交替使用小波去噪和全变差正则化的盲图像恢复算法

盲图像恢复就是在点扩散函数未知情况下从降质观测图像恢复出原图像.该文提出了一种交替使用小波去噪和全变差正则化的盲图像恢复算法.观测模型首先被分解成两个相互关联的子模型,这种分解转化盲恢复问题成为图像去噪和图像恢复两个问题,可以交替采用图像去噪和图像恢复算法求解.模糊辨识阶段,使用全变差正则化算法估计点扩散函数;图像恢复阶段,使用小波去噪和全变差正则化相结合的算法恢复图像.实验结果和与其它方法的比较表明该文算法能够获得更好的恢复效果.     

多通道MCP范数最小化的彩色图像去噪方法

低秩去噪方法利用核范数作为秩函数的凸近似,取得了很好的去噪效果。然而,非凸函数更加近似秩函数。针对彩色图像去噪问题,文章提出一种基于多通道MCP范数最小化的图像去噪方法。首先构建MCP(Minimax Concave Penalty)范数最小化的低秩去噪模型,对噪声图像的相似块矩阵施加MCP正则化约束。对于多通道且噪声强度不同的彩色图像,引入权重矩阵以平衡每个通道对恢复图像的估计。最后利用交替乘子方向法迭代求解模型,重建获得干净的图像。经实验验证,所提算法在性能指标和视觉效果方面都有较好的提升。     

基于Lorentzian范数的图像超分辨率重建

本文在MAP随机正则化技术估计框架下,提出了一种基于Lorentzian范数估计和自适应核回归正则项的最小化代价函数。此算法对不同假设类型的噪声模型不敏感,鲁棒性较好。实验结果证明了本文方法不仅能有效提高图像清晰度,且与其它方法相比,去噪能力更强,边缘保持较好。     

基于结构保持的MR图像运动伪影快速抑制方法

目前核磁共振图像运动伪影的校正方法普遍是基于K空间数据的方法,本文提出一种直接对核磁共振图像进行伪影校正的后处理方法.基于非局部均值总变差去噪的思想设计构造了结构保持的运动伪影校正模型,该模型由非局部均值正则项和块相似保真项构成,正则项可以有效去除运动伪影和噪声的同时保持图像的结构;将各向异性结构张量作为块相似保真项中的权函数,实现在不同区域有不同的扩散方式,在去除图像运动伪影的同时保留图像的细节信息.模型的数值求解采用分裂Bregman方法实现.本文提出的方法充分考虑了图像的几何结构特性,实验结果表明,该方法能有效去除运动伪影并保留有价值的图像细节信息,同时提高了运算速度.     

基于正则化变分模型的SAR图像增强方法

讨论合成孔径雷达（SAR）图像的噪声抑制与分辨率增强问题.建立偏微分方程抑噪方法与正则化点增强方法相结合的正则化变分模型,该模型同时具有偏微分方程模型的抑噪优势和正则化模型的分辨率增强优势.在图像的背景区域采用偏微分方程模型进行噪声抑制,而在图像的目标区域,先采用后向扩散方程进行锐化,然后再采用正则化模型进行分辨率增强,使整幅图像的处理结果均得到优化.此外,在偏微分方程抑噪模型的构造上,结合SAR成像的工程背景,提出了基于SAR图像幅度信息的前向-后向扩散方程,使方程能有效抑制图像背景区域的噪声并锐化目标边缘.大量的试验结果表明该方法能有效增强目标的强散射点,显著抑制噪杂波区的噪声.     

稀疏性正则化的图像泊松去噪算法

去除医学、天文图像中的泊松噪声是一个重要问题,基于图像在过完备字典下的稀疏表示,在BayesianMAP框架下建立了稀疏性正则化的图像泊松去噪凸变分模型,采用负log的泊松似然函数作为模型的数据保真项,模型中非光滑的正则项约束图像表示系数的稀疏性,并附加非负件约束,保证去噪图像的非负性.基于分裂Bregman方法,提出...     

基于非局部均值滤波的小波红外图像去噪

为避免小波去噪时阈值的缺陷和非局部均值滤波去噪时计算的复杂性和更有效地去除红外图像中的噪声,提出了一种采用非局部均值滤波的小波图像去噪方法.对含噪图像进行多层小波分解,采用新的贝叶斯估计阈值对高频系数进行阈值化处理,以消除高频噪声;在部分低层子带上进行非局部均值处理以进一步消除噪声.实验结果表明,与通常的小波阈值去噪和非局部均值去噪相比,该方法能很好地去除红外图像中的噪声,获得更高的信噪比(Signal To Noise Ratio,SNR)和更小的均方误差(MeanSquared Error,MSE),而且该方法计算相对简单,能达到很好的视觉效果.     

