引入耦合梯度保真项的非线性扩散图像去噪方法

利用二阶的非线性扩散方程进行图像去噪易产生具有"阶越效应"的去噪结果,也即使分段光滑的图像变为分段常量的.针对低阶非线性扩散去噪方法的不足,通过在原有的扩散方程中引入从梯度保真约束项导出的Euler-Lagrange方程,提出了耦合梯度保真项的非线性扩散图像去噪方法.由于梯度保真约束项考虑了去噪前后图像梯度的相似度,利用该模型能够在保持边缘的同时得到分段光滑的结果,使视觉效果更自然.证明了新模型是一个凸函数,从而保证了最优解的存在性和惟一性.还分析了从噪声图像估计梯度时引入空间正则化对最终结果的影响,并且从理论和实验两个角度分析了合理选择正则化参数的重要性.模型在有界变差函数空间中可积,使得新方法克服了高阶非线性扩散去噪方法易造成边界泄漏以及破坏图像中纹理等高频成分的不足.实验结果表明,通过耦合梯度保真项能够很好地防止"阶越效应"的产生,同时保持图像中的边缘、纹理等结构信息.     

基于结构张量的自适应CTV彩色图像恢复模型

讨论一种基于非线性扩散方程的彩色图像去噪方法。在图像去噪的3个基本要求的基础上,总结出调和项模型和彩色总变差去噪模型中的不足,利用图像的局部信息构造函数使得模型在接近图像边缘处各向异性平滑并保持边界。在平坦区域各向同性平滑,防止阶梯效应的产生,并利用角点信息保持了角点形状。实验结果表明,所建模型能够较好地保持图像中目标的几何结构,同时具有良好的去噪能力。     

总变差去噪方法中结合局部结构信息的自适应保真项

提出一种自适应保真项用于总变差去噪方法．在讨论了局部结构描述子应满足2个必要条件的基础上,分析了线性结构张量在提取局部结构信息中的不足;将非线性结构张量用于构造自适应保真项,使得总变差去噪方法具有更好的去噪能力．实验结果表明：该方法能够很好地保持目标的边缘、尖角等几何结构．     

同向平均梯度的各向异性扩散模型

遥感图像成像过程中经常会产生包括高斯噪声和椒盐噪声的图像噪声,这些噪声在很大程度上降低了图像的清晰度,影响了图像的实际应用。如何在有效的去除图像噪声的同时又能够很好的保留图像的纹理信息,成为遥感图像去噪追求的目标。针对林石算子和基于非线性小波阈值的各向异性扩散方程存在的不足,提出一种基于同向平均梯度值的各向异性扩散去噪模型,该模型克服了林石算子和基于非线性小波阈值的各向异性扩散方程无法去除强高斯噪声和椒盐噪声的不足,在有效去除遥感图像噪声的同时,很好的保持了图像的边缘和纹理信息。实验结果表明,提出模型的稳定性和有效性,并且去噪后的图像信噪比较林石算子和基于非线性小波阈值的各向异性扩散方程分别提高了24 dB。     

基于结构信息的指数自适应梯度保真项

阶梯效应是利用二阶非线性扩散方程进行去噪很难避免的负面效应之一。已有的梯度保真项虽然能够一定程度上缓解阶梯效应,但也会造成不同程度的图像失真,根据已有方法与指数函数的性质提出了一种新的指数自适应的梯度保真项并且构造了自适应图像梯度的指数函数,在保证削弱阶梯效应的基础上可以得到更好的去噪效果与视觉效果,并且能够适应扩散项。实验证明,指数自适应梯度保真项可以明显减弱阶梯效应,保留更多纹理细节,并且得到与已有方法相比更高的信噪比。     

平滑区域梯度保真的图像降噪方法

基于有界变差的图像去噪模型在去除噪声的同时会产生“阶梯效应”,在模型中藕合梯度保真项能够有效地抑制“阶梯效应”,但全局梯度保真却导致图像的边缘模糊。新模型讨论了平滑区域的判定方法,在此基础上给出了基于平滑区域梯度保真的去噪模型和两种修正方法。新的去噪方法在去除图像噪声的同时压低了“阶梯效应”,且能够很好地保留图像的边缘。数值实验验证了所提模型的效果。     

