HMT与HMRF联合的SAR图像小波去斑方法

该文将隐马尔可夫树(HMT)和隐马尔可夫随机场(HMRF)两种模型相结合,提出了一种新的估计SAR图像小波系数隐状态的迭代算法.使用该算法可以充分利用小波系数尺度间和尺度内的相关性,更准确地估计隐状态.在此基础上,通过贝叶斯估计分离出小波系数中的信号成分即可消除噪声影响.实验结果表明,该算法能够有效抑制SAR图像相干斑,同时可较好地保持边缘等图像结构特征.     

基于尺度间和尺度内相关陛的平稳小波红外图像去噪

提出了一种基于尺度间和尺度内相关性的平稳小波变换红外图像去噪方法。首先对红外图像进行离散平稳小波变换，分别对各个分解层的高频子带，利用不同尺度小波系数形成的系数向量，通过线性最小均方误差估计小波系数，获得各个高频子带的估计系数，再利用小波系数尺度内的邻域相关性对小波系数进行修正，然后通过小波反变换得到去噪图像。仿真结果表明，考虑尺度间和尺度内相关性的平稳小波红外图像去噪算法能有效地去除红外图像噪声，在信噪比和视觉质量上要优于单纯考虑尺度间相关性的去噪方法。     

基于尺度间和尺度内相关性的平稳小波红外图像去噪

提出了一种基于尺度间和尺度内相关性的平稳小波变换红外图像去噪方法.首先对红外图像进行离散平稳小波变换,分别对各个分解层的高频子带,利用不同尺度小波系数形成的系数向量,通过线性最小均方误差估计小波系数,获得各个高频子带的估计系数,再利用小波系数尺度内的邻域相关性对小波系数进行修正,然后通过小波反变换得到去噪图像.仿真结果表明,考虑尺度间和尺度内相关性的平稳小波红外图像去噪算法能有效地去除红外图像噪声,在信噪比和视觉质量上要优于单纯考虑尺度间相关性的去噪方法.     

基于尺度乘积和相关性的图像去噪

为了去除图像的噪声,提出了一种基于尺度乘积和尺度相关性的平稳小波交换图像去噪方法.在传统小波系数估计的基础上,考虑到尺度间的相关性,利用不同尺度小波系数形成的系数向量,通过线性最小均方误差估计小波系数,获得各个高频子带的估计系数.针对单纯利用尺度间相关性去噪造成的图像边缘失真问题,在不同尺度小波系数形成的系数向量中引入了小波系数乘积,不但可以较好区分边缘信息和噪声信息,而且提高了原有算法的去噪能力.仿真结果表明,该图像去噪算法能有效去除图像噪声,较好保持图像边缘,在峰值信噪比和视觉质量上都有较大提高.     

基于线性融合模型的多传感器图像融合

本文提出了一种新的基于小波变换的多传感器图像融合算法,在线性融合模型中引入了传感器噪声项,算法首先给出了基于期望融合图像局部方差最大的多传感器融合系数估计方法,然后利用多传感器图像和融合系数估计期望融合图像.最后的实验结果表明了本文图像融合方法具有明显的噪声抑制能力,能够得到更好的融合效果.     

基于改进噪声方差估计的小波阈值语音增强

提出了一种估计语音噪声方差的改进方法,利用语音信号小波系数尺度间的相关性,去除了语音信号细节小波系数对噪声方差估计的干扰。仿真结果表明,方法能准确估计语音信号的噪声方差,尤其当语音噪声较小时,方法比传统的Donoho法更准确。     

在小波域中进行图像噪声方差估计的EM方法

提出一种估计图像噪声的方法,该方法用混合高斯概率密度模型拟合图像的小波系数中最高频率子带的直方图,用EM算法估计模型的参数,选取其中最小的标准方差作为图像噪声标准方差。用该方法能准确地估计图像高斯噪声的标准方差,尤其当图像的噪声比较弱时,该方法比传统方法更准确。     

