,尤其是在边缘保持方面.     

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。     

基于多尺度分析的图像融合新方法

提出了一种基于Contourlet多尺度分解的图像融合新方法.该方法首先对源图像进行Contourlet分解,得到高频和低频图像.针对不同频段图像的特性,对于高频和低频图像分别采用不同的融合规则,最后进行Contourlet逆变换得到融合图像.采用平均梯度,熵、平均交叉熵和均方根交叉熵4种准则来评价融合算法的性能.实验结果表明,该方法不仅在客观评价指标上优于小波变换法和塔形分解法,而且从主观评价上来看,该方法得到的融合图像更加清晰.     

基于相关性阈值的NSCT图像去噪方法研究

利用非下采样Contourlet变换(NSCT)平移不变性、多分辨率、多方向的优点,提出一种基于尺度相关与阈值去噪相结合的非下采样Contourlet变换图像去噪方法。首先对噪声图像进行非下采样Contourlet变换,得到各个尺度各个方向子带的系数,然后采用相关系数归一的方法,结合Bayesian自适应阈值来达到更好的去噪效果。仿真实验表明,该方法在提高去噪后图像的峰值信噪比的同时,有效保留了图像的纹理信息,避免伪吉布斯现象,改善了图像的视觉效果。     

基于NSCT的红外图像小目标检测技术

红外图像小目标检测是精确制导武器的关键技术之一。将小波或Contourlet多尺度分析用于红外小目标检测具有一定的局限性。无下采样Contourlet变换（NSCT）是基于Contourlet变换的一种扩展,可以对图像进行灵活的多尺度、多方向和平移不变性分解。提出了一种基于NSCT的红外小目标检测算法。该算法首先对图像进行NSCT变换;然后利用能量法提取其局部纹理特征,并计算各点的特征向量与中心向量间的距离,得到一个相关的多尺度距离像;最后根据该距离像进行直方图统计,从而实现红外小目标的检测。与基于小波变换的红外小目标检测算法进行了比较。实验结果表明,该算法能较精确地检测出红外小目标,优于基于小波变换的方法。     

一种新的多聚焦图像融合算法

提出了一种基于小波-Contourlet变换的多聚焦图像融合算法;该算法首先采用小波-Contourlet变换对源图像进行多尺度分解,得到高频和低频图像;接着根据高、低频分量各自的区域特性,采用不同的融合规则进行处理,得到小波-Contourlet变换域的融合系数,最后通过反变换得到融合图像;采用信息熵、标准差和互信息3个评价标准,将该算法和传统的小波算法和Contourlet算法的融合结果进行了比较;实验结果表明,该算法获得的评价指标都优于其它算法,且融合图像较好地从源图像中提取了有用信息,提高了融合质量.     

基于非下采样Contourlet的多传感器图像自适应融合

提出了一种基于非下采样Contourlet变换的多传感器图像自适应融合方法,采用黄金分割法搜索最优的低频融合权值.自适应地对多传感器图像的低频子带系数进行融合.非下采样Contourlet变换是一种新的图像多尺度、多方向的表示方法,适合表达具有丰富细节信息及方向信息的图像,且该变换具有平移不变性,可以避免一般方法对融合图像引入的振铃效应,它的高频方向子带捕获了多传感器图像的显著特征,文中采用同一尺度下方向子带信息和取大的规则对高频系数进行融合.实验结果表明,与基于拉普拉斯塔、小波、平稳小波和Contourlet变换的方法比较,文中所提出的方法可以获得较好的融合效果.