基于稀疏表示的Shearlet域SAR图像去噪

该文通过分析SAR图像的噪声成因以及其斑点噪声模型,结合图像的稀疏表示理论提出一种基于稀疏表示的Shearlet域SAR图像去噪算法。算法从整体上对SAR图像进行去噪:首先对SAR图像进行Shearlet变换,然后利用稀疏表示模型构造出去噪的最优化模型,在此基础上进行迭代去噪,然后重构SAR图像得到去噪后的图像。实验结果表明:该文所提出的算法不仅可以显著去除相干斑噪声,提高去噪图像的峰值信噪比(Peak Signal to Noise Ratio, PSNR),还明显地改善了图像的视觉效果,更好地保留了图像纹理信息。     

一种改进的小波阈值裂纹图像去噪法

文中采用一种新的小波阈值法进行数字图像去噪。该方法是在原有小波算法之上进行改进,一方面改进闽值公式,寻求最优的阈值,获取更好的边缘保护,从而达到图像原始信息完整性;另一方面通过优化阁值函数获得改进的阚值方法,提高小波系数阈值判断的准确性,获得更好的去噪效果。实验结果表明,与通常的方法相比较,能更好的去除数字图像噪声、保护图像边缘,获得更好的峰值信噪比、边缘保持指数和更好的视觉效果,达到去噪要求。     

一种新的融合小波变换与低秩矩阵恢复的图像去噪算法

针对小波阈值图像去噪会引入量化噪声和阈值选取不当会损失图像本身有用信息的问题,提出一种新的融合小波变换与低秩矩阵恢复(Low Rank Matrtix Recovery,LRMR)的图像去噪算法.不同于传统的单一阈值的去噪算法,所提出的算法在单一阈值上结合了低秩矩阵恢复算法,这样不仅能进一步消除噪声,同时还能修复被噪声损坏的数据,而且更能适应各种不同的噪声环境.首先,选取固定阈值对图像矩阵进行小波去噪处理.其次,采用增广拉格朗日乘子算法最小化矩阵核范数.最后,将矩阵分解为低秩逼近矩阵和稀疏误差矩阵.实验结果表明,算法获得了较高的峰值信噪比,在不同噪声环境下有较高的鲁棒性.     

基于非局部图像去噪的方法研究

提出了一种利用非局部相似的图像去噪方法,通过非凸函数阈值得到噪声图像的多个初步去噪图像,其参数的选择较接近,并将这些初步去噪的图像选取相似块,利用非局部平均的方法,对图像进行去噪恢复。通过实验可知,文中提出的方法对于噪声图像去噪具有较好的效果,与典型的非局部平均方法相比,该方法能得到更好的峰值信噪比。     

高分辨率红外图像的分层自适应阈值Curvelet系数萎缩去噪方法

高分辨率红外图像在基于小波系数阈值萎缩的去噪过程中,容易导致边缘模糊或丢失等失真。文中首次引入基于wrapping的第二代快速Curvelet变换,对图像边缘信息进行有效的稀疏保存,并采用分层自适应阈值算法独立估计每个尺度、方向上的Curvelet系数噪声阈值,并针对红外图像的Curvelet系数能量高度集中于低尺度系数的特点,采用尺度相关的硬阈值对染噪图像的Curvelet系数进行处理。实验结果表明：在不同噪声条件下,与基于小波系数的Visu Shrink,Penalized,sparsity-norm阈值等去噪算法相比,文中提出的去噪算法取得了较好的去噪效果,在噪声方差σ=30时,使用该方法的峰值信噪比(PSNR)可高达31.77 dB,去噪后的图像边缘保持良好,具有较好的视觉效果;同时,文中建议算法的计算量比传统Curvelet降低了70%以上,适合在DSP等嵌入式系统应用。     

基于盲估计和双边滤波的SAR图像稀疏降噪

合成孔径雷达（SAR）在成像过程中由于固有成像机制的缺陷导致图像被乘性噪声污染，图像噪声对后续目标检测识别等处理过程造成了阻碍。现有的去噪算法存在不能自适应估计噪声大小和对边缘保持效果不理想的问题，如何自适应处理不同噪声水平的图像是一个研究难点。提出一种基于盲估计和双边滤波的SAR图像稀疏去噪算法。首先利用双边滤波得到具有良好边缘保持特性的预处理图像；接着利用盲估计获取图像全域噪声水平，将其充当稀疏重建过程中的残差阈值；最后利用稀疏编码和字典学习算法，用尽可能少的原子信息来表示图像，达到图像去噪的目的。实验结果表明，结合了盲估计的稀疏重建算法不仅有效去除了图像噪声，使等效视数获得了显著提升，而且峰值信噪比和边缘保持指数也有良好的表现，有效保留了原图的细节纹理信息。     

