基于全变分的条码图像去噪研究

图像去噪是条码识别过程中的关键步骤,它要求减少图像干扰的同时保持清晰的边界,然而传统的高频滤波很难达到令人满意的效果。本文着重介绍基于全变分的条码图像去噪模型,把高斯噪声的降噪问题利用罚函技术分解为近似的几个线性问题,并推导出相应的Split Bregman过程。实验结果表明,该方案不但收敛速度较快,而且较好地保持图像的边缘信息,能显著提升解码的成功率。     

结合全变分的双边滤波图像去噪方法研究

图像去噪是数字图像处理过程中的一个重要步骤,它将直接影响到图像处理的最终质量。针对传统的全变分(TV)正则化去噪算法容易产生阶梯效应的缺点,利用双边滤波去噪算法在空间域和值域两个方面进行滤波的特点,提出一种结合TV模型的双边滤波方法,该方法能在一定程度上有效地改善阶梯效应。仿真实验结果表明,提出的去噪方法不仅能够获得较好的去噪效果,还能有效地保持图像的边缘特征信息,降噪效果明显。在较高水平噪声情况下,与TV算法相比,该方法针对小尺寸灰度图片(256×256)图像的峰值信噪比(PSNR)提高1.45 d B左右,大尺寸灰度图片(512×512)图像的PSNR提高2.56 d B左右。     

基于全变分理论的红外图像去噪

为了去除红外图像中的噪声,提出了一种基于全变分理论的去噪算法。该方法继承了经典全变分模型在去除噪声中保护边缘的优点,结合图像平滑扩散原理,得到了一个全新的扩散函数;同时引入了一个边缘检测算子,对正则项和忠诚项的相关参量进行了改进,使得修复后的图像大大避免了阶梯效应;最后对该算法的实现进行了推导。结果表明,该算法能够有效地去除噪声,并且避免了阶梯效应的产生。     

一种新的基于NIG模型的四元数小波图像去噪方法

基于正态逆高斯模型和快速双边滤波,本文在四元数小波变换域提出一种新的图像去噪算法.首先将噪声图像进行四元数小波变换分解,其次应用快速双边滤波算法处理低频子带,高频子带采用正态逆高斯模型对其进行建模,并结合最大后验概率估计准则推导出相应的阈值函数,最后结合最优线性插值得到的阈值算法实现图像去噪.对提出的算法进行实验仿真,通过与已有优秀去噪算法比较,结果显示本文方法取得了不错的视觉效果,且在峰值信噪比和平均结构相似性上都得到一定的提高.     

一种改进的DUDE图像去噪方法

对于消除图像中存在的噪声,目前并没有通用的去噪标准。在对图像去噪难点的分析和研究的前提下,简要介绍了该领域最新出现的DUDE(Discrete Universal Denoising)方法,同时对该方法作了改进,重新定义了像素领域,建立较准确的像素纠正方法,然后对受污染的图像进行去噪处理,并且和其他滤波方法作了性能比较。实验结果表明,采用该方法减小了均方误差,降低了内存要求,减少了先验知识或隐含假设,明显地提高了主客观去噪效果,其性能指标非常接近HMM(Hidden Markov Model)。     

全变分耦合图像去噪模型

针对TV模型去噪后图像容易产生“阶梯效应”的现象,提出一种全变分耦合图像去噪模型。首先,根据去噪过程中图像梯度的变化趋势,构造一个趋势保真项,该保真项不但能有效去除图像噪声,而且能抑制“阶梯效应”。然后用小波在频域里对图像进行系数分解,利用Canny算法的边缘检测特性,设计控制函数,控制能量的扩散方向,保持了TV模型和趋势保真项的优点,能够在保护图像边缘纹理等细节信息的同时,抑制“阶梯效应”。实验结果表明,新模型的峰值信噪比、结构相似度、视觉效果均有显著提高。另外,所提模型的运行时间较短。     

基于上下文聚合网络的图像去噪性能分析

近年来,随着神经网络理论的拓展,神经网络模型在图像处理领域得到了广泛的应用。利用上下文聚合网络实现双边滤波器算子逼近,分析其图像去噪性能。结果表明,逼近双边滤波算子的上下文聚合网络能够实现图像降噪,改善图像质量,且处理效果优于传统的双边滤波器。此外,对比分析了上下文聚合网络和去噪卷积神经网络的图像去噪性能。相比于去噪卷积神经网络,逼近双边滤波运算的上下文聚合网络处理多幅图像的速度更快,时效性更好,且随着处理图片数量增多,性能越优。相反,去噪卷积神经网络的去噪性能更优,但处理速度慢。     

基于双边滤波与非局部均值的图像去噪研究

提出了一种基于双边滤波与非局部均值的图像去 噪算法,近年来提出的非局部均值算法是去噪效果非常 出色的算法之一,双边滤波去噪算法采用空间邻近度和灰度相似性构造新的权重系数,其取 得了良好的去噪效果,本文 据此改进非局部均值算法的权重部分,把空间邻近度因子与非局部均值的权重系数相结合, 构造新的权重系数。实验表 明,本文改进权重的非局部均值算法与已有的去噪方法相比,能得到更好的峰值信噪比,能 更好的保护图像细节以及结构信息。     

基于全变分模型的光照处理算法

针对人脸识别中的光照问题,本文提出了一种利用全变分模型的光照处理算法.该算法模型简单,需要设置的参数少,并能有效地减少光晕现象.算法首先利用全变分模型来估计图像中的光照成分,然后恢复出人脸的反射系数图,并以该反射系数图作为光照不变量进行人脸识别.实验表明,基于全变分模型的光照处理算法能有效地提高人脸识别系统在不同光线条件下的识别率.     

