基于多元统计模型的分形小波自适应图像去噪

为了克服分形小波去噪方法缺乏保护图像的边缘与细节的缺陷,文中提出了一种基于多元统计模型的分形小波自适应图像去噪算法.通过建立一个参数可以灵活改善的多元统计模型来准确地估计各种相关信息,并通过最小化残差来自适应调整模型参数;在适度的噪声方差下根据拼贴距离找出最好的子树域中的近优父子树,通过使用四叉树分割来实现对噪声图像自适应地预测分形小波无噪图像编码,从而达到去除噪声和保护图像的边缘与细节的目的.实验结果表明,该方法在去除噪声的同时,能有效地保持图像的边缘特征和保留图像的精细结构.由于采用了预测小波分形编码,优化了算法结构,算法的处理速度比较快.因此,完全可以达到实时图像处理过程中的去噪预处理对处理速度的要求.     

异型纤维图像去噪分析

为了去除异型纤维图像中的噪声,首先分析了异型纤维图像中的噪声模型,然后针对噪声模型提出了一种能同时去除异型纤维图像中高斯和脉冲混合噪声的去噪算法.该算法在全变差(Total Variation,TV)算法的基础上进行了算法改进,综合了中值滤波的优点,在达到去噪目的的同时,较好地处理了去除噪声、保留边缘细节信息这对在图像去噪中存在的矛盾.同时,对参数的选取也做了分析,较好地平衡了去噪效果和处理效率问题.数值对比实验中的视觉效果和客观标准均表明了该去噪算法的有效性。     

曲率无关方向扩散及改进型Chan-Vese主动轮廓模型

低信噪比条件下的图像分割是图像分割与应用中所面临的难点之一.针对当前非参数化主动轮廓分割模型在低信噪比、高曲率条件下难以准确收敛到目标边缘的问题,以主动轮廓模型中的噪声处理项作为切入点,提出一种基于曲率无关方向扩散的非参数化主动轮廓噪声去除方法.通过曲率无关方向扩散避免了去噪过程对主动轮廓形状的影响,并通过非规则边缘控制函数进一步控制噪声去除过程对信号边缘与噪声的不同作用,在有效去除噪声的同时保证了高曲率轮廓的收敛性;在此基础上,提出一种针对低信噪比图像分割的改进型Chan-Vese主动轮廓模型.最后通过详细的实验证明了该方法和改进Chan-Vese主动轮廓模型的有效性.     

基于滤波器的局部自适应全变分图像去噪模型

综合利用冲击滤波器和非线性各向异性扩散滤波器对含噪图像做预处理,然后基于边缘检测函数建立反映图像局部特征的自适应权函数,构建能同时兼顾图像平滑去噪与边缘保留的局部自适应性的全变分模型,并建议用本原对偶算法快速求解。实验结果表明,同传统的全变分图像去噪模型相比,该局部自适应全变分模型在消除噪声的同时能很好地保持图像的边缘轮廓和纹理等细节特征,得到的复原图像在客观评价标准和主观视觉效果方面均有所提高。     

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。     

改进的各向异性复扩散模型的医学图像去噪方法

对医学图像进行有效的去噪并保持边缘信息,有利于图像的后续处理.本文分析P-M模型和Gilboa的复扩散模型以及它们的不足,提出一种改进的各向异性复扩散模型.该方法先用中值滤波对图像进行预处理,去除梯度值大的噪声点,然后用图像的虚部求扩散系数,以此引导扩散模型中的边缘检测函数,再进行八邻域像素的扩散过程.实验表明,该方法能达到较理想的去噪和保持边缘的效果,而且减少了迭代次数,缩短了计算时间.     

基于梯度自适应函数的彩色图像变分去噪方法

分析了彩色图像的全变分降噪模型,该模型在降噪的同时可以保持好图像的特征信息,但对于噪声较大的图像具有明显的"阶梯效应".Blomgren的基于梯度自适应函数的去噪模型只能处理灰度图像,因此提出改进的基于彩色图像的梯度自适应函数去噪模型.实验证明,改进的模型有效地解决了"阶梯效应"的发生,提高了模型的去噪能力和边缘保持能力.     