基于NSCT域各向异性双变量萎缩图像去噪

提出了一种用各向异性双变量拉普拉斯函数模型去模拟NSCT域的系数的图像去噪算法,这种各向异性双边拉普拉斯模型不仅考虑了NSCT系数相邻尺度间的父子关系,同时满足自然图像不同尺度间NSCT系数方差具有各向异性的特征,基于这种统计模型,文中先推导出了一种各向异性双变量收缩函数的近似形式,然后基于贝叶斯去噪法和局部方差估计将这种新的阈值收缩函数应用于NSCT域,实验结果表明文中提出的方法同小波域BiShrink算法、小波域ProbShrink算法、小波域NeighShrink算法相比,能够有效地去除图像的高斯噪声,提高了图像的峰值信噪比;并较完整地保持了图像的纹理和边缘等细节信息,从而明显改善了图像的视觉效果。     

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。     

一种基于椒盐噪声新型组合滤波算法仿真研究

提出了一种新型组合滤波算法。该算法首先在噪声方差估计、滤波模板类型和尺寸大小等方面对自适应维纳滤波进行改进,对图像噪声进行预处理;其次将预处理后的图像进行二维多尺度小波分解,由于低频子图像基本不受噪声污染,故不作处理;然后对开关中值滤波分别从噪声检测、噪声分类、噪声滤波等方面进行改进,并给出具体实现步骤,用于小波域高频子图像滤波;最后将滤波后高频子图像和低频子图像进行小波系数重构。实验结果表明,两类改进滤波算法在滤波性能上均优于原始算法,在抗噪性和细节保持等方面具有一定优势。     

基于平稳小波变换的图像去噪方法

针对传统正交小波变换在图像去噪时存在的边缘失真，提出了一种基于平稳小波变换的图像去噪方法。使用系数关联法将图像小波分解后的高频分量像素标记为噪声和边缘，如果小波系数被标记为边缘，则保持其系数不变，否则采用基于邻域的方法进行系数收缩。当噪声方差较大时，收缩后最小尺度的高频分量中会存在一些孤立的亮点或暗点，借助次大尺度高频分量将其去除，对处理后的小波系数进行平稳小波反变换得到去噪图像。实验结果表明，本文方法能够在去除噪声的同时较好地保持图像的边缘，是一种有效的图像去噪方法。     

Wavelet domain image resolution enhancement

A wavelet-domain image resolution enhancement algorithm which is based on the estimation of detail wavelet coefficients at high resolution scales is proposed. The method exploits wavelet coefficient correlation in a local neighbourhood sense and employs linear least-squares regression to estimate the unknown detail coefficients. Results show that the proposed method is considerably superior to conventional image interpolation techniques, both in objective and subjective terms, while it also compares favourably with competing methods operating in the wavelet domain.     

A versatile wavelet domain noise filtration technique for medical imaging

In this paper, we propose a robust wavelet domain method for noise filtering in medical images. The proposed method adapts itself to various types of image noise as well as to the preference of the medical expert; a single parameter can be used to balance the preservation of (expert-dependent) relevant details against the degree of noise reduction. The algorithm exploits generally valid knowledge about the correlation of significant image features across the resolution scales to perform a preliminary coefficient classification. This preliminary coefficient classification is used to empirically estimate the statistical distributions of the coefficients that represent useful image features on the one hand and mainly noise on the other. The adaptation to the spatial context in the image is achieved by using a wavelet domain indicator of the local spatial activity. The proposed method is of low complexity, both in its implementation and execution time. The results demonstrate its usefulness for noise suppression in medical ultrasound and magnetic resonance imaging. In these applications, the proposed method clearly outperforms single-resolution spatially adaptive algorithms, in terms of quantitative performance measures as well as in terms of visual quality of the images.     

基于双密度双树复数小波变换的合成 孔径雷达图像降噪研究

 针对合成孔径雷达(SAR)图像相干斑噪声抑制问题,本文将双密度双树复数小波变换(DD-DT CWT)结合具有局部方差估计的双变量收缩阈值函数(BSF)构成一种新的SAR图像降噪算法实现合成孔径雷达图像降噪.首先将SAR图像用双密度双树复数小波变换进行多尺度分解,考虑小波系数间的相关性,用双变量概率密度函数作为小波系数及其父代系数的统计关性的模型,并通过Bayesian估计理论导出相应的非线性双变量收缩函数对图像不同方向的小波系数进行非线性自适应的处理,最后重建降噪后的图像.分别用仿真SAR图像和实际图像对算法进行验证,并与其它方法的性能进行比较,对不同算法处理后图像进行了主客观评价,分析结果表明,新算法的去噪效果明显优于传统的小波变换方法,不仅有效实现了图像降噪,而且较好保留了图像细节.含噪SAR图像经该算法处理后,图像性能指标均有提高.     