基于噪声-纹理检测算子的图像去噪方法

利用能量泛函极小化方法对图像进行滤波时,通常用分段常数函数来近似图像,在滤除噪声的同时也丢失了许多纹理和细节信息.基于这一不足,本文提出一个噪声—纹理检测算子,利用这一算子对滤掉的信息作进一步检验,从而尽可能多的抽取出被误滤掉的纹理信息,将这些纹理信息补充回滤波后的图像中得到最终的去噪图像.实验表明,本文提出的算子对去噪后图像纹理信息的保留具有明显效果.     

基于MAP的超声图像分解去噪算法研究

超声图像中的斑点噪声,降低图像分辨率和对比度,不利于后续图像处理.本文基于最大后验概率（Maximum A Posteriori,MAP）推导出一种新的超声图像分解算法,将原始超声图像分解为无散斑真实图像和散斑图像.使用六组不同的参数值,对Field II仿真的超声图像进行分解试验,得出算法中比例参数对分解结果的影响规律.用该方法分解三幅人体超声图像,得到的真实图像平滑性好,且能较好的保留细节和边缘.本文提出的分解算法可用于超声图像的去噪,且分解得到的真实图像和散斑图像可用于特征提取、图像分割和图像分类等.     

基于格子波尔兹曼模型的图像去噪

 Perona 和 Malik提出的各向异性的扩散模型存在着模型不稳定、图像灰度容易产生"阶越"现象等缺陷.本文通过在格子波尔兹曼各向同性扩散模型的网格点间加入跨膜介质,建立了格子波尔兹曼各向异性扩散模型.该模型中前向扩散过程占据了主导作用,因而是稳定的.实验分析表明,该模型很好地解决了P-M模型存在的灰度"阶越"现象,处理结果具有更高的峰值信噪比.     

一种基于压缩感知全变差算法的图像去噪方法

压缩感知技术突破了奈奎斯特准则的局限性,在图像处理方面有着广泛的应用。提出一种改进的基于压缩感知的图像去噪方法。该方法中,对混有噪声的图像首先进行稀疏变换,然后对变换后的部分系数采用测量矩阵进行测量,最后通过全变差(TV)重建算法进行图像重建。仿真结果证实全变差重建算法在图像去噪中优于其他压缩感知重建算法,可以有效地去除图像中混有的噪声,实现图像的良好去噪。     

基于四元数小波变换域统计模型的图像去噪

图像去噪是图像处理的基本问题,四元数小波变换是1种新的多尺度分析工具.图像经四元数小波变换后,其小波系数不仅在尺度间具有相关性,而且在尺度内也具有一定的相关性.首先利用层内及层间的相关性,用非高斯分布对四元数小波系数进行建模,然后给出分类准则,把小波系数分类为重要系数和不重要系数,再用非高斯分布模型对重要系数与其邻域系...     

基于邻域统计的图像消噪方法

中值滤波是一种在去除噪声的同时能较好保护图像边缘细节的非线性滤波技术。介绍了中值滤波及其改进算法、分析了中值滤波的属性、提出了一种基于邻域统计和奇异点检测的中值滤波器的改进算法。计算机模拟实验结果表明:该改进算法能在有效地去除噪声的同时,较好地保护图像细节,较标准中值滤波器和维纳滤波器具有更优良的滤波性能。     

基于内外混合图像先验与图像融合的DIP改进降噪模型

为提高无监督深度图像先验(DIP)降噪模型的降噪性能,该文提出了一种基于内外混合图像先验与图像融合的DIP改进降噪模型(IDIP),该模型由样本生成和样本融合两个相继执行的模块组成。在样本生成阶段,首先利用2个分别来自内部和外部先验且有代表性的降噪算法(模型)处理噪声图像以产生2张初始降噪图像。基于这2张初始降噪图像,使用空间随机混合器按照各自50%混合比例随机生成足够多的混合图像作为DIP降噪模型的第2目标图像并与第1目标图像(即噪声图像)构成双目标图像。然后,每次使用不同的随机输入和双目标图像,多次执行标准DIP降噪流程生成多张具有互补性的样本图像;在样本融合阶段,首先为了获得更好的随机性和稳定性,随机丢弃50%的样本图像。然后,采用无监督融合网络在样本图像上完成自适应融合,获得的融合图像的图像质量相对参与融合的样本图像得到再次提升,作为最终降噪图像。在人工合成噪声图像上实验表明：IDIP降噪模型较原DIP降噪模型在峰值信噪比评价指标上有约2 dB的提升,且较大幅度超过了其他无监督降噪模型,逼近了有监督降噪模型。而在实际真实噪声图像上,其降噪性能较各对比方法更具鲁棒性。     

一种基于小波域HMT模型的图像去噪方法研究

小波图像去噪已经成为图像去噪的主要方法之一。利用小波变换在去除噪声时,可提取并保存对视觉起主要作用的边缘信息,但现有的去噪声方法忽略了小波系数之间的相关性。针对这一不足,在小波域隐Markov树模型(HMT) 的基础上提出了一种图像去噪新方法。实验结果表明,与普通的小波去噪方法相比,该方法不但可以保留图像的边缘信息,而且能提高去噪后图像的峰值信噪比。     

单小波去噪方法在多小波去噪中的应用研究

单小波去噪方法中Visualshrink去噪法是渐进最优的。但将'Visualshrink单小波去噪方法用于多小波去噪,其优越性丧失,图象中存在严重的Gibbs效应,且去噪效果降低,对此,我们改进了单小波Visualshrink去噪方法的门限选取,提出了改进的Visualshrink多小波去噪方法(VMD)。同时,还给出了离散多小波变换的具体实现方法。实验结果证明,改进的多小波去噪方法与直接将Visualshrink方法用于多小波去噪相比,前者效果明显好于后者。