用于图像去噪的改进型非线性扩散方程

修改一类图像处理用的非线性扩散方程模型的扩散系数函数,使所获得的新模型能够在考虑到图像梯度以及二阶导数的情况下,用于去除图像高梯度噪声并保持图像边缘细节。实验表明,该新模型能够在保持图像中有意义的尖峰和窄边缘的同时,消除高梯度噪声。     

LOG算子边缘检测方法的改进方案

本文对LOG算子边缘检测方法的性能进行了分析和评价。针对LOG算子的缺陷，提出了选择性平滑方式清除图像中的椒盐噪声；提出了依据图像灰度的一阶导数极大值和二阶导数零穿相结合的边缘检测方法，抑制了图像中的大部分其它噪声，并保持了边缘定位精度；还通过用图像灰度共生矩阵的惯性矩特征值自适应调整高斯空间系数和边缘检测阈值，实现了图像边缘的自动提取。实践证明该方法具备有效性和实用性。     

自适应图像边缘检测算法

对LOG算子边缘检测方法的性能进行了分析和评价。针对LOG算子的缺陷，提出了依据图像友度的一阶导数极大值和二阶导数零穿相结合的边缘检测方法，成功抑制了图像中的大部分噪声；并通过用图像友度共生矩阵的惯性矩特征值自适应调整高斯空间系数和边缘检测阈值，实现了图像边缘的自动提取。     

基于零交叉的噪声图像边缘检测

由于数字图像中可能包含不同程度的噪声,使得边缘检测在图像处理中变得比较困难。传统的边缘检测算法对于信号中的噪声比较敏感,使得边缘信息不能完全准确地检测出来。本文提出了一种基于零交叉的噪声图像边缘检测方法。在文献[1]算子的基础上先平滑图像,计算图像的梯度,然后对梯度图像用新推导出的递归算子求二阶导数,并分别按行方向和列方向进行过零点检测,最后合并两个方向上检测到的过零点得到图像边缘。实验结果表明,该方法不仅对于含噪图像具有良好的边缘检测效果,而且由于所有滤波算子都是可递归执行的,大大减少了运算量和运算时间。     

基于局部特征的图像边缘检测

针对传统边缘检测对噪声较敏感且不能准确定位的不足,分析了图像边缘邻域像素之间的关系,提出了基于局部特征的图像边缘检测方法,建立了判断该像素点是否位于边缘上的准则函数。本方法以像素点为研究对象,检测的边缘可能为噪声点或伪边缘点,因此利用图像边缘连续性和噪声点孤立性的特点,运用形态学提取图像边缘并克服了噪声对边缘检测的影响;然后运用形态方向梯度去除伪边缘点。实验结果表明该方法能够准确地检测出图像的边缘,并克服了传统利用微分算子检测边缘的不足。     

基于二阶梯度的图像增强算法研究

针对PCB图像的特点对图像进行增强处理,使得图像的边缘更加突出,灰度的对比度增加,同时滤除靠近边缘的噪声,为后续图像分割时更有效的选取阈值打下良好基础。使用二阶梯度算子获得图像的增强效果,实验表明,不仅解决了边缘附近噪声去除问题,而且有效地突出了边缘信息,图像的黑白对比分明,尤其是目标图像靠近边缘部分灰度值明显高于其他的非边缘区域。     

多阶导数自适应视频超分辨率重建

传统视频超分辨率重建算法在去除噪声的同时,很难有效保持图像边缘细节信息。针对该问题,构建了一种结合多阶导数数据项和自适应正则化项的视频超分辨率重建算法。在正则化重建模型的基础上,该算法对数据项进行改进,引入能更好描述噪声统计特性的噪声多阶导数,并利用去噪效果较好的全变分(TV)和非局部均值(NLM)正则化项对视频超分辨率重建过程进行约束。此外,为了更好地保持图像细节信息,采用区域空间自适应曲率差分算法提取结构信息,从而对正则化系数进行自适应加权。实验结果表明:在噪声方差为3时,与核回归算法和聚类算法相比,该算法重建视频主观效果边缘更加锐化,局部结构更加正确、清晰;重建视频的均方误差(MSE)平均下降幅度分别为25.75%和22.50%;峰值信噪比(PSNR)分别平均提升了1.35 dB和1.14 dB。所提算法能够在去除噪声的同时有效保持图像的细节特征。     

