PDE模型在声纳图像去噪中的应用研究

偏微分方程方法在光学图像去噪中已有很多成功的应用,但用于声纳图像去噪的情况还不多见。针对声纳图像受噪声污染严重的问题,将偏微分方程原理引入到声纳图像去噪中,重点讨论了两种偏微分方程模型:ROF模型和四阶扩散模型。基于这两种模型对声纳图像进行去噪处理,仿真实验证明了偏微分方程去噪算法的有效性,并对比分析了两种模型的去噪性能。ROF模型适用于低信噪比条件下的声纳图像处理,而四阶扩散模型在高信噪比条件下,能够很好地保持图像边缘,但当噪声污染严重时,其去噪后的SNR比ROF模型去噪低了近10 dB,不利于声纳图像处理。     

对称四阶偏微分方程去噪算法

通过分析整体变分模型的去噪原理和效果,提出一个新的四阶偏微分方程去噪模型,用于克服二阶偏微分方程去噪后使图像分块的缺点,同时保持去噪后图像的高保真性,并发展一个基于四邻域系统的对称离散化算法用于求解新模型,应用中值滤波去除四阶偏微分方程去噪所引起的亮点。实验结果表明,与传统方法相比,以该算法去噪后的图像具有更好的质量和视觉效果。     

基于45N度旋转梯度等模算子偏微分方程去噪模型

传统的二阶中值曲率扩散模型(MCM)在去噪时虽然能有效地保持图像的边缘,但是在平滑区域却产生阶梯效应,以及过度扩散的现象.四阶偏微分方程模型(LLT)在去噪的同时虽能有效地抑制二阶偏微分方程产生的阶梯效应,能很好地保持图像的纹理信息,但却过多地损失了边缘信息.为了避免以上去噪过程中存在的问题,利用归一化的45N度旋转梯度等模算子作为权重,提出了传统的二阶中值曲率扩散模型(MCM)和四阶偏微分方程去噪模型(LLT)自适应的混合模型,使得它们在有效去除图像中噪声的同时,也能很好地保持图像的边缘和纹理细节信息.实验结果证实了所提出的模型的有效性.     

改进的小波域耦合偏微分方程图像去噪模型

针对全变分及四阶偏微分方程图像去噪模型的不足,利用小波变换能够聚焦到图像细微变化的优势,提出一种基于小波域的偏微分方程图像去噪算法。并通过对小波的阈值和阈值函数做适当的改进以及利用加权函数将全变分和四阶偏微分方程去噪模型相结合的方法,得到一种改进的小波域耦合偏微分方程图像去噪模型。MATLAB仿真结果表明,该模型和小波软阈值去噪、全变分模型以及四阶偏微分方程图像去噪模型相比,峰值信噪比有明显的提高,而且能够在很好地保留图像的边缘和细节信息的同时提高处理噪声的效率。     

基于拉普拉斯算子和图像修补的图像去噪算法

通过分析偏微分方程(PDE),设计了基于拉普拉斯算子和图像修补的图像去噪算法用于处理被噪声污染的图像：ROF调和拉普拉斯(RHL)算法和ROF调和修补(RHI)算法。通过分析图像的局部特征,结合ROF模型在处理图像时具有边缘保护能力,调和模型在处理图像平滑区域时能够避免产生“阶梯效应”和拉普拉斯算子具有增强细节信息的特点,设计了RHL算法;在RHL算法的基础上,结合基于PDE的图像修补模型设计了RHI算法。实验结果表明,设计的RHL算法和RHI算法既克服了ROF模型、调和模型在去除图像噪声时的缺点,又结合了两者的优点,与其他基于PDE的算法相比,在去除图像噪声、处理图像平滑区域、保持图像边缘细节信息方面都有较好的性能。     

