基于边缘检测的图象小波阈值去噪方法

边缘特征是图象最为有用的高频信息，因此，在图象去噪的同时，尽量保留图象的边缘特征，应是图象去噪首要顾及的问题。基于这一思想，提出了基于边缘检测的图象小波阈值去噪方法。该方法在去噪之前，先通过小波边缘检测方法确定哪些小波系数是图象的边缘特征，这些小波系数将不受阈值去噪的影响，因此，可以只是根据噪声方差来设置去噪的阈值，而不必担心损害图象的边缘特征。理论分析和实验结果都表明，与普通的小波阈值去噪方法相比，该方法不但可以保持图象的边缘信息，而且能提高去噪后图象的峰值信噪比1-2dB。要做到既去除图象噪声，又不模糊图象边缘特征是很困难的。该方法把去噪和边缘检测结合起来，在一定程度上解决了这种两难的问题。     

一种新的多小波图象去噪法

多小波是近年发展起来的一种新的小波理论,它把十分重要的光滑性、紧支性、正交性、对称性等完美地结合起来.本文针对多小波图象去噪问题,对Minimax单小波去噪方法进行了改进,提出了改进Minimax多小波去噪方法,简称IMDM方法.实验数据表明,IMDM去噪方法与直接将Minimax方法用于多小波去噪相比,效果明显优于后者.     

基于微分方程和小波图象去噪研究

小波图象去噪是目前图象去噪的主要方法之一,它可以在很好去除噪声的前提下保持图象的细节特征。近年来基于偏微分方程的图象去噪方法得到了广泛的关注。在一定的约束条件下,求解方程的最优解可以达到比较好的去噪的目的。实验结果表明,该方法在图象去噪的效果上要比小波去噪好,去噪后图象的信噪比高。     

基于离散正交小波变换的图象去噪方法

给出了一种基于离散正交小波变换的图象去噪方法,该方法通过二维离散小波变换将图象投影到小波变换域,通过对小波变换系数进行阈值处理实现二维图象的去噪,并用实验验证了该方法的有效性。     

基于Matlab的小波阈值折衷去噪算法研究

基于硬阈函数和软阈函数的小波去噪算法处理的信号分别存在着偏差和方差过大的缺点,为有效解决这一问题,提出基于硬软阈值的折衷小波去噪算法。并采用四种常用的信号用matlab对去噪效果进行了仿真。仿真结果进一步表明了基于硬软阈值折衷去噪算法的优越性和有效性。     

基于正交小波变换的图象去噪算法的改进

本文在BayesShrink阈值的基础上,提出了一种计算更有效的自适应的阈值估计,并针对传统的软、硬阈值函数在去噪中的不足,提出一种新的去噪阈值函数,最后将所提出的图象去噪方法与传统方法进行了实验比较,实验结果表明该方法在图象去噪中取得较好的效果,有效地提高了信号去噪所得信噪比增益。     

基于混合高斯模型的图象去噪方法研究

提出在正交小波域中基于父子小波系数联合分布密度的混合高斯模型实现图象去噪的方法。通过小波父子系数的联合分布密度函数来描述小波域中各相邻尺度系数的非独立特性,运用期望极大估计(EM)算法实现对该联合分布密度的混合高斯模型拟合;根据该结果,利用双变贝叶斯(Bayes)公式获得噪声图象父子小波系数的收缩算子,从而实现图象去噪。该算法同小波域中常用的其他去噪算法相比,仿真结果表明:无论在性能指标上或者感官效果上都能够获得很好的效果,尤其是在低信噪比时,图象的去噪效果更佳。     

小波去噪方法的仿真研究

介绍了小波软门限和硬门限法上噪的处理方法．分析了采用不同的小波进行软门限去噪的效果，比较了软门限去噪和硬门限去噪的特点。仿真结果表明，对高斯白噪声的上噪处理，选用db8小波比用syml和haar小波可以得到更好的去噪效果，软门限法优于硬门限法．     

多尺度几何分析的图像去噪方法综述

小波图像去噪已经成为图像去噪中应用最广泛的经典方法,而随之出现的多尺度变换去噪方法也已是当前图像去噪研究的一个热点。在对目前图像去噪的现状以及小波去噪总体概括的基础上,简要介绍了多尺度几何分析的产生和发展,进一步详细分析和总结了基于多尺度变换的图像去噪方法。基于对小波去噪以及多尺度变换图像去噪问题的理解,提出了对多尺度变换图像去噪方法的一些展望。     

基于PCA的图像小波去噪方法

目前使用的各种小波去噪方法基本上都是建立在对噪声方差精确估计的基础上，而对噪声方差的精确估计是很困难的．提出了一种采用主分量分析（PCA）提取小波系数的主要特征，通过对小波域中噪声能量的估计来实现去噪的新方法．首先利用PCA对小波高频子带进行局部特征提取；然后以主分量对小波系数进行重建的平均能量作为局部噪声能量的估计；将原小波系数的能量减去噪声能量，就得到去噪后的小波系数；最后用小波逆变换对剔除噪声分量后的小波系数进行恢复得到去噪后的图像．本文算法无需对噪声方差进行估计，因而更具实用价值．本文算法与“软阈值”、“硬阈值”去噪方法相比，峰值信噪比（PNNR）提高了2～8dB．实验证实了本文算法良好的去噪性能。     

