双密度小波变换的自适应电能质量信号去噪

为改善电能质量信号的去噪效果,提出一种基于双密度小波变换的自适应电能质量信号去噪算法。双密度小波变换具有近似的平移不变性,能更准确地描述信号的真实特征。而双变量收缩函数充分考虑小波系数的层内层间关系,对小波系数采用结合局部方差估计的双变量收缩函数进行去噪处理,并用收缩后的小波系数重构信号。实验结果表明：该算法在有效滤除噪声的同时,能够更好地保留电能质量信号的特征信息,使去噪信号的视觉信息有较大改善。     

一种能保留图像边缘信息的去噪新方法

图像处理的目标是消除噪声的同时能保留图像所固有的信息.针对保留边缘信息有效去噪问题,提出了双密度双树复数小波变换的图像去噪方法,该方法综合了双密度小波、双树小波和复数小波的优点,具有更好的方向性,将双树复数小波的6个方向,提高到12个方向,并采用了自适应软阈值对小波变换的系数进行处理,消除图像干扰噪声.本文对加噪图像进行去噪仿真试验,并进一步进行边缘检测,仿真试验结果表明,该方法能有效消除图像噪声并保留图像原有边缘信息,与双密度双树小波相比,去噪效果明显改善,均方误差减小了2.4%.     

基于双变量收缩函数的局域自适应图像去噪

由于图像小波系数存在很大的层间相关性，引入双变量概率分布模型，基于贝叶斯估计理论，得到了相应的非线性阈值函数（双变量收缩函数）；基于层内局域方差估计，利用该收缩函数得到一种局域自适应的图像去噪算法。在实验中，将该算法分别应用到实值离散小波变换域和双树复数小波变换域，并和隐马尔科夫模型的去噪方法做了比较分析。实验表明，复数小波变换的局域自适应收缩图像去噪算法去噪效果最好。     

一种新的双密度复小波域图像去噪算法

提出一种改进的基于双密度复小波系数组合的图像去噪算法。采用双密度复小波分解噪声图像,将其变换系数按规则重新排列组合,增强了图像的边缘信息。引入贝叶斯最大后验佑计理论下的双变量模型,充分挖掘其系数尺度内和尺度间的双重关联性,有效地提高了去噪性能。仿真实验表明,去噪后的图像克服了常见的伪吉布斯现象,与当前一些图像去噪算法相比较,其客观评价指标PSNR以及去噪后图像的主观视觉效果都有明显的提高和改善,且有效地保留了原始图像的纹理和细节信息。     

复小波包变换域混合统计模型图像降噪算法

该方法利用四树复小波包变换具有的移不变性、良好的方向选择性和对高频信号的细致分析能力等特点, 把含噪图像分解成低频逼近子图和若干高频方向子图; 在保留低频逼近子图复系数不变的同时, 利用复系数层间相关性的强弱把高频方向子图分为主要类和次要类. 对主要类和次要类复系数分别进一步采用非高斯双变量模型和零均值高斯分布模型进行噪声抑制. 实验结果表明, 无论是峰值信噪比(PSNR)指标, 还是在视觉效果上, 本文方 法的去噪性能均好于传统的双树复小波变换去噪、四树复小波包变换去噪和小波域高斯尺度混合模型去噪, 在有效抑制噪声的同时, 具有很好的图像边缘和细节保护能力.     

一种图像增强新方法

提出了一种四树复小波包变换域层内层间系数相关性图像增强新方法。该方法利用四树复小波包变换具有移不变性、良好方向选择性和对高频信号的细致分析能力,把含噪图像分解成低频逼近子图和若干高频方向子图;在保留低频逼近子图复系数不变的同时,充分利用变换域信号复系数层间相关性强和噪声复系数层间相关性弱的特点,采用非高斯双变量模型对每一个方向子图复系数进行降噪处理。同时考虑图像的弱边缘在变换域某些方向子图内复系数值较大,而在其他方向子带内其值较小的特点,甄别出弱边缘点对应的复系数并进行增强处理。实验结果表明,无论是PSNR指标,还是在视觉效果上,该方法的增强性能均好于传统的双树复小波变换去噪、四树复小波包变换去噪和小波域高斯尺度混合模型去噪,在有效抑制噪声的同时,具有很好的图像弱边缘增强和细节保护能力。     

双密度双树复小波域多聚焦图像融合

将双密度双树复小波变换引入多分辨率图像融合中,利用双密度双树复小波变换的多尺度、多方向性和平移不变性特征分解多聚焦图像,对分解后高、低频图像系数采用不同融合策略进行融合,应用双密度双树复小波逆变换重构图像。采用多组多焦距源图像进行融合实验,并对融合结果进行了客观评价。实验结果表明双密度双树复小波域融合方法对多聚焦图像具有更好的融合效果,图像的细节描述更加精确。     