SAR图像斑点噪声整体变分偏微分方程滤波算法研究

SAR图像固有的斑点噪声严重影响了图像的判读和后续处理,因此抑制SAR图像斑点噪声显得尤其重要。一个良好的斑点噪声抑制算法应该在降低斑点噪声的同时,能很好地保持图像的细节特征,但现有的去噪算法没有一种能够完美地解决这个问题的。本文基于SAR图像斑点噪声滤波的重要性以及存在的问题,将整体变分偏微分方程用于去除斑点噪声。根据整体偏微分方程建立了去噪模型,并分析了模型的性能和参数选择的重要性。通过实验验证了该算法的有效性,并以峰值信噪比（PSNR）为评价准则,利用多项式拟合方法选择了最优参数。引入边缘保持指数(EPI),与其他滤波算法比较,本算法在去除噪声的同时较好地保持了边缘。     

融合偏微分方程和中值滤波的图像去噪模型

针对基于偏微分方程(PDE)的图像去噪模型不能有效地去除脉冲噪声,并且低阶偏微分方程在去噪的同时会出现“块效应”现象的问题,提出一种融合偏微分方程和自适应中值滤波的图像去噪模型。该模型通过对图像梯度的分析,在梯度变化剧烈区域和梯度变化微小区域利用二阶模型去噪以提高去噪效率;而在梯度渐变区域利用四阶模型平滑图像以避免出现“块效应”现象。同时,利用脉冲噪声梯度值远大于边缘梯度值的特点,定位脉冲噪声所在区域,在该区域利用自适应中值滤波消除脉冲噪声。该方法能有效去除脉冲噪声,保护图像边缘并消除“块效应”现象,同时提高了去噪效率。实验表明了该模型的有效性。     

结合Curvelet和LLT模型的图像去噪模型

Curvelet去噪彻底,易产生“阶梯”效应,四阶偏微分方程LLT模型去噪能很好地保护图像细节特征,不会产生阶梯效应。提出了一个模型将Curvelet去噪和四阶偏微分方程中LLT模型去噪的优点通过权函数λ结合起来,实验表明,新的模型能很好地发挥二者的优点,不但很好地保护图像细节特征,消除阶梯效应,去噪彻底且能很好地保持边缘,去噪率和视觉效果优于Curvelet和LLT方法。     

改进的曲率滤波强噪声图像去噪方法

目的 医学影像获取和视频监控过程中会出现一些恶劣环境,导致图像有许多强噪声斑点,质量较差。在处理强噪声图像时,传统的基于变分模型的算法,因需要计算高阶偏微分方程,计算复杂且收敛较慢;而隐式使用图像曲率信息的曲率滤波模型,在处理强噪声图像时,又存在去噪不完全的缺陷。为了克服这些缺陷,在保持图像边缘和细节特征的同时去除图像的强噪声,实现快速去噪,提出了一种改进的曲率滤波算法。方法 本文算法在隐式计算曲率时,通过半窗三角切平面和最小三角切平面的组合,用投影算子代替传统曲率滤波的最小三角切平面投影算子,并根据强噪声图像存在强噪声斑点的特征,修正正则能量函数,增添局部方差的正则能量,使得正则项的约束更加合理,提高了算法的去噪性能,从而达到增强去噪能力和保护图像边缘与细节的目的。结果 针对多种不同强度的混合噪声图像对本文算法性能进行测试,并与传统的基于变分法的去噪算法（ROF）和曲率滤波去噪等算法进行去噪效果对比,同时使用峰值信噪比（PSNR）和结构相似性（SSIM）作为滤波算法性能的客观评价指标。本文算法在对强噪声图像去噪处理时,能够有效地保持图像的边缘和细节特征,具备较好的PSNR和SSIM,在PSNR上比ROF模型和曲率滤波算法分别平均提高1.67 dB和2.93 dB,SSIM分别平均提高0.29和0.26。由于采用了隐式计算图像曲率,算法的处理速度与曲率滤波算法相近。结论 根据强噪声图像噪声特征对曲率滤波算法进行优化,改进投影算子和能量函数正则项,使得曲率滤波算法能够更好地适用于强噪声图像,实验结果表明,该方法与传统的变分法相比,对强噪声图像去噪效果显著。     

