基于平稳小波域的各向异性扩散图像去噪方法

针对传统的各向异性扩散去噪方法存在的导致图像细节丢失的问题,提出了一种基于平稳小波域的各向异性扩散图像去噪方法。该方法根据平稳小波变换的特性,通过在高频和低频子带上选用不同的梯度门限进行各向异性扩散,然后进行重构得到去噪后的结果图像。实验结果表明,该方法在有效去除噪声的同时,图像细节保留较好,去噪后的图像具有更好的质量。     

基于结构张量的图像修复方法

针对传统各向异性扩散方程在修复图像时仅考虑梯度模的大小,且在修复彩色图像时易产生虚假边缘等缺陷,提出基于结构张量的图像修复方法。将结构张量作为各向异性扩散方程的扩散系数,实现在不同区域有不同的扩散方式。实验结果显示:该方法与整体变分(TV)和BSCB方法相比,提高了图像修复效果,有效地完成对于彩色图像的修复。     

一种新的边缘保留各向异性扩散方法

由于超声图像中的斑点严重影响了图像质量,也增加了临床诊断与治疗的困难,因此对于噪声图像,往往要先用高斯卷积对图像进行一定的平滑,再通过求微分来检测边缘。为了更好地滤除超声图像中的斑点,通过构造基于高斯卷积的结构张量,并将其引入到各向异性扩散方法中,实验结果表明,这种新的各向异性扩散方法不仅能有效地抑制斑点噪声,而且能检测并保留图像边缘与细节特征。     

基于多通道小波的DTI图像恢复

扩散张量图像中存在的赖斯噪声给张量计算和脑白质追踪等带来严重影响。为了减少噪声影响,该文采用多通道小波对扩散加权图像进行恢复,采用峰值信噪比来定量地评估本滤波器消除赖斯噪声的性能。基于模拟和真实数据对张量场的表面扩张系数等进行了计算并进行人脑白质纤维追踪。把该去噪方法和单通道小波方法进行比较,实验结果表明,提出的滤波器具有更好的噪声性能。     

基于张量扩散的图像恢复

基于J.Weickert的各向异性扩散模型,针对模型处理结果中出现的条纹效应,给出了新的方向扩散系数,从而有效地消除了条纹效应。并采用新的预处理滤波器与其进行比较,实验表明：改进后的方法既能有效地消除噪声,又能很好地保持细节特征,可以得到较为满意的峰值信噪比。     

基于破损区域分类的自适应扩散模型

为了提高数字图像的修复精度,加快修复速度,文章提出了一种自适应扩散模型。该模型利用结构张量的最大特征值将破损图像区分为平坦区域、结构信息不明显的区域以及结构信息明显的区域,使模型在不同的区域进行相应的扩散;此外,文章利用结构张量的两个特征值构造了速度函数,使模型在不同的区域的扩散速度也不同,从而加快扩散速度并保持图像的结构信息。实验结果表明,该模型不仅可以加快修复速度,也可以很好地抑制噪声,并且保持图像的结构特征。     

基于图像特征的各向异性扩散去噪方法

对图像去噪滤波方法,J.Weickert模型未考虑图像光滑区域与其他图像特征的区别,在光滑区域的扩散也按照局部结构特征值进行,因而在光滑区域不可避免地产生虚假边缘,为此,提出一种改进的各向异性扩散方法。该方法首先用维纳滤波减弱噪声对图像的影响,再利用相干性正确判断边缘区域、光滑区域和T形拐角等图像特征,并依据图像特征设置相应区域扩散张量的特征值。实验结果表明,改进方法在消除噪声和保护边缘方面能取得较好的效果,并有效消除光滑区域的虚假边缘,可得到较高的峰值信噪比。     

相关扩散方程在图像修补中的应用

图像修复是图像复原研究中的一个重要内容,可以用于旧照片中丢失信息的恢复、视频文字去除以及视频错误隐藏等。目前有很多图像修补算法对于灰度图像的修补已经取得了很好的修补效果,但存在着时间消耗大和应用到彩色图像修补中时修补效果不理想的缺点。将相关扩散方程引入到图像修补中,并进行改进,使得图像的修补效率和修补效果都得到了有效提高,而且可以很自然地应用到彩色图像修补中。大量的实验证明了该方法的有效性。     

高阶各向异性扩散小波收缩图像降噪算法

证明一种高阶各向异性扩散与小波收缩的等价性,并根据等价性利用高阶各向异性扩散与小波收缩的优势,提出高阶各向异性扩散小波收缩降噪算法。该算法在低频部分采用经典的非线性扩散方法进行扩散,在高频部分采用高阶各向异性扩散方法进行小波收缩。实验结果表明,高阶各向异性扩散小波收缩算法的计算复杂性介于高阶各向异性扩散与小波收缩算法之间,降噪能力高于这2种方法。     

小波域图像块修复

描述了一种在小波域中分块图像修复的新算法.该算法将修复过程分为两个步骤;首先寻找小波细节系数,用小波系数的能量来确定每一个图像梯度向量的大小;然后使用图像梯度向量来决定修复区中的哪个块应该首先被填充,使用基于小波域的纹理合成方法来具体填充这个块.连续迭代执行这两个步骤,直到修复区完全被填满.实验结果表明该算法的有效性.     