基于变系数双变量模型的双变量阈值去噪法

针对不同子带小波系数的父子小波系数联合分布不同的特点,提出可描述这一特征的父子小波系数的变系数双变量分布模型,并使用贝叶斯最大后验估计理论推导出基于新模型的双变量阈值函数。结合具有平移不变性和多方向选择性的双树复小波变换以进一步提高图像的去噪效果。实验结果表明,与Sendur的双变量阈值法相比,新方法去噪后图像的PSNR值有了提高,图像的主观视觉效果也得到改善。     

基于复小波噪声方差显著修正的SAR图像去噪

提出了一种基于复小波域统计建模与噪声方差估计显著性修正相结合的合成孔径雷达(Synthetic Aperture Radar,SAR)图像斑点噪声滤波方法。该方法首先通过对数变换将乘性噪声模型转化为加性噪声模型,然后对变换后的图像进行双树复小波变换(Dualtree Complex Wavelet Transform,DCWT),并对复数小波系数的统计分布进行建模。在此先验分布的基础上,通过运用贝叶斯估计方法从含噪系数中恢复原始系数,达到滤除噪声的目的。实验结果表明该方法在去除噪声的同时保留了图像的细节信息,取得了很好的降噪效果。     

基于图像局域特性的小波收缩去噪算法

传统的小波收缩去噪算法采用单一的阈值，它没有考虑到小波系数的类聚性，图像中重要小波系数类聚的局部具有重要的奇异特性，应降低阈值以保留图像的边缘；反之含有不重要小波系数的局部应提高阈值以消除更多的噪声，因此该文提出了一种基于图像局域特性的小波收缩自适应阈值去噪算法，这种算法根据图像局部的奇异性大小，选择适当的阈值进行去噪。实验结果表明，相对于传统的单一阈值去噪算法来说，新的算法可使滤波后图像的峰值信噪比有所提高，在一定程度上克服了单一阈值去噪算法无法滤除高质量图像中噪声的缺陷。     

一种基于图像区域分割的小波去噪方法

提出一种基于区域分割的图像去噪方法。该方法利用具有平移不变性的DWT去噪法和NeighShrink_ SURE去噪法对平滑图像和纹理图像分别具有良好去噪效果,遂将含噪图像进行区域分割得到平滑、突变和过渡三个区域,最终去噪图像的三个区域分别由两种方法得到的去噪图像加权来确定。实验结果显示,该方法利用了前两种算法的优点,得到了具有较高峰值信噪比、较完整保留图像细节而且具有更佳视觉效果的去噪图像。     

一种新的具有增强效果的小波域图像去噪方法

为了使去噪后的图像具有更佳的视觉效果,基于新近出现的一种小波域阈值去噪方法——NeighShrink,提出了一种具有细节增强效果的小波域图像去噪方法——增强型邻域收缩方法(enhanced NeighShrink,ENS)。该方法一方面继承了NeighShrink方法的优点,在对小波系数进行阈值处理时,由于考虑了其与邻域系数的相关性,从而大大减少了误判图像细节为噪声的情况,同时,通过改变NeighShrink方法中小波系数收缩因子的计算方法,用该方法去噪后的图像取得了高于NeighShrink方法的峰值信噪比;另一方面,通过引入一个细节增强因子P,使得该方法能够对图像细节进行增强,从而得到了更佳的视觉效果。通过实验证明,该方法能够在去噪和细节增强这两方面优于普通软阈值去噪方法和NeighShrink方法。     

一种改进的二维经验模态分解图像消噪方法

在含噪图像的二维经验模态分解(BEMD)的基础上,从图像BEMD分解系数的统计特性出发,构造图像BEMD系数的概率密度函数模型,提出了一种基于相邻尺度间BEMD系数相关性的图像消噪方法,消噪的过程中同时考虑本层BEMD系数特性以及其父层BEMD系数的值.从而能更好地消除噪声,同时更有效地保留图像边缘、纹理等细节信息.实验结果表明,与经典的小波阈值消噪和BEMD阈值消噪算法相比,经本文方法消噪后图像质量有较好的提高,具有更低的均方误差和更高的峰值信噪比.     