局部自适应混合模型的遥感图像去噪算法

遥感图像的噪声分析和去除作为经典问题一直受到关注并成为遥感图像处理的一个重要研究领域。传统的去噪方法在一定程度上可以去除图像中的噪声,但往往在去噪的同时会使图像的边缘和细节信息模糊化。针对P-M模型在去除遥感图像高斯噪声时所存在的对图像强边缘和细节附近的噪声难以去除,以及ROF模型通常会导致平坦区域出现“假边缘”,甚至会产生块状效应等问题,提出一种基于局部自适应的混合模型。该模型针对图像局部区域所包含纹理信息的不同,自适应地调整约束权函数,使模型在平滑局部区域能更多地发挥P-M模型的特点,而在纹理丰富或边缘区域则更多地发挥ROF模型的特性,使模型在有效地去除高斯噪声的同时,很好地保护了遥感图像中的边缘特征和细节纹理信息。实验结果表明,对相同的高斯噪声所提出的混合模型去噪后图像的SNR较P-M和ROF模型分别提高了3dB和2dB。     

图像扩散去噪模型的分析与改进

总结与分析了已有图像扩散去噪模型的优缺点。在理论上明确解释了张量型扩散模型的物理意义,通过分析P-M扩散模型的局部扩散行为,提出一个新的扩散系数,进一步给出一个改进的张量型扩散模型。从主观与客观两个方面比较各种扩散去噪模型的效果都不容易,因为需要合适耦合各个模型的参数及数值离散方法等,为此给出了扩散模型统一的数值实现算法,可用来比较各个模型的去噪效果。数值模拟实验的结果表明,改进的扩散模型在有效去除噪声的同时,能很好地对图像中的边缘、角点、纹理等特征进行保护,去噪后的图像有较好的视觉效果。     

基于PDE的图像去噪方法

针对P-M非线性扩散模型以及自蛇模型对图像滤波的不足,为了充分利用两种模型各自的优势,提出了一种新的基于自蛇模型与P-M扩散模型相混合的去噪方法,同时在其扩散方程中添加了忠诚项,这样噪声去除与边缘保留就可以得到一个较好的效果。最后实验结果表明,该方法既能有效去除图像噪声,也能很好地保持图像的边缘等细节信息。     

小波方向子带偏微分方程遥感图像去噪

针对小波阈值法在去除遥感图像高斯噪声时,所存在的由于过度"扼杀"小波系数而引起的模糊边缘问题,以及P-M模型通常会使图像的灰度趋于分段常量而产生所谓的"块状"效应问题。提出小波域偏微分方程(PDE)遥感图像去噪模型,该模型通过对遥感图像进行小波分解,保持低频子带信息,而只对含有噪声、图像边缘的高频子带进行基于子带方向特性的非线性异性扩散,使模型在有效去除高斯噪声的同时,能够很好地保护遥感图像中的边缘特征和细节纹理信息,避免了去噪后的结果图像出现分段常量现象。实验结果表明,对于相同的遥感图像高斯噪声,基于所提出混合模型的去噪图像的PSNR较基于类零树的Bayes阈值法和P-M模型提高了1～2dB。     

融合[L2]和KL保真项的图像恢复算法

为了有效抑制高斯-泊松混合噪声,针对调和模型不能有效保存图像的边缘细节信息和Kullback-Leibler散度作为保真项（KL保真项）的全变差图像恢复模型对光滑的区域部分去噪会产生“阶梯效应”的不足,提出一种针对高斯-泊松混合噪声去噪的图像恢复变分模型。该模型利用增广拉格朗日算法进行数值实现,将调和模型和全变分模型按照比例进行融合,结合两种模型的优点,增强模型的去噪性能;Kullback-Leibler散度作为保真项和[L2]保真项按照比例进行混合,能有效去除高斯-泊松混合噪声的同时,保护图像的边缘细节;使用多幅含不同混合噪声的图像进行对比实验,采用峰值信噪比、结构相似度指标评定图像的恢复效果。实验结果表明,该模型的峰值信噪比和结构相似度大于使用Kullback-Leibler散度作为保真项的全变差图像恢复（TV-KL）模型、改进MS模型（MRT）,以及保真项混合模型（MFT）这三个模型,并且计算的CPU时间更短,去噪效果得到明显改善。所提模型具有更好的去噪性能,有效地保持了图像细节和纹理特征方面的信息,获得了更理想的视觉效果,不仅能提高了图像质量,而且在客观上得到了有效的证实,可以应用于X射线图像去噪。     