基于小波维纳滤波和各项异性扩散的图像去噪

提出一种基于小波和各项异性非线性扩散的新图像去噪算法。小波域局部阈值维纳滤波是一种简单有效的去噪方法,利用该方法先对原始图像进行初步去噪,以此引导非线性扩散模型中的边缘检测函数,再用非线性扩散进行去噪。实验表明:该算法不仅很好地保存了图像的边缘信息,而且有效地去除了图像中的大部分噪声,无论是视觉效果还是客观标准上都优于单纯的小波域维纳滤波或各项异性非线性扩散去噪。     

结合核方法的选择性各向异性扩散去噪算法

在低信噪比图像噪声抑制处理中,为了有效地保持图像边缘,在基于多相位分层分割算法的各向异性扩散模型的基础上,提出一个基于核方法的选择性各向异性扩散去噪算法。该算法根据图像数据的线性不可分特点,首先利用核方法把多相位分层分割算法中的数据项从线性不可分的低维空间推广到可实现线性可分的高维特征空间,在特征空间中实现图像分割;然后根据分割得到的同质区域的梯度信息改进了P-M模型中的扩散系数;最后,在同质区域中采用改进的P-M模型平滑噪声。实验结果表明,该算法无论在噪声去除还是边缘保持上都具较好的效果。     

引入控制函数的非线性扩散图像去噪

关于图像获取过程中的优化问题,为了克服传统非线性扩散图像去噪模型的不足,有效去除图像噪声,提出了引入两项构造的控制函数.利用局部背景方差信息构造ε方向扩散控制函数以更好区分边缘和噪声,并对边缘区域内,边缘区域间及不同背景下的噪声采取各自适合的扩散策略;采用局部背景亮度信息构造η方向扩散控制函数以加速区域内平滑,消除"块效应",约束去噪图像更逼近原图.理论分析和实验结果均表明,算法模型既能较好保持图像的边缘结构,又能充分抑制噪声,并对视觉效果和峰值信噪比值上都具有明显优势.     

Active contour model for simultaneous MR image segmentation and denoising

In this paper, a new region-based active contour model is proposed for magnetic resonance image segmentation and denoising based on the global minimization framework and level set evolution. A new region fitting energy based on Nadaraya–Watson estimator and local image information is defined to enforce the curve evolution. By this improved region fitting term, the images with noise and intensity un-uniformity can be segmented and denoised. Inspired by the Perona–Malik diffusion equation, an edge-preserving regularization term is defined through the duality formulation to penalize the length of region boundaries. By this new regularization term, the edge information is utilized to improve the contour?s ability of capturing the edge and remaining smooth during the evolution. The energy functional of the proposed model is minimized by an efficient dual algorithm avoiding the inefficiency of the gradient descent method. Experiments on medical images demonstrate the proposed model provides a hybrid way to perform image segmentation and image denoising simultaneously.     

基于改进DRLSE水平集模型的图像分割

针对 DRLSE 水平集模型对噪声敏感、依赖初始轮廓位置以及演化速度缓慢等不 足,利用小波变换和小波阈值去噪的方法,构造对噪声不敏感的边缘信息刻画矩阵,定义基于 图像信息的边缘停止函数和自适应权重系数,获得了改进的 DRLSE 水平集图像分割模型。利 用有限差分法对模型求解,并采用 Jaccard 相似度作为评价模型的定量分析方法,数值结果显示 改进的模型及算法对图像分割的有效性,克服了 DRLSE 水平集模型分割含噪图像以及定义初 始轮廓位置的局限性,提高了 DRLSE 水平集模型的计算效率和图像分割精度。     

基于GrabCut改进的图像分割算法

针对GrabCut算法对于局部噪声敏感、耗时且提取边缘不理想等缺点,提出一种基于GrabCut改进的图像分割新算法。采用多尺度分水岭对梯度图像平滑去噪;对新梯度图像再次进行分水岭运算,不仅增强了图像的边缘点,还减少了后续处理的计算量;再用熵惩罚因子优化分割能量函数,抑制了目标信息的损失。实验结果表明,所提算法同传统算法的分割结果相比较,降低了错误率,增大了Kappa系数,提高了运行效率,并且,提取的边缘也更完整、平滑,适用于不同类型的图像分割。     

基于偏微分方程的混合噪声去噪研究

针对目前图像去噪方法存在的主要缺陷是仅适用于单一噪声的滤除, 无法解决图像混合噪声去噪的问题, 提出一种加权混合噪声模型, 建立其能量泛函表达式, 利用变分法获得其欧拉—拉格朗日方程并给出其显式差分迭代求解算法。通过对其数值算法的改进, 不仅提高了该模型数值算法的速度和稳定性, 而且在一定程度上避免了降噪后图像的阶梯效应。仿真实验表明, 加权混合噪声去噪算法在去除混合噪声的同时更好地保留了图像的细节信息, 其降噪性能相比现有方法有一定程度的改善。     