一种基于图像边缘检测的小波阈值去噪方法

边缘特征是图像最有用的高频信息，因此，在图像去噪的同时，应尽量保留图像的边缘特征。为实现这一想法，提出了一种基于图像边缘检测的小波阈值去噪新方法。该方法在去噪前,先用定位精度高的小尺度LOG算子检测图像的边缘，对检测出的边缘进行均值平滑滤波，以减少边缘图像中的孤立点噪声；进而再对图像边缘和含噪图像分别进行小波分解，根据分解后的小波系数以确定图像的边缘特征和非边缘特征；最后，再对图像边缘对应的小波分解系数进行小阈值处理，而对非边缘的则进行大阈值处理，从而实现了在去噪的同时保留了图像边缘特征的目的。实验结果表明，与普通的小波阈值去噪方法相比，该方法可有效地保持图像的边缘信息，去噪效果则优于前者。     

基于小波的JPEG2000图像压缩及消噪

阐述了JPEG2000图像压缩的实现过程，对其中的关键技术做了详细描述，并给出了在噪声环境下的试验结果。针对此过程，提出了一种基于小渡的消噪：采用二次平方损失函数，通过对待分析图像进行小波变换，在小渡变换域中，把小波系数进行闻值处理，即增强图像的小波系数，减弱或去除噪声的系数。计算机模拟实验结果表明：该方法能有效地消除噪声。     

基于小波阈值的图像去噪算法研究

对基于小波阈值的图像去噪算法研究进行了深入的讨论,详细介绍了几种比较常用的小波阈值去噪算法。对于图像的小波分解和重构,详细介绍了其分解步骤和算法,分析了小波分解过程中层数的选取和小波重构图像的问题,并给出了一些选取依据;详细介绍了小波系数的处理过程以及不同处理方式的去噪原理;对小波变换阈值去噪的不同方法和原理进行了阐述。     

基于四元数小波变换HMT模型的图像去噪

实小波变换域中的图像去噪会产生伪Gibbs现象,为此,提出一种基于四元数小波变换的隐马尔可夫树模型(Q-HMT),并应用于图像去噪。模型结合四元数小波变换理论与HMT模型,体现小波系数层间的相关性,捕获小波系数邻域的统计特征。实验结果表明,该模型的图像去噪效果在峰值信噪比以及视觉效果上均优于经典的去噪方法。     

基于图象分割的空间自适应冗余小波降噪方法

提出了一种基于图象分割的空间自适应冗余小波图象降噪方法。标准的正交小波降噪方法通过对图象的小波系数进行阈值操作来达到降噪的目的。但是标准正交小波降噪方法由于缺少平移不变性和采用全局的阈值使降噪效果受到影响。为此引入冗余小波变换和空间自适应阈值的思想,文章中讨论了这种降噪技术的理论基础和技术细节。实验结果显示这种方法在性能上要大大优于标准正交小波降噪方法。     

基于稀疏性的图像去噪综述*

利用图像的稀疏与冗余表达模型去噪是当前较为新颖的去噪方法,在对国内外稀疏模型去噪文献进行理解和分析的基础上,回顾稀疏性去噪研究的发展,阐明稀疏去噪的原理与降噪模型。总结用于稀疏去噪中的各类方法,介绍利用稀疏性在图像去噪中的分解与重构过程,并将小波法去噪、多尺度几何分析法去噪、独立成分法去噪中所涉及的传统稀疏性与当前的稀疏与冗余表达模型去噪对比分析。最后基于对稀疏性去噪方法的分析,提出对稀疏去噪研究方法的一些展望。     

基于贝叶斯最大后验估计的局部自适应小波去噪

利用图像小波子带内系数的相关性，提出了一种局部自适应小波去噪方法。首先在贝叶斯最大后验概率准则下推导出基于拉普拉斯先验分布的MAP估计表达式和子带MapShrink阈值。为得到局部自适应的MapShrink阈值和去噪算法，提出将子带内的每个小波系数建模为具有不同边缘标准差的拉普拉斯分布，而边缘标准差又假设为强局部相关的随机变量，可通过邻域局部窗口进行估计。实验结果表明，与经典的子带自适应去噪算法相比较，该方法获得了明显的峰值信噪比增益，主观视觉效果也得到了改善。     

基于小波的信号阈值去噪算法研究

阈值去噪的方法就是在小波分解后的各层系数中,对模大于或小于某阈值T的系数分别处理,然后对处理完的小波系数再反变换重构出经去噪后的信号.在阈值去噪中,阈值函数体现了对超过和低于阈值的小波系数模的不同的处理策略以及不同的估计方法.     

噪声图像的复原方法研究和实现

消除图像噪声主要目的是改善图像质量，本文主要阐述了噪声图像的复原方法。首先简单介绍了图像噪声产生的原因和分类，然后介绍了用于图像复原的平均值滤波、中值滤波、自适应维纳滤波和小波变换去噪的工作原理和适用性，为进一步提高图像质量，又提出了基于边缘检测的小波包图像去噪方法。