基于自适应耦合PDE模型的车牌图像去噪研究

针对车牌识别预处理中的图像去噪问题,提出一种自适应耦合偏微分方程(PDE)去噪模型;该模型在各项异性扩散模型的基础上,构造一种新的去除椒盐噪声的扩散项,能够根据噪声图像特点自适应控制扩散速度,有效抑制椒盐噪声,并将新的扩散项与各向异性扩散模型进行耦合,并提出一种新的耦合系数计算方法,根据图像信息自适应计算耦合系数,使得新模型能够在新的扩散项和各项异性扩散模型间自适应转换,有效去除车牌图像中的混合噪声;为了抑制去噪引起的图像边缘模糊问题,引入振动滤波进行逆滤波,增强图像的边缘信息;实验结果表明,自适应耦合PDE模型能更有效去除车牌图像中的混合噪声,保护图像的边缘信息,提高图像的峰值信噪比(PSNR);去噪后的图像更有利于后续的字符分割与识别,有效提高车牌图像的识别准确率。     

结合结构张量和Wiener滤波的图像去噪算法

利用图像的结构张量表示的局部结构信息，结合Wiener滤波给出了一种图像去噪算法，并采用了加性算子分解格式求解非线性扩散方程以提高计算效率。实验结果表明，该算法在去除噪声的同时很好地保持了图像中的强弱边界等细节特征，去噪后的图像在峰值信噪比和主观视觉效果上都有显著提高。     

自适应Shearlet域约束的全变差图像去噪

采用传统非线性扩散图像去噪方法得到的图像边缘模糊,为此,提出一种有限自适应Shearlet域约束的极小化变分图像去噪算法。通过自适应阈值收缩Shearlet系数,保留图像纹理与边缘空间,利用全变差极小化平滑空间,建立全变差正则化的能量泛函去噪模型。实验结果表明,该算法能在减少图像噪声的同时,保留图像边缘信息,对含有丰富纹理结构的图像,去噪性能更佳。     

一种融合结构张量与非局域全变分的图像去噪方法

针对图像去噪中纹理与结构保持,提出了一种融合结构张量与非局域全变分的图像去噪模型。该模型利用非局域思想对图像中的各个像素点进行建模,定义了融合图像非局域信息与结构张量的相似性权重,一方面度量patch间的灰度相似性,能够较好的保持图像的纹理特性;另一方面兼顾图像的几何结构特性,能够调节不同对比度patch之间权重,尤其是提高了低对比度区域的权重值,同时较少阶梯效应的产生。数值实验表明本文方法在去噪的同时很好的保留了图像纹理细节与几何结构信息。     

非线性扩散和变分模型在矢量图像去噪中的应用

分析了非线性扩散、基于整体变分方法的ROF模型以及矢量图像耦合技术的原理,比较了这些扩散、去噪模型的优缺点。根据矢量图像耦合思想将TV流运用到矢量图像扩散中,并参考ROF模型逼近项变分模型的优点,提出了基于非线性扩散、ROF模型和矢量图像耦合原理的改进TV流矢量图像耦合扩散模型,目地是在彩色图像中,去噪同时更好地保留图像轮廓、边缘等重要信息。实验对比分析了改进前后模型的去噪效果,并分析了改进模型下正、逆向扩散在彩色图像去噪中的作用。实验结果表明,改进的矢量图像耦合扩散模型能有效地保持彩色图像中的边缘信息,同时具有良好的去噪性能,且改进模型下,正、逆向扩散的性质在彩色图像去噪工作中仍能保持。     

