基于结构图像先验与ASM能量的服装图像去噪

服装图像在采集和传输过程中会受到噪声不同程度的影响,为更有效地去除服装图像中的噪声,本文提出了一种基于ASM图像能量的深度学习图像去噪方法.该方法基于结构图像先验理论,以随机向量作为卷积神经网络的输入,含噪声的服装图像作为目标输出.网络通过反向传播进行迭代,根据噪声与自然图像对于网络的阻抗不同,迭代至输出图像的ASM能量极大值处进行截断,截断处的输出图像即为去噪后的服装图像.实验结果表明,该方法对服装图像去噪后的PSNR达到29.91,比NLM去噪提高了 0.74,比guided去噪提高了 1.97.与传统的图像滤波去噪算法相比,该方法能更有效地去除图像中的噪声,保留服装图像的纹理细节.     

基于小波系数和LS-SVM的图像去噪

提出一种基于小波系数和最小二乘支持向量机(LS-SVM)的图像去噪方法.根据小波系数的性质,依据邻域小波系数的平均值来选取特征向量来进行训练,然后用训练得到的LS-SVM分类器将含噪图像中的像素分为噪声或非噪声点,进行去噪处理.实验结果表明该方法能达到较高的峰值信噪比,具有很好的去噪效果.     

融合梯度及分数阶积分算子的SVM滤波

为了在滤除椒盐噪声时更好的保护图像特征信息 ,利用分数阶积分算子、梯度信息和SVM 设计了一种滤波方法 FG-SVM。先设计PCNN噪点检测模型,将检测的噪点及信号点对应位置分别标记为1和0, 生成标记图像;然后根据标 记图像,在噪声图像上对每一个以信号点为中心的5×5区域,用中心 点周围的像素灰度信息、分数阶积分算子及梯度信 息构建训练样本,训练SVM获得去噪模型;再取以噪点为中心的5×5 区域构建测试样本,作为SVM去噪模型的输入来 估计区域中心的灰度值;最后用SVM的估计值取代噪点的灰度值,得到去噪图像。仿真试验 表明,分数阶积分阶次取 1.7时,能获得最好的去噪效果。对含噪 1%的Lena、Pepper及Camer.去噪,FG-SVM 的PSNR比MPCNN分别提高了[4.19,3.64]dB,且去噪图像的边缘细节清晰。     

自适应去噪滤波器组合的训练与设计方法

该文通过建立噪声信道模型提出一种对噪声自适应的去噪滤波器组合进行训练和设计的方法。通过对训练图像及噪声信道输出图像的有监督训练,建立自适应于噪声的滤波器组合模型,并可在随后的应用中采用该模型对通过噪声信道的图像进行盲滤波达到滤除图像噪声和保留图像细节的目的。为验证设计方法的有效性,采用高斯调制的加权中值滤波器组对信道中常见的椒盐噪声和均匀分布脉冲噪声进行滤除,效果较现有方法有明显优势。该设计方法可以推广应用到其它具有适应性的去噪滤波器之上,使它们对不同类型、不同强度的信道噪声进行更柔性化的处理。     

基于边缘检测与双边滤波的彩色图像去噪

 针对彩色图像双边滤波去噪方法存在的不足,本文提出一种边缘检测与双边滤波相结合的彩色图像去噪方法.首先利用细胞神经网络(CNN)模型导出一种新的彩色图像分块自适应边缘检测算法,继承了CNN灰度边缘检测算法定位准确的优点,又弥补了CNN现有算法不能直接处理彩色图像的空白.接下来提出一种针对图像增强的边缘滤波算法,通过两级边缘检测满足去噪不同阶段对边缘检测的不同要求.在此基础上,用改进的双边滤波器对彩色图像进行去噪,通过非抗噪边缘图对噪声范围进行定位,以缩小双边滤波的范围,减少去噪过程带来的图像模糊,并且对双边滤波加权平均方式进行改进,减小噪声点本身的权重,降低高频噪声的影响.最后根据滤波后的去噪边缘图对彩色图像进行增强.实验结果表明,文中方法在有效去除噪声的同时保护和增强了图像中的边缘.     

基于小波变换的超声图像去噪算法研究

在超声无损检测中,图像在生成和传输过程中常常因受到各种噪声的干扰和影响而质量下降,这对缺陷的识别和定位将产生不利影响。在对超声检测信号和噪声的种类及特点进行深入分析的基础上,运用小波变换阈值去噪的理论,对四种不同的噪声(高斯噪声、泊松噪声、椒盐噪声和斑点噪声),分别运用软阈值去噪法、硬阈值去噪法及NeighShrink去噪法进行去噪,发现NeighShrink去噪法去噪后的图像性噪比提高最多,边缘模糊也最小。用这三种去噪法对超声B扫图像进行去噪,验证了NeighShrink去噪法对于超声B扫图像具有最出色的去噪效果。     