图像方向纹理保持的方向全变差正则化去噪模型及其主优化算法

正则化方法是目前解决图像去噪不适定性的一条有效途径,但对于图像中纹理细节的保持仍是棘手的问题。本文针对图像方向纹理保持的去噪问题,给出了图像方向纹理保持的方向全变差正则化去噪模型。分析和证明了方向全变差的若干等价表示性质,并基于该性质迭代构造代理泛函和B样条离散差分逼近方法,给出了一种主优化去噪算法。数值实验表明,该方法在去除噪声、抑制图像的“阶梯效应”和保持图像方向纹理等方面取得较好的效果。     

基于最小线性均方估计的小波去噪算法

提出一种新的基于最小线性估计正交小波图像去噪算法。该算法把降噪过程直接看作是一个小波系数的加权和,而不是为小波系数假设一个统计模型。在此,基于最小线性均方估计构造去噪函数,然后最小化均方误差,得到一组估计参数,从而得到线性去噪函数,实现对非线性去噪算法的改进,其最大的好处就是不用先验知识;最后通过使用该去噪算法对一定噪声级数的标准图像进行处理,并与目前去噪效果最好的BLS-GSM方法进行了比较。结果表明了该方法的有效性。     

基于CHMM 的尖锐频率局部化Contourlet 域图像去噪

提出了一种基于上下文信息隐马尔科夫模型（CHMM）的尖锐频率局部化Contourlet 域图像去噪方法。首先,对噪声图像进行循环平移操作,再利用尖锐频率局部化Contourlet 变换对平移后的图像进行分解,解决了原始Contourlet 变换频率非局部化及缺乏平移不变性的问题,抑制图像在奇异点处产生的伪吉布斯现象。然后,设计一种新的上下文构造方案,针对图像高频子带系数构建CHMM 进行去噪处理。最后,执行尖锐频率局部化Contourlet 逆变换以及逆向循环平移操作获得最终的去噪图像。文中方法采用有效的变换机制并利用上下文信息构建了一个全面的统计相关模型,充分表达了轮廓波高频子带系数在尺度间的持续性、尺度内的多方向选择性和空间邻域内的能量聚集特性,更加有利于图像的去噪处理。实验结果表明:该方法在提高去噪图像PSNR 值的同时进一步改善了其视觉效果,去噪性能优于基于小波变换和原始Contourlet 变换的去噪方法。     

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。     

利用HSSIM和残差比阈值的3维激光扫描图像去噪

为了更好地实现3维激光扫描图像的去噪,提出一种融合直方图结构相似度(HSSIM)和残差比阈值的改进稀疏去噪算法。利用初始化过完备字典进行稀疏分解,以相似因子代替重构误差作为保真项,利用残差比阈值作为正交匹配追踪算法的迭代终止条件对图像进行去噪,获得了去噪后图像的峰值信噪比及HSSIM指标。结果表明,与基于db2小波变换、多尺度曲波变换和离散余弦变换的去噪方法相比,该算法能获得更好的峰值信噪比和HSSIM数据。在有效去除图像噪声的同时还能更有效地保留图像的细节特征。     

Image denoising algorithm based on even step-length generalized cross validation model

Generalized cross validation (GCV) is a significant mean square error (MSE) estimator. It is widely used for image denoising because it can provide an optimal denoising threshold for these wavelet coefficients of noise image. However, the computational complexity of GCV is higher than that of the universal threshold denoising algorithm. In this study, an efficient and fast image denoising algorithm is proposed based on even step-length (ESL) GCV model. In ESL-GCV model, only the thresholds on even points are calculated from four to the maximum wavelet coefficient. In addition, the ESL-GCV model is optimized using the integer wavelet transform (IWT). These experimental results show that the IWT-based ESL-GCV model can provide lower computational complexity and the better peak signal-to-noise ratio (PSNR) than those of the traditional GCV. The proposed algorithm has important theoretical and practical value for image denoising in the future.     

基于改进深度学习自编码的图像边沿畸变校正算法研究

图像边沿畸变校正中直线投影衍生边沿拟合度差,导致校正误差大,提出基于改进深度学习自编码的图像边沿畸变校正算法。采用自适应阈值小波去噪算法,对各级尺度参数实施自适应变换,完成噪声去除。根据图像去噪结果,使用费舍尔向量编码优化深度学习结果,提取图像的边沿畸变形态。并以边沿畸变形态提取结果为基础,获取校正目标优化函数,分析边沿断裂情况,实现直线投影衍生边沿拟合;通过确定图像边沿误差评价函数,判断图像边沿畸变校正方式,达到图像边沿畸变校正的目的。以含噪桶形畸变与枕形畸变图像为研究对象进行实验分析,结果表明,所提算法可有效校正图像的桶形畸变与枕形畸变,桶形、枕形图像边沿畸变校正后,图像中的边沿条数和原图一致均为5条,实现高精度、高效率的图像边沿畸变校正。     