多阶导数自适应视频超分辨率重建

传统视频超分辨率重建算法在去除噪声的同时,很难有效保持图像边缘细节信息。针对该问题,构建了一种结合多阶导数数据项和自适应正则化项的视频超分辨率重建算法。在正则化重建模型的基础上,该算法对数据项进行改进,引入能更好描述噪声统计特性的噪声多阶导数,并利用去噪效果较好的全变分(TV)和非局部均值(NLM)正则化项对视频超分辨率重建过程进行约束。此外,为了更好地保持图像细节信息,采用区域空间自适应曲率差分算法提取结构信息,从而对正则化系数进行自适应加权。实验结果表明:在噪声方差为3时,与核回归算法和聚类算法相比,该算法重建视频主观效果边缘更加锐化,局部结构更加正确、清晰;重建视频的均方误差(MSE)平均下降幅度分别为25.75%和22.50%;峰值信噪比(PSNR)分别平均提升了1.35 dB和1.14 dB。所提算法能够在去除噪声的同时有效保持图像的细节特征。     

自适应非局部数据保真项和双边总变分的图像去噪模型

针对常见去噪方法容易造成特定区域过度平滑、奇异结构残余噪声以及产生阶梯效应和对比度损失等问题,提出一种自适应非局部数据保真项和双边总变分的图像去噪模型,建立了自适应非局部正则化能量泛函和相应的变分框架。首先,对噪声图像利用自适应权值的非局部均值求得数据拟合项;其次,引入双边总变分正则化项,利用正则化系数来适度平衡数据拟合项和正则化项的影响;最后,通过能量函数最小化对不同的噪声统计快速求得最优解,从而达到降低残余噪声并纠正过度平滑的目的。通过理论分析和针对模拟噪声图像与真实噪声图像的实验结果表明,所提出的图像去噪模型能够较好地处理具有不同统计特性的图像噪声,与自适应非局部均值滤波去噪相比,所提算法的峰值信噪比（PSNR）值最多可以得到0.6 dB的改善;与全变分正则化图像去噪算法比较,所提算法的主观视觉效果明显更好,在去噪的同时图像纹理和边缘等细节信息保护得更好,PSNR值最多可以提高10 dB,而多尺度结构相似性度（MS-SSIM）指标可以提升0.3。因此,所提出的图像去噪模型可以在理论上更好地探讨如何合理处理噪声和图像内容本身的高频细节信息,在视频和图像分辨率提升等领域也具有良好的实际应用价值。     

结合第二代Bandelet变换分块的字典学习图像去噪算法

针对以往稀疏编码在图像去噪过程中存在的噪声残留和缺乏对图像的边缘与细节的本质特征的保护等问题,提出了一种结合第二代Bandelet变换分块的字典学习图像去噪算法,其更好地利用了图像的几何特性进行去噪。首先,通过第二代Bandelet变换可以灵活地根据图像几何流的正则性特征并能够自适应地获得图像的最稀疏表示来准确估计图像信息,并能自适应地选择最优的几何方向;然后,根据K-奇异值分解(K-Singular Value Decomposition,K-SVD)算法来训练学习字典;最后,通过四叉树分割对噪声图像进行自适应分块,从而去除噪声并保护图像的边缘与细节。实验结果表明,相比于其他学习字典,所提算法能更有效地保留图像的边缘特征与图像的精细结构。     

基于改进的四叉树Sobel算子图像分割研究

研究图像分割精度提高问题,由于图像噪声的干扰,造成图像模糊。传统的Sobel图像分割方法容易造成图像分割不清晰和对比度不明显。为解决上述问题,应用Sobel算子检测出数字图像真正的边缘,并进行边缘提取;最后运用四叉树算法对去噪图像进行多区域目标分割,并对分割的不同区域进行合并,有效地解决了因局部图像的叠加和分割不准确的难题,并且通过仿真实验显示,本文提出的改进型算法,也就是利用四叉树Sobel算子,能够有效地去除图像分割所带来的去除噪声,大大地提高升图像边缘的清晰度,是一种有效地图像分割方法。     

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。     

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.