基于NSCT域的自适应阈值遥感图像去噪方法

提出一种新的基于非下采样Contourlet变换(NSCT)的图像自适应阈值去噪方法.根据NSCT系数所在领域区域的特性,给出不同尺度不同方向的自适应咧值.仿真实验结果表明,通过本文提出的方法能够有效去除遥感图像的高斯噪声,较完整的保持图像的边缘等细节信息.与小波硬阈值、Contourlet硬阈值和基于非下采样Cont...     

遥感图像的NSCT自适应阈值去噪方法

提出了一种基于非下采样Contourlet变换(NSCT)相结合的遥感图像自适应阈值去噪方法。通过小波估计被噪声污染遥感图像的噪声强弱,根据噪声的强弱以及NSCT的分解特点及系数所在邻域的特性,给出不同尺度不同方向的自适应阈值。仿真实验结果表明,与小波硬阈值、Contourlet硬阈值和基于非下采样Contourlet硬阈值去噪方法比较,该方法在提高了图像的峰值信噪比的同时也减少了Gibbs现象,图像视觉效果也得到明显的改善。     

Hyperanalytic denoising.

A new threshold rule for the estimation of a deterministic image immersed in noise is proposed. The full estimation procedure is based on a separable wavelet decomposition of the observed image, and the estimation is improved by introducing the new threshold to estimate the decomposition coefficients. The observed wavelet coefficients are thresholded, using the magnitudes of wavelet transforms of a small number of "replicates" of the image. The "replicates" are calculated by extending the image into a vector-valued hyperanalytic signal. More than one hyperanalytic signal may be chosen, and either the hypercomplex or Riesz transforms are used, to calculate this object. The deterministic and stochastic properties of the observed wavelet coefficients of the hyperanalytic signal, at a fixed scale and position index, are determined. A "universal" threshold is calculated for the proposed procedure. An expression for the risk of an individual coefficient is derived. The risk is calculated explicitly when the "universal" threshold is used and is shown to be less than the risk of "universal" hard thresholding, under certain conditions. The proposed method is implemented and the derived theoretical risk reductions substantiated.     

Image denoising based on wavelets and multifractals for singularity detection.

This paper presents a very efficient algorithm for image denoising based on wavelets and multifractals for singularity detection. A challenge of image denoising is how to preserve the edges of an image when reducing noise. By modeling the intensity surface of a noisy image as statistically self-similar multifractal processes and taking advantage of the multiresolution analysis with wavelet transform to exploit the local statistical self-similarity at different scales, the pointwise singularity strength value characterizing the local singularity at each scale was calculated. By thresholding the singularity strength, wavelet coefficients at each scale were classified into two categories: the edge-related and regular wavelet coefficients and the irregular coefficients. The irregular coefficients were denoised using an approximate minimum mean-squared error (MMSE) estimation method, while the edge-related and regular wavelet coefficients were smoothed using the fuzzy weighted mean (FWM) filter aiming at preserving the edges and details when reducing noise. Furthermore, to make the FWM-based filtering more efficient for noise reduction at the lowest decomposition level, the MMSE-based filtering was performed as the first pass of denoising followed by performing the FWM-based filtering. Experimental results demonstrated that this algorithm could achieve both good visual quality and high PSNR for the denoised images.     

基于非抽样小波和边缘保持的自适应图像降噪

提出了一种基于非抽样小波和边缘保持的自适应图像降噪方法.利用小波系数的层间相关性理论及小波域系数模型理论,对小波变换得到的系数进行了分类和处理.与当前许多方法的做法不同,本文算法将图像的小波系数分成了与边缘相关的系数、与同性区域相关的系数和与噪声相关的系数,针对这3类系数的特点,使用不同的策略进行分别处理,保证了降噪的性能.实验结果表明,与传统方法相比,该方法不仅可以获得较清楚的图像边缘,而且降噪后图像质量优良.