A New Gradient Fidelity Term for Avoiding Staircasing Effect

Image denoising with some second order nonlinear PDEs often leads to a staircasing effect, which may produce undesirable blocky image. In this paper, we present a new gradient fidelity term and couple it with these PDEs to solve the problem. At first, we smooth the normal vector fields (i.e., the gradient fields) of the noisy image by total variation (TV) minimization and make the gradient of desirable image close to the smoothed normals, which is the idea of our gradient fidelity term. Then, we introduce the Euler-Lagrange equation of the gradient fidelity term into nonlinear diffusion PDEs for noise and staircasing removal. To speed up the computation of the vectorial TV minimization, the dual approach proposed by Bresson and Chan is employed. Some numerical experiments demonstrate that our gradient fidelity term can help to avoid the staircasing effect effectively, while preserving sharp discontinuities in images.     

基于PDE的图像去噪方法

针对P-M非线性扩散模型以及自蛇模型对图像滤波的不足,为了充分利用两种模型各自的优势,提出了一种新的基于自蛇模型与P-M扩散模型相混合的去噪方法,同时在其扩散方程中添加了忠诚项,这样噪声去除与边缘保留就可以得到一个较好的效果。最后实验结果表明,该方法既能有效去除图像噪声,也能很好地保持图像的边缘等细节信息。     

改进的LIP偏微分方程图像去噪方法

针对对数图像处理-全变分(LIP_TV)去噪模型存在的不足,提出一种改进的LIP偏微分方程去噪方法。首先基于LIP数学理论,在LIP梯度算子中,引入四方向导数信息,得到改进的LIP梯度算子以全面客观地度量图像信息,更好地控制扩散过程。然后利用人类视觉系统的结构化特性,用噪声可见度函数构造新的保真项系数,进一步保持了图像的边缘细节并避免了人为估计噪声水平。理论分析和实验结果表明,该改进方法能够更好地去除噪声和保持图像边缘细节特征,在视觉效果和客观评价指标上都明显优于LIP_TV方法。     

改进的二阶总广义变分图像去噪算法

为了有效地去除含噪图像中的噪声,克服总变分（TV）去噪易于导致阶梯效应的缺陷,提出了一种改进的二阶总广义变分（TGV）的图像去噪方法。介绍了二阶TGV的理论基础,在二阶TGV中引入了各向异性扩散张量,利用张量函数引导扩散,获得了新的去噪模型,最后提出了一种扩展了的原始-对偶算法对新模型进行数值求解。新模型充分结合了二阶TGV作为正则项自动平衡了一阶和二阶导数项,以及张量函数的各向异性扩散,有效突出边缘结构的特性。实验结果表明,该方法在有效地去除含噪图像中噪声的同时,避免了阶梯效应,增强了对原始图像中边缘结构的保持。     

Active contour model for simultaneous MR image segmentation and denoising

In this paper, a new region-based active contour model is proposed for magnetic resonance image segmentation and denoising based on the global minimization framework and level set evolution. A new region fitting energy based on Nadaraya–Watson estimator and local image information is defined to enforce the curve evolution. By this improved region fitting term, the images with noise and intensity un-uniformity can be segmented and denoised. Inspired by the Perona–Malik diffusion equation, an edge-preserving regularization term is defined through the duality formulation to penalize the length of region boundaries. By this new regularization term, the edge information is utilized to improve the contour?s ability of capturing the edge and remaining smooth during the evolution. The energy functional of the proposed model is minimized by an efficient dual algorithm avoiding the inefficiency of the gradient descent method. Experiments on medical images demonstrate the proposed model provides a hybrid way to perform image segmentation and image denoising simultaneously.     

一种新的基于振动滤波和各向异性扩散的图像增强和去噪算法*

结合振动滤波和各向异性扩散,提出了一种新的图像增强和去噪方法。该方法将改进的振动滤波项引入增强和去噪方程,使其根据图像结构信息产生相应变化幅度,使得图像不仅具有很好的平滑效果,而且增强了边缘,保留了尽可能多的细节部分,同时很大程度上缩短了计算时间,并给出了方程的离散形式。通过实验表明,该方法能达到较理想的增强和去噪效果。