基于多通道GAN的图像去噪算法

针对图像采集和传输过程中所产生噪声导致后续图像处理能力下降的问题,提出基于生成对抗网络(GAN)的多通道图像去噪算法。所提算法将含噪彩色图像分离为RGB三通道,各通道基于具有相同架构的端到端可训练的GAN实现去噪。GAN生成网络基于U-net衍生网络以及残差块构建,从而可参考低级特征信息以有效提取深度特征进而避免丢失细节信息;判别网络则基于全卷积网络构造,因而可获得像素级分类从而提升判别精确性。此外,为改善去噪能力且尽可能保留图像细节信息,所构建去噪网络基于对抗损失、视觉感知损失和均方误差损失这3类损失度量构建复合损失函数。最后,利用算术平均方法融合三通道输出信息以获得最终去噪图像。实验结果表明,与主流算法相比,所提算法可有效去除图像噪声,且可较好地恢复原始图像细节。     

An image denoising algorithm for mixed noise combining nonlocal means filter and sparse representation technique

Nonlocal means (NLM) filtering or sparse representation based denoising method has obtained a remarkable denoising performance. In order to integrate the advantages of two methods into a unified framework, we propose an image denoising algorithm through skillfully combining NLM and sparse representation technique to remove Gaussian noise mixed with random-valued impulse noise. In the non-Gaussian circumstance, we propose a customized blockwise NLM (CBNLM) filter to generate an initial denoised image. Based on it, we classify the different noisy pixels according to the three-sigma rule. Besides, an overcomplete dictionary is trained on the initial denoised image. Then, a complementary sparse coding technique is used to find the sparse vector for each input noisy patch over the overcomplete dictionary. Through solving a more reasonable variational denoising model, we can reconstruct the clean image. Experimental results verify that our proposed algorithm can obtain the best denoising performance, compared with some typical methods.     

基于PSF参考模型的星敏感器单粒子效应在轨校正方法

为了提高星敏感器在遭受单粒子效应打击情况下的质心提取精度,提出了一种基于点扩散函数参考模型的在轨校正方法。通过构建星点参考模型及残差校正,该方法能有效去除单粒子噪声,校正噪声星点形态,降低星点质心定位误差。与传统去噪算法相比,该方法能在有效去噪的同时保护星点能量不被破坏。通过仿真实验验证了该算法抗单粒子效应的有效性,通过对比实验验证了该算法相比传统算法的优越性。     

Stochastic image denoising based on Markov-chain Monte Carlo sampling

A novel stochastic approach based on Markov-chain Monte Carlo sampling is investigated for the purpose of image denoising. The additive image denoising problem is formulated as a Bayesian least squares problem, where the goal is to estimate the denoised image given the noisy image as the measurement and an estimated posterior. The posterior is estimated using a nonparametric importance-weighted Markov-chain Monte Carlo sampling approach based on an adaptive Geman-McClure objective function. By learning the posterior in a nonparametric manner, the proposed Markov-chain Monte Carlo denoising (MCMCD) approach adapts in a flexible manner to the underlying image and noise statistics. Furthermore, the computational complexity of MCMCD is relatively low when compared to other published methods with similar denoising performance. The effectiveness of the MCMCD method at image denoising was investigated using additive Gaussian noise, and was found to achieve state-of-the-art denoising performance in terms of both peak signal-to-noise ratio (PSNR) and mean structural similarity (SSIM) metrics when compared to other published methods.     

一种基于改进阈值函数Contourlet域的图像去噪算法

针对Contourlet域中传统硬阈值函数由于函数不连续所造成的振铃和伪吉布斯现象以及软阈值函数由于恒值压缩导致的图像模糊失真的问题,文中提出一种基于改进阈值函数的Contourlet域图像去噪算法。该改进阈值函数引入了指数平滑函数法的思想,使其在Contourlet域内具备连续性、渐进性、偏差性和高阶可导性,克服了软硬阈值函数存在的问题。方法中阈值估计部分选取的是BayesShrink自适应阈值估计,能够比较精准的确定阈值大小,并且解决了传统固定阈值估计过度扼杀变换系数的现象。通过对比实验,文中提出的改进后图像去噪方法在峰值信噪比、均方根误差和图像增强因子等客观评价标准上与传统去噪方法相比具备较好的去噪效果。     

采用双通道卷积神经网络构建的随机脉冲噪声深度降噪模型

为提高对随机脉冲噪声(RVIN)图像的降噪效果,该文提出一种被称为双通道降噪卷积神经网络(D-DnCNN)的RVIN深度降噪模型。首先,提取多个不同阶对数差值排序(ROLD)统计值及1个边缘特征统计值构成描述图块中心像素点是否为RVIN噪声的噪声感知特征矢量。其次,利用预先训练好的深度置信网络(DBN)预测模型实现特征矢量到噪声标签的映射,完成对噪声图像中噪声点的检测。再次,在噪声检测标签的指示下采用Delaunay三角剖分插值算法快速修复噪声像素点从而获得初步复原图像。最后,将初步复原图像作为参考图像与噪声图像联接(concatenate)后输入D-DnCNN模型后获得残差图像,将参考图像减去残差图像即可获得降噪后图像。实验数据表明:D-DnCNN模型在各个噪声比例下的降噪效果均显著超过了现有的经典开关型RVIN降噪算法,与普通的单通道RVIN深度降噪模型相比也有较大幅度提升。