图像修复的CDD模型新算法

CDD图像修复模型是在TV模型的基础上引入曲率项来满足视觉的“连接性”原则. 考虑到该模型各参考点梯度模值大小的不同及扩散效率的不足,本文结合退化扩散模型提出了一种新的CDD模型图像修复算法. 该算法利用待修复区域像素点的梯度和等照度线的曲率信息来控制各参考点对破损区域的贡献值,并进一步作加权处理. 最后将该模型的偏微分方程离散化,给出了模型的数值实现方法. 实验结果表明该算法能保证图像边缘的视觉连通性,并在相同迭代次数的情况下,修复效果明显优于CDD算法,是一种有效的新方法.     

数字破损图像的非线性各向异性扩散修补算法

首先从局部坐标角度分析整体变分（TV）模型与p-Laplace算子的物理意义,从本质上说明p-Laplace算子的扩散性能优于TV模型,进而提出一种基于p-Laplace算子的图像修补算法.该算法利用p-Laplace算子的非线性各向异性扩散的性能来填充受损区域.与TV修补算法相比,文中算法能快速收敛,并达到更好的修补效果,其综合性能优于TV修补算法.     

基于小波框架的盲图像修复研究

图像修复是恢复给定图像中丢失或损坏的像素的技术,目前的方法需要知道像素的先验信息。但在部分应用领域,无法获得先验信息,需要对图像进行盲修复。提出了一种不需要先验信息的盲图像修复模型。该模型基于小波紧框理论并集合优化理论实现图像的盲修复,其优化问题的求解利用分裂布雷格曼算法。实验表明,该方法能有效地修复受损的图像。     

紧密系数耦合非线性结构张量的图像修复算法

为了解决当前基于PDE技术的图像修复算法采取了各向同性扩散,且没有考虑到损坏区域周边参考点的影响,使其修复图像存在不连续边缘与纹理模糊,降低了其视觉质量等不足,本文设计了紧密度系数耦合非线性各向异性扩散结构张量的图像修复算法。基于完好像素点与受损点之间的距离,构造紧密度系数计算模型;基于 技术,将结构张量嵌入其中,构造新的扩散速度模型,使其只沿着等照度曲线方向扩散,将从损坏图像中提取的掩码信息传播至受损区域,完成图像修复。仿真结果显示：与基于PDE技术的图像修复机制相比,本文算法具有更佳的修复质量,较好地保持了图像细节信息,无模糊效应;且修复图像的PSNR值最高。     

改进的基于样例修补的目标移除方法

借助结构张量具有表达图像局部结构的性质,提出一种改进的区域填充图像修补方法．通过结构张量可以使图像的任意像素点的各个色彩分量获得一致的进化方向,其特征向量主导的目标块填充次序使得信息传播方式具有各向异性的特点．在真实自然图像上移除巨大目标物的比较实验表明：文中方法比Criminisi的基于样例修补目标移除方法具有更合理的、视觉上更真实的修补效果．     

曲率驱动的基于亥姆霍兹涡量方程的图像修复模型

图像修复模型根据已知区域信息自动修复目标区域,且保证修复后的图像满足人眼视觉系统的要求,目标区域轮廓自然.理论分析证明,流体力学中无粘亥姆霍兹涡量方程可以实现图像修复.根据曲线和曲面运动方程,使用曲率驱动亥姆霍兹修复模型中的等照度线传输方向.曲率是图像几何特征作用的结果,所以新模型可以很好地保持图像中的线性特征.图像中涡量为平滑程度的度量,二维图像域中涡量具有扩散性,对涡量方程的结果做各向异性扩散,使等照度线间的图像信息交互.亥姆霍兹涡量方程修复模型中的各个参数及扩散过程是涡量扩散性和耗散性以及图像几何特征作用的结果,扩散后的修复模型稳定且不存在错误的传输方向.理论和实验证明了曲率驱动的亥姆霍兹涡量方程模型在图像修复中的有效性.     

基于P-Laplace算子的小波域图像修补模型

本文研究如何利用不完整的小波系数来恢复原始图像. Chan, Shen 和 Zhou 已经提出了一种基于整体变分 (total variational, TV) 模型的小波域图像修补算法. TV 模型的主要优点是可以保持图像的边缘, 但该模型在平滑区容易产生阶梯效应, 使图像的修补效果不是很理想. 为了克服这个缺陷, 本文首先从局部坐标角度分析了TV模型与p-Laplace算子的物理意义, 从本质上说明了 p-Laplace 算子的扩散性能优于 TV 模型.然后给出了一种基于 p-Laplace 算子的小波域图像修补模型. 该模型不仅有效降低 TV 模型引入的阶梯效应, 而且能保持图像的边缘, 用较少的运算量得到比 TV 模型更好的修补效果. 实验结果表明, 该模型在运算时间和修补效果上都具有更好的综合性能.     

一种基于各向异性扩散的图像处理方法

图像修复的方法有很多种,目前最常用的有基于偏微分方程（PDE）和基于纹理合成的修复方法。在图像的修复和去噪上,偏微分方程都有很好的应用,但对于含有噪声的破损图像的修复,传统的方法是先去除噪声再进行修复。在BSCB模型的基础上加以改进,提出了一种新的修复方法,结合现有的图像修复和图像去噪两种技术的优势,对图像破损区域修复的同时进行整幅图像的去噪,修复和去噪的过程都是各项异性扩散的过程,能很好地保留图像的边缘信息。通过数值实验也表明该方法的有效性。