基于小波域HMT模型的图像去噪研究

研究小波域隐式马尔可夫模型树(HMT),提出了一种基于小波域HMT模型抑制高斯白噪声的改进图像去噪算法.首先将噪声图像沿水平、垂直及对角方向进行平移变换;然后对平移后的图像进行小波变换,建立其对应的小波域HMT型,分别进行去噪处理.最后取所有去噪图像的均值作为最终的去噪图像.在仿真实验中,对不同程度污染下高斯白噪声的Lena图像分别采用该文算法、小波域硬阈值与软阈值去噪进行比较.结果表明,该文算法很好地保留了图像的细节和边缘信息;提高了图像的峰值信噪比;抑制了Gibbs效应;具有较好的去噪效果.通过实验仿真可以看出,这种方法较好地去除了白噪声;提高了图像的峰值信噪比;较好地保存了图像的边缘和细节信息;抑制了振铃现象.     

改进邻域平均法在MRI图像去噪处理中的研究

对磁共振成像图像的去噪声处理是医学图像预处理中的重要环节。为了克服均值滤波算法不能兼顾去噪和保持图像边缘细节的不足,提出了改进邻域平均法。先根据相似者相容的原理得到待像素与各模板的关系,从而判断该像素是否为孤立噪声点。然后对孤立噪声点用灰度相近T邻域平均法进行处理,并对非孤立噪声点采用加权平滑模板进行处理。实验结果表明,该算法在去除噪声的同时,还保留了图像的边缘和细节。     

三维点云混合去噪算法研究

针对三维点云模型数据在去噪平滑过程中存在的不同尺度噪声和算法计算耗时问题,提出一种点云噪声基于分类思想的去噪算法。此算法将噪声分成两类,分别为尺度大的噪声和尺度小的噪声,首先使用统计滤波配合几何滤波去除尺度大的噪声;然后利用改进之后的双边滤波算法对小尺度噪声实现平滑去噪,实现点云模型的去噪和平滑。与传统的双边滤波相比,利用改进之后的双边滤波算法对点云模型数据进行平滑,有效提升了计算的速率。实验结果显示,此算法既能快速平滑点云数据噪声又能很好地保留被扫物体的几何特征。     

基于几何模型的SAR图像斑点噪声的抑制

斑点噪声的抑制一直是合成孔径雷达(SAR)图像处理的重要研究课题。本文利用几何模型对合成孔径雷达图像进行滤波。通过对几何模型除噪性能进行分析,提出了一个数值计算的改进格式。新的迭代格式能较好地保留图像的边缘、尖点和细节信息。最后对合成孔径雷达图像进行去噪实验,与小波阈值除噪、Lee滤波进行比较具有更好的滤波效果。     

基于K-SVD字典稀疏分解的实木地板去噪方法

针对实木地板的图像获取过程中,所产生的噪声问题,引入了K-SVD字典的学习算法,提出了一种图像的有用信息稀疏分解去噪的方法,目的是有效的保留实木地板的有用纹理信息,并抑制其中掺杂的噪声。通过对图像稀疏分解后得到的值,来进行图像重构,就可以达到图像的去噪目的。首先,构造一个初始化的DCT字典,对图像分块处理;接着,在这个初始化字典的基础之上,进行纹理信息的稀疏分解,同时,对它们之间的残差值进行奇异值分解,更新字典;最后,利用得出的最优化字典,采用正交匹配重构算法,完成去噪图像的重建。实验表明,该算法得出的图像主观效果好,减少了去噪后的模糊程度及保留更多细节信息,在不同程度的噪声下,PSNR较高。     

高噪声率红外图像直方图加权滤波算法

针对高噪声率红外图像,提出一种基于邻域相关度量的滤波算法(HWF).以图像灰度相关理论为基础,分析了盐椒噪声对红外图像灰度分布和灰度差分布的影响.盐椒噪声改变红外图像灰度直方图的相对幅值,但不改变其基本形状,高噪声率红外图像直方图保留了原始图像的灰度分布信息.定义了邻域相关系数以描述像素作为有效信号点的概率.用邻域相关系数作为滤波处理的强度指数,自适应调整处理窗内各像素在邻域加权滤波算法中的权重.灰度直方图体现了对原始信息的保留,邻域相关系数体现了对有效信号和噪声信号的识别和区别处理.实验表明,对于高噪声率红外图像,HWF算法具有良好去噪效果和细节保持能力.     