一种新的图像自适应阈值去噪方法

针对小波变换缺乏平移不变性产生的伪吉布斯现象(Gibbs-like phenomena)和Donoho阈值去噪方法阈值单一的缺陷,提出了基于Cycle Spinning的图像自适应阈值去噪方法,Cycle Spinning能抑制伪吉布斯现象,并且给出了阈值自适应因子,阈值能根据不同高频子带自适应改变。实验显示,该方法提高了去噪图像峰值信噪比(PSNR),降低了均方误差(MSE),去噪图像清晰,获得较好的视觉效果。     

一种基于非下采样Contourlet变换的去噪算法

文章提出了一种新的去噪算法,算法是基于非下采样Contourlet变换(NSCT)的自适应阈值。首先需要对含噪图像进行非下采样Contourlet变换,然后得到各个尺度各个方向子带的系数。为了克服软、硬阈值函数的缺点,提出了一种自适应的新阈值函数。仿真实验表明,文章方法在峰值信噪比(PSNR)、信噪比(SNR)、均方误差(MSE)与视觉效果上均优于其他去噪算法。     

基于K-SVD算法改进BayesShrink小波阈值去噪

提出了一种基于BayesShrink小波阈值去噪算法和稀疏字典学习算法(K-SVD)相结合的图像去噪算法.针对现有的小波去噪算法只处理了细节子带系数,而没有处理近似子带的系数最终导致去噪效果带有局限性的问题,在实际应用中,噪声不仅改变了细节子带系数同时还改变了近似子带的系数,提出了使用K-SVD算法处理图像小波变换近似子带系数以改进现有小波阈值图像去噪算法的效果的缺陷,仿真实验结果表明:改进后的算法能够有效的去除图像的高斯噪声,提高图像的峰值信噪比,明显的改善图像的视觉效果.     

采用多级残差滤波的非局部均值图像去噪方法

为充分利用残差中的图像信息以提升非局部均值算法的去噪性能,该文提出一种多级残差图像滤波新方法。首先对含噪图像进行非局部均值滤波得到初始的去噪图像和权值分布矩阵,然后对残差图像进行固定权值非局部均值滤波来提取图像结构信息,将提取的信息经高斯平滑抑噪后作为补偿图像,与去噪图像相加得到增强的恢复图像。针对上述方法提出一种多级滤波的实现方案,从理论上推导证明了该方法的原理及可行性,并提出一种无需参考图像的迭代停止准则来自适应地优选滤波级数。实验结果表明,提出的迭代停止准则能够达到与峰值信噪比一致的优选结果;与经典的非局部均值算法相比,在计算效率相当的情况下,所提方法能够显著地提升其去噪性能,峰值信噪比平均可以提高1.2 dB,且具有更好的细节保持能力。     

Video denoising via spatially adaptive coefficient shrinkage and threshold adjustment in Surfacelet transform domain

Many video denoising methods originated from methods designed for processing static two-dimensional images. Videos would be processed frame by frame, a process with a relatively high computational complexity, without taking into account the correlation information between frames. In this paper, a video denoising method using coefficient shrinkage and threshold adjustment based on Surfacelet transform (CSTA-ST) is proposed, which processes multiple frames of a video as an ensemble. Spatial correlation is used to define a weighted spatial energy. Each Surfacelet transform (ST) coefficient has a corresponding estimated energy value, in which the ST coefficients are grouped by. The similarity of the ST coefficients in a group determines the threshold of each ST coefficient. In addition, according to the neighborhood information of ST coefficients, the threshold is adjusted by a threshold adjustment factor. The coefficient shrinkage parameter is determined based on the adjusted threshold, and the ST coefficients are shrunk. Finally, the denoised video is obtained by the inverse ST using the shrunk coefficients. In experiments, video sequences with noise are tested, and the denoised results of the proposed method are compared with that of current denoising methods. The experimental results show that the proposed method significantly improves the peak signal-to- noise ratio (PSNR) and the structural similarity (SSIM) for various levels of noise and motion, and the ideal denoised visual effect is obtained.     