融合偏微分方程和中值滤波的图像去噪模型

针对基于偏微分方程(PDE)的图像去噪模型不能有效地去除脉冲噪声,并且低阶偏微分方程在去噪的同时会出现“块效应”现象的问题,提出一种融合偏微分方程和自适应中值滤波的图像去噪模型。该模型通过对图像梯度的分析,在梯度变化剧烈区域和梯度变化微小区域利用二阶模型去噪以提高去噪效率;而在梯度渐变区域利用四阶模型平滑图像以避免出现“块效应”现象。同时,利用脉冲噪声梯度值远大于边缘梯度值的特点,定位脉冲噪声所在区域,在该区域利用自适应中值滤波消除脉冲噪声。该方法能有效去除脉冲噪声,保护图像边缘并消除“块效应”现象,同时提高了去噪效率。实验表明了该模型的有效性。     

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。     

基于改进的中值滤波和数学形态学的图像边缘检测

针对受到噪声干扰的图像边缘检测的不理想,提出一种基于改进的中值滤波和数学形态学结合的边缘检测方法。该算法首先对噪声图像用改进的中值滤波进行去除噪声处理,然后利用数学形态学进行边缘检测。利用Matlab软件进行仿真,结果证明该算法与一般的算法相比较能够有效地抑制噪声,保护边缘细节,提高边缘检测的精确度,具有更好的边缘提取效果、边缘连续性和光滑性。     

基于模糊推理的噪声图像边缘检测

对于噪声感染的图像,提出一种基于模糊推理的图像边缘检测方法。该方法将像素点的基本梯度与关联梯度作为模糊推理系统的输入变量,根据确定的模糊规则,运用模糊推理方法得到该点属于噪声的程度,从而去除由噪声引起的伪边缘,实现边缘检测。实验结果表明,与其他边缘检测方法相比,该方法可以获得较好的边缘特性,具有较强的抗噪性能。     

边缘算子在视频对象提取中的应用

提出了一种基于边缘检测算子的视频对象提取算法，用于在视频会议、新闻等视频序列的关键帧编码中提取视频对象的区域，为随后的运动估计和检测提供参考对象．首先分析了两种常用的边缘检测算子：Marr算子和Canny算子，并分别对视频关键帧进行边缘检测；然后从边缘图像中扫描出对象区域，生成掩码图像；最后与原始图像进行与操作得到对象．实验表明：采用Canny算子能够提高关键帧中视频对象提取的正确性，为整个视频序列中的对象提取提供了较优的参考帧。     

一种新的强抗噪边缘检测方法

针对传统形态学边缘检测方法存在去除噪声与边缘细节保留矛盾的问题,提出了一种能有效去除噪声且准确检测图像边缘的方法.该方法首先利用多结构元素对图像进行滤波,然后用全方位多角度线结构元素结合一种改进的形态学算子检测图像边缘,最后将所得结果进行自适应权重求和,得到噪声存在下较理想的图像边缘.实验表明,该方法对噪声具有较强的抑制能力,在准确检测图像边缘、保留更多细节边缘的同时,能够有效地去除图像中的多种噪声,具有较高的信噪比.     