基于双尺度算法的激光雷达点云去噪北大核心CSCD

为了提高激光雷达点云去噪效果,提出双尺度算法。首先通过张量投票矩阵将激光雷达点云进行初步去噪;接着动态半径滤波对大尺度噪声去噪,有效提升滤波精度和算法效率;然后改进双边滤波算法对小尺度点云噪声去噪,权值系数对点云平滑处理,同时能获得点云细节特征;最后给出了算法流程。实验显示本文算法能够去除不同尺度的噪声,去噪后的点云模型能够保留细节处的几何特征,评价指标较优。     

基于三维块匹配的红外图像降噪与缺陷量化方法

对金属表面的缺陷检测以及量化逐渐成为一项重要的工作,对于保障器件安全有着重大意义。本文以钛合金为例,使用了一种以激光器为热源的的红外热成像缺陷量化方法。利用激光器可以点加热的优点对缺陷周围进行加热并对金属背面进行图像采集,为了使红外图像清晰表示并保留边缘,对红外图像进行同态滤波,变换后的红外图像进行噪声估计并使用基于三维块匹配的去噪算法将图像进行去噪,并且对去噪图像进行边缘检测以及缺陷量化。实验表明该系统可以有效的对金属材料进行缺陷检测,该红外去噪算法在峰峰值信噪比(PSNR)方面得到了显著的提升,在去除乘性噪声的同时也使图像边缘得到了有效地保留,该缺陷量化方法可以将误差控制在15 %以内。     

基于图像分割的点云去噪方法

在基于结构光条纹投影的三维形貌测量中，由于环境等各种因素的影响会产生各种噪声。在现有的点云去噪方法中，通过分析三维空间和点云的几何关系进行点云噪声的去除存在计算复杂、效率低等问题。为了提高点云精度和点云去噪的速度，提出了一种基于图像分割的点云去噪方法。首先，根据结构光条纹投影重构的三维点云建立二维点云映射图像；其次，利用图像阈值分割方法和区域生长方法对二维点云映射图像进行图像分割；然后，对分割出的噪声区域进行记录并去除；最后，对新的二维点云映射图像重新进行三维重建得出去除噪声的点云。实验结果表明，经过该方法处理后点云精度可以达到99.974%，去噪时间为0.954 s。所提方法可以有效去除点云噪声，避免在三维空间进行复杂的计算。     

基于像素点分类的激光主动成像混合滤波

为了在滤波的同时较好地保留边缘细节,提出一种基于像素点分类的激光主动成像混合滤波方法,将像素点根据其轮廓曲率进行分类,使用Lee滤波去除散斑噪声,使用模糊加权均值滤波器滤除其余混合噪声。定义一种轮廓点筛选方法,从含噪图像中提取候选轮廓点。将轮廓细化,剔除噪声引起的伪轮廓和强度较小的轮廓后,计算轮廓曲率,并根据轮廓曲率将图像上的像素点分为强信息点、弱信息点和无信息点。对于属于不同类的像素点,使用不同滤波参数的Lee和模糊加权均值滤波器进行滤波,使算法具备像素级的自适应性。实验结果表明,所提算法比Lee、Kuan和小波软阈值滤波有更好的去噪能力和轮廓细节保留能力。     

加权稀疏的混合噪声去除模型

针对混合噪声,结合加权稀疏与变分,提出了新颖的去噪模型.首先,进行PCA训练自适应字典,再结合非局部相似性,利用噪声的特性进行加权编码.最后,结合变分正则项,再利用对偶方法求出恢复后的图像.仿真实验表明,该算法不仅提高了图像的峰值信噪比,而且更好地保留图像的重要特征,提高图像的视觉效果.     

一种级联的激光主动成像图像融合降噪算法

针对激光主动成像图像混合噪声的特点,提出了一种投票中值滤波和整数提升小波级联的融合降噪算法。首先对激光图像进行噪声像素点检测,区分噪声点与非噪声点;而后采用投票中值滤波对噪声点进行处理,抑制脉冲噪声;然后采用整数提升小波变换对图像进行Bayes自适应阈值去噪,抑制散斑噪声;最后通过逆变换得到去噪图像。通过实验比对结果表明,该方法在具有良好的去噪、边缘保持性能的同时,还具有较为理想的实时性。     

小波支持向量去噪

噪声对图像质量产生不利影响,降低了图像的应用价值,为了更好的消除图像中的噪声,提出一种小波支持向量去噪方法.首先采集大量的激光散斑图像,并将它们划分成为训练图像集和测试图像集,然后将训练图像集输入到小波支持向量机进行学习,将图像中信号划分为噪声和有用信息,最后采用测试图像集对小波支持向量机去噪性能进行测试与分析.实验结果表明,相比于其它激光散斑图像去噪方法,小波支持向量机可以更加有效的去除噪声,可以很好的保护图像边缘细节信息,提高了激光散斑图像的质量.     

基于局部多结构元素的遥感图像消噪算法

提出了一种基于局部多结构元素形态学的遥感图像消噪算法.首先确定灰度突变像素点,利用定义的八种多结构元素对灰度突变像素点进行形态学的腐蚀操作,以实现对像素点的分类.若判断为噪声点则滤除该点,同时在该点处进行中值滤波以填补像素值;若判断为非噪声点,则保留该点像素值.仿真结果表明,该算法能够很好地滤除遥感图像中的孤立噪声点,保留遥感图像的细节,同时对参数的调整不敏感,能够应用于很多遥感图像的消噪中.