加权核范数降噪算法在扩散加权图像中的应用

目的 扩散加权成像技术是一种能够检测活体组织内水分子扩散运动的无创方法,其对数据的准确度要求较高且对噪声较为敏感。扩散加权图像的自相似性程度高,纹理细节较多且纹理和结构具有重复出现的特性。而获取图像的过程中受到不可避免的噪声干扰会破坏图像的数据准确度,因此对扩散加权图像进行降噪是十分必要的。方法 根据扩散加权图像的特点,提出将加权核范数降噪算法应用于扩散加权图像的降噪。加权核范数降噪算法由于能够利用图像的自相似性,通过对图像中的相似块进行处理从而实现对图像的降噪,该算法能够保存图像中大量的纹理细节信息。结果 通过模拟数据实验和真实数据实验,将加权核范数降噪算法与传统的扩散加权图像降噪算法如各向异性算法进行比较,结果表明,加权核范数降噪算法相较于其他算法得到的峰值信噪比至少高出20 dB,结构相似性值也至少高出其他算法0.20.5,再将降噪后的图像进行神经纤维跟踪处理,得到的神经纤维平均长度较其他算法至少要长0.20.8且纤维更为平滑。结论 加权核范数降噪算法不仅能够更好地减少扩散加权图像中的噪声,同时也能够最大限度地保存扩散加权图像的纹理细节,降噪效果理想,提高了数据的准确度及有效性。     

基于自监督约束的双尺度真实图像盲去噪算法

现存的图像去噪算法在处理加性高斯白噪声上已经取得令人满意的效果,然而其在未知噪声强度的真实噪声图像上泛化性能较差.鉴于深度卷积神经网络极大地促进了图像盲去噪技术的发展,针对真实噪声图像提出一种基于自监督约束的双尺度真实图像盲去噪算法.首先,所提算法借助小尺度网络分支得到的初步去噪结果为大尺度分支的图像去噪提供额外的有用信息,以帮助后者实现良好的去噪效果.其次,用于去噪的网络模型由噪声估计子网络和图像非盲去噪子网络构成,其中噪声估计子网络用于预测输入图像的噪声强度,非盲去噪子网络则在所预测的噪声强度指导下进行图像去噪.鉴于真实噪声图像通常缺少对应的清晰图像作为标签,提出了一种基于全变分先验的边缘保持自监督约束和一个基于图像背景一致性的背景自监督约束,前者可通过调节平滑参数将网络泛化到不同的真实噪声数据集上并取得良好的无监督去噪效果,后者则可借助多尺度高斯模糊图像之间的差异信息辅助双尺度网络完成去噪.此外,还提出一种新颖的结构相似性注意力机制,用于引导网络关注图像中微小的结构细节,以便复原出纹理细节更加清晰的真实去噪图像.相关实验结果表明在SIDD,DND和Nam这3个真实基准数据集上,所提的基于自监督的双尺度盲去噪算法无论在视觉效果上还是在量化指标上均优于多种有监督图像去噪方法,且泛化性能也得到了较为明显的提升.     

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。     

基于非局部自相似的Shearlet自适应收缩图像去噪

针对Shearlet收缩去噪引入的Gibbs伪影和"裂痕"现象,提出一种结合非局部自相似的Shearlet自适应收缩图像去噪方法.首先,对噪声图像进行多方向多尺度的Shearlet分解;然后,基于高斯比例混合(GSM)模型的Shearlet系数分布建模,利用贝叶斯最小二乘估计对Shearlet系数进行自适应收缩去噪,重构得到初始去噪图像;最后,利用非局域自相似模型对初始去噪图像进行滤波处理,得到最终的去噪图像.实验结果表明,所提方法在更好地保留边缘特征的同时,有效地去除噪声和收缩去噪引入的Gibbs伪影,该方法获得的峰值信噪比(PSNR)和结构自相似指标(SSIM)比基于非抽样剪切波变换(NSST)的硬阈值去噪方法提高1.41 dB和0.08;比非抽样Shearlet域GSM模型去噪方法提高1.04 dB和0.045;比基于三变量模型的剪切波去噪方法提高0.64 dB和0.025.     

基于边缘扩散的医学图像非线性去噪算法*

在对医学图像去噪的同时保留边缘信息,对于后期的诊断具有重要的意义。分析了ＰＭ和Ｃａｔｔｅ算法 以及它们的不足,提出了一种基于边缘扩散的非线性去噪方法,通过边缘检测把图像分为边缘和非边缘两部分, 非边缘区域通过各向同性算法去噪;边缘区域通过各向异性算法去噪,改进扩散形式,只沿边缘方向扩散去噪。 实验表明方法非常有效,带噪声的医学图像经过改进后的算法去噪处理,图像质量得到明显的改善。