对称张量空间下高阶正则化的图像恢复模型

为降低ROF模型的阶梯效应和高阶正则化方法对边缘的模糊,在对称张量空间中用二阶对称梯度构造正则项建立了新的图像去噪模型,并通过分析新模型的性质,给出了一种有效的原始-对偶算法。一方面,二阶对称梯度高于一阶导数的特性可以有效地降低阶梯效应;另一方面,二阶对称梯度模低于二阶导数模的特性能有效地保持图像的边缘等细节特征。数值仿真实验表明,新模型达到了理论分析的效果,新算法运算快捷、稳定。     

超声弹性图像去噪方法研究

超声弹性成像能直观展现各组织的弹性信息,已经成为肿瘤检测的重要工具。由于成像系统中的固有特性,使得图像遍布着大量伪影噪声,降低了图像的可辨读性。为了获取伪影噪声较少且组织边缘结构清晰的弹性图像,本文提出一种分数阶偏微分图像去噪方法,并通过各向异性算法有效平衡了梯度阈值k与微分阶数v的关系。人体体模弹性图像和仿真弹性图像的测试结果表明,该算法能有效改善弹性图像质量,增强边缘结构信息,且去噪后图像的信噪比及噪声比例差得到显著提升。     

基于变分正则化的低质视频图像二维增强仿真

受环境、硬件设备及成本等因素限制,所生产的视频质量低,存在大量冗余噪声,导致局部区域图像模糊不清,无法对目标个体判定或识别。为解决上述问题,构建一种基于变分正则化的低质视频图像二维增强方法。通过采集先验信息,确定噪声去除和质量增强区域,随后使用ROF经典模型和偏微分对原始图像做平滑及去噪处理,并提出前后扩散方程,使方法能够有效抑制背景区域噪声,并对目标个体边缘做锐化处理,利用变分正则化提升视频图像整体分辨率,使其完成图像二维增强。仿真结果表明,所提方法具有控制噪声与加强图像质量双重优势,有效去除、抑制噪声影响,提升目标个体区域强散射点,且方法复杂程度较低,能够实现低质视频图像的均衡优化。     

基于多尺度小波的Roberts边缘检测法

在Roberts交叉梯度算子边缘检测框架基础上,提出一种小波增强的多尺度边缘检测方法,对不同尺度下的小波变换子图像,通过Roberts梯度算子对各子图像进行空间一次微分,得到对应尺度上的边缘图像,各尺度下边缘图像通过小波重构、融合及差影运算得到最终的边缘图像。实验结果表明,该算法实现简单,能有效地抑制噪声,补偿弱边缘,可以有效获取多个尺度下的边缘信息,对边缘信息定位精度高,是一种可行、有效的图像边缘检测的方法。     

边缘检测算法改进及其在QoE测定中的应用

提出一种基于数据融合的图像边缘检测算法,利用改进的Sobel算子和离散小波变换提取边缘,然后将两种方法的检测结果进行数据融合,合成一幅新的边缘图像.研究该算法的目的是应用于QoE(Quality of Experience)测定系统.对比实验结果表明,合成图像边缘的清晰度和连续性明显改善,获得的边缘信息更加完整.融合后的图像边缘综合了两种检测方法的优点,能有效地去除图像噪声,是一种有效的图像边缘检测方法.     

基于Sobel算子的金相图边缘提取新算法

针对传统Sobel算法存在定位不精确、提取边缘不连续等不足,提出在传统Sobel算子模板基础上增加了45°和135°两个模板,提高了边缘定位的精度;采用局部梯度均值作为阈值对梯度图像进行局部梯度筛选,然后进行边缘提取及细化。实验证明,算法获取的图像边缘与传统Sobel算法相比,具有定位准确、边缘连续性好、噪声少等优点,在金相图片处理中有一定的实用性。     

基于自组织定向的边缘优化方法

传统的边缘检测方法通常采用预先的平滑滤波操作排除噪声的干扰，这使得去除噪声的同时也损失了图像的细节。因此，滤波去噪比例和边缘检测精度一直是一对矛盾，本文针对这个问题提出了一种基于边缘定向的边缘优化策略。边缘具有一定的方向是它区别于杂乱无序的噪声的鲜明特征，利用这一特征，可以不需要平滑滤波操作并能很好地解决以上问题。文中还根据数字图像的特点提出了自组织定向这一获取图像边缘方向的有效方法。