A scalable region-based level set method using adaptive bilateral filter for noisy image segmentation

Image segmentation plays an important role in the computer vision . However, it is extremely challenging due to low resolution, high noise and blurry boundaries. Recently, region-based models have been widely used to segment such images. The existing models often utilized Gaussian filtering to filter images, which caused the loss of edge gradient information. Accordingly, in this paper, a novel local region model based on adaptive bilateral filter is presented for segmenting noisy images. Specifically, we firstly construct a range-based adaptive bilateral filter, in which an image can well be preserved edge structures as well as resisted noise. Secondly, we present a data-driven energy model, which utilizes local information of regions centered at each pixel of image to approximate intensities inside and outside of the circular contour. The estimation approach has improved the accuracy of noisy image segmentation. Thirdly, under the premise of keeping the image original shape, a regularization function is used to accelerate the convergence speed and smoothen the segmentation contour. Experimental results of both synthetic and real images demonstrate that the proposed model is more efficient and robust to noise than the state-of-art region-based models.

     

基于PDE''''s的图像平滑方法

传统的图像平滑方法在去除噪声的同时往往会破坏边缘、线务、纹理等图像特征，而基于偏微分方程(PDE’s)的各向异性扩散算法则在抑制噪声的同时能够保持这些特征。本文在Perona ＆ Malik模型基础上引入梯度阈值和高斯平滑核，实验结果表明改进后的平滑方法既能更有效消除孤立噪声点，又可以更好地保持边缘。     

显著性驱动的局部相似拟合模型分割算法研究

灰度不均匀和噪声图像的分割是计算机视觉中的难点。现有的活动轮廓模型尽管能够取得较好的分割效果,但仍然对噪声图像分割效果不理想,初始轮廓曲线的选取敏感,优化易陷入局部极小导致演化速度慢等问题。针对该问题,首先使用局部区域灰度的均值和方差拟合高斯分布,构建新的能量泛函,均值和方差随着能量的最小化过程而变化,从而增强了灰度不均匀和噪声图像的分割能力。此外,结合视觉显著性检测算法获取待分割目标的先验形状信息,并自适应地创建水平集函数,从而降低了初始轮廓位置敏感性及计算时间复杂度,实现全自动的图像分割。实验结果证明,提出的算法可以用于灰度不均匀和噪声图像分割,并取得了较好的分割性能,消除了算法对初始轮廓位置敏感性,减少了迭代次数。     

Camera model identification based on the generalized noise model in natural images

The goal of this paper is to design a statistical test for the camera model identification problem. The approach is based on the generalized noise model that is developed by following the image processing pipeline of the digital camera. More specifically, this model is given by starting from the heteroscedastic noise model that describes the linear relation between the expectation and variance of a RAW pixel and taking into account the non-linear effect of gamma correction. The generalized noise model characterizes more accurately a natural image in TIFF or JPEG format. The present paper is similar to our previous work that was proposed for camera model identification from RAW images based on the heteroscedastic noise model. The parameters that are specified in the generalized noise model are used as camera fingerprint to identify camera models. The camera model identification problem is cast in the framework of hypothesis testing theory. In an ideal context where all model parameters are perfectly known, the Likelihood Ratio Test is presented and its statistical performances are theoretically established. In practice when the model parameters are unknown, two Generalized Likelihood Ratio Tests are designed to deal with this difficulty such that they can meet a prescribed false alarm probability while ensuring a high detection performance. Numerical results on simulated images and real natural JPEG images highlight the relevance of the proposed approach.     

云模型图像置乱算法

针对目前数字图像置乱算法在双重置乱方面的欠缺问题,提出一种新的云模型图像置乱算法。该算法利用三维云模型生成的函数值来改变图像像素位置和像素值,实现了双重置乱。经实验验证以及定量定性分析,置乱图像呈现白噪声,真正实现了图像置乱,并不存在周期性恢复的安全问题,该算法能较快达到理想的置乱效果,且能抵抗一定的剪切、加噪、滤波以及缩放攻击;证明了该算法的有效性和合理性,可以较好地应用于图像置乱。