Shearlet变换域自适应图像去噪算法

首先采用Haar小波滤波器,设计出一种数字Shearlet变换算法。然后对Shearlet系数间的相关性进行统计分析,提出了一种尺度相关的自适应阈值收缩图像去噪算法。最后选用峰值信噪比和视觉质量为评价标准,实验验证算法的去噪性能。结果表明,本文算法获得更高的峰值信噪比,更好地保留了图像的细节信息。     

基于稀疏分解的指静脉图像去噪

手指静脉识别技术因其独特的优势,受到广泛的关注。然而由硬件系统获取的手指静脉图像常常含有严重的噪声、阴影等问题,所以对低质量的静脉图像的去噪成为了整个识别过程的关键。本文提出了一种基于稀疏分解的指静脉图像去噪新方法。基于稀疏分解的图像去噪是将含有噪声的图像信息进行稀疏分解,分解成稀疏成分和其他成分。其中的稀疏部分是有用信息,其他部分被认为是噪声,再由图像的稀疏部分重建原始信号,达到恢复原始信号并去除噪声的效果。本文根据指静脉图像的静脉的特点,应用高斯函数构造了过完备库。用合成图像和真实指静脉图像分别对新算法进行实验验证。实验结果证明,与传统的去噪算法相比,峰值信噪比提高1-2dB。      

基于小波域Curvelet变换的湍流图像去噪算法

为了提高湍流图像的空间分辨率,提出了一种基于小波域Curvelet变换(wavelet domain Curvelet transform,WDCT)的湍流图像去噪算法。该算法根据湍流退化图像噪声的统计特性,结合贝叶斯萎缩方法优化阈值选择。首先,对含噪湍流图像进行单层二维离散小波变换,接着提取高频系数并对它作快速离散Curvelet变换,最后根据贝叶斯准则估计阈值T,改进阈值的自适应选取方法,获得最优阈值,最后给出湍流图像去噪实现过程。为验证本文算法,根据客观评价标准峰值信噪比(peak signal to noise ratio,PSNR)和均方根误差(mean square error,MSE),对模拟图像和实测湍流图像进行去噪实验。与DWT-NABayesShrink算法、UWT算法相比,视觉效果更好,PSNR值分别提高7.27%和4.92%,MSE值分别降低26.3%和23.1%。本文算法得到较清晰的目标图像,对湍流退化图像去噪有一定的应用价值。     

基于图形小波变换的遥感图像表示与去噪

离散小波变换(Discrete Wavelet Transform,DWT)通常用于图像的表示。然而,对于具有不规则形状边缘的图像,尤其是对于纹理和细节信息较多的遥感图像,DWT却很难有效表示,进而影响后续去噪效果。针对该问题,提出了一种基于图形小波变换(Graphic Wavelet Transform,GWT)的图像去噪方法。首先,将图像表示为图形信号,并通过该图形信号的谱表示构造相应的变换矩阵;然后,设计了一种改进自适应阈值的图像去噪方法,在GWT变换域内对图像去噪。实验结果表明,与常用的图像去噪方法相比,所提算法能够提供更好的图像主观质量。采用均方根误差(Root Mean Square Error,RMSE)和峰值信噪比(Peak Signal-to-Noise Ratio,PSNR)作为客观指标,结果表明,采用所提方法得到的重建图像客观质量更优。     

Tetrolet变换方块效应改善算法

针对Tetrolet 变换算法对图像去噪后存在方块效应的缺陷,文中对Tetrolet 变换算法进行了扩展和改进,并引入移位（Cycle Spinning）来有效消除Tetrolet 变换算法中的方块效应。仿真结果表明,所提出的算法不仅能有效去除噪声,而且可得到更高的峰值信噪比,提高了图像的主客观质量。去噪后图像保留了原始图像的边缘和细节等局部特征,较为平滑,且方块效应得到了一定的改善和抑制,因而该算法是有效可行的。     

Image denoising and quality measurements by using filtering and wavelet based techniques

An image is often corrupted by noise in its acquisition and transmission by various kinds of noises. Image denoising using thresholding methods find appropriate values (threshold) which separates noise values to actual image values without affecting the significant features of the image. Wavelet transform represents image energy in compact form and representation helps in determining threshold between noisy features and important image feature. In this paper we have worked with denoising of salt–pepper and Gaussian noise. The work is organized in four steps as follows: (1) image is denoised by filtering method, (2) image is denoised by wavelet based techniques using thresholding, (3) hard thresholding and filtering method applied simultaneously on noisy image, (4) results of PSNR (peak signal to noise ratio) and MSE (mean square error) are calculated by comparing all cases.