各向异性小波收缩用于图像分割

已经证明2维情况下一般各向异性扩散与HAAR小波收缩在一定条件下是等价的,基于此等价性的各向异性小波收缩结合了小波收缩与各向异性扩散两种方法的优势。将各向异性小波收缩用于多尺度图像分割,提出一种对多尺度各向异性扩散分割方法的改进方法——多尺度各向异性小波收缩图像分割算法。该算法利用各向异性小波收缩对图像中像素灰度值进行扩散,在尽可能保持边缘的情况下,使同质区域内相邻像素灰度随尺度数增加趋于相同,构造基于尺度的空间栈,从而完成对目标的分割,是一种非监督图像分割方法。对比实验结果表明,该算法在有效处理区域内部不一致性的同时,能够准确地定位目标边缘,实现同质区域的融合,完成分割任务,且该算法收敛速度高于多尺度各向异性扩散分割方法。     

基于改进各向异性扩散的超声医学图像滤波方法

为了能有效地去除超声医学图像中的噪声,又能较好地保持图像的边缘和重要细节信息,在η-ξ正交坐标系下研究并分析了各向异性扩散模型(P-M模型)的扩散滤波机制,并在此坐标系下建立了一种新的各向异性扩散滤波方案。实验结果表明,改进的扩散模型不仅能够有效地保持图像边缘,而且还能够克服P-M模型对小尺寸噪声的敏感问题。     

改进的各向异性扩散图像去噪算法

图像去噪是图像处理中的重要环节,经典的图像去噪算法,如中值滤波、高斯滤波和加权平均滤波等,去噪效果都不是很理想。传统方法在去除噪声的同时,会使图像的边缘也变得模糊。偏微分方程(PDE)是近年比较流行的图像处理方法,它具有各向异性的特点,在去除噪声的同时,能很好地保持图像的边缘。基于现有算法,提出了一种改进的去噪算法。将传统P-M算子中的固定边缘阈值改为随梯度模变化的自适应阈值,并结合图像结构张量构造一个扩散函数。在图像平坦区,改进的P-M模型具有各向同性的特点,有利于平滑噪声;而在图像边缘处,该模型只沿切线方向扩散,有利于保护图像细节。试验表明,改进的P-M模型能很好地改善图像去噪效果,同时也能很好地保持图像的边缘。     

基于改进各向异性的水平集医学图像去噪

针对成像复杂、噪声突出的医学图像在去除噪声的同时模糊边缘特征的现象,提出了基于改进的各向异性的水平集去噪模型。在水平集去噪模型的基础上,加入了改进的各向异性扩散因子,其中改进的各向异性扩散因子采用了中值滤波平滑后的梯度模替换原始图像的梯度模,对于医学图像中大量的斑点噪声更加有效,并保留了图像的边缘信息。基于Matlab平台对改进算法进行了验证,实验表明,基于改进各向异性的水平集算法在有效去除噪声的同时,非但没有模糊边缘特征,相反地起到增强边缘信息的效果。改进算法优于各向异性算法和中值滤波等算法,提高了图像的信噪比,降低了图像的均方误差,保留了更多细节信息,使得医学图像更好地用于诊断,以及后续的分割等处理。     

一种图像放大的偏微分方程综合模型

针对传统图像放大处理过程中基于线性插值方法通常导致边缘模糊问题,分析了各向同性扩散模型和各向异性扩散模型在图像处理中的优缺点,提出了一种线性扩散和P-M方程自适应结合的图像放大综合模型。该模型对图像非平滑区域采用各向异性扩散模型处理,而平滑区域则采用各向同性扩散模型处理。实验结果表明,该综合模型在保持图像边缘锐度的同时提高了图像的清晰度,能够有效提高放大图像的主观视觉质量和客观SNR及PSNR。     

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。     

一种新型图像噪声抑制各向异性扩散算法

噪声抑制是红外图像处理中一个重要的研究课题,但常用的去噪算法会造成细节的损失。为有效地抑制噪声,同时保护边缘,在P-M扩散模型的基础上,提出了一种新的基于方向信息测度和边缘隶属度的各向异性扩散滤波算法。该算法的核心内容是将图像分为边缘区和非边缘区两个区域,对非边缘区采用常规P-M扩散方程完成噪声的滤除,对边缘区采用基于方向信息测度的非线性扩散方法,在平滑去噪的同时对边缘进行修整、增强。最终的仿真结果表明,该算法的峰值信噪比、均方误差、辐射分辨率等参数均优于常规算法,该算法具有良好的前景和实用价值。     

基于对数压缩的超声各向异性扩散去噪方法

针对当前超声图像去噪算法很难同时做到降噪和边缘保持的情况,在进行各向异性扩散模型研究的基础上,提出基于对数压缩的改进各向异性扩散算法（LCAD）去除超声散斑噪声。算法将图像对数压缩后进行噪声分布模型估计,然后构造基于广义伽马分布的扩散系数,在扩散过程中达到降噪和边缘保持效果。     

基于各向异性扩散活动轮廓模型的左心室MRI分割

结合各向异性扩散算法与梯度矢量流活动轮廓模型,提出了基于各向异性扩散活动轮廓模型并应用于心脏核磁共振图像分割;模型采用各向异性扩散方程构造活动轮廓模型的外部能量函数,得到边界更加清晰的分段平滑图像,运用梯度矢量流将边缘图梯度散射到平坦区域,可以有效抑制噪声,同时保持了目标边界;对左心室核磁共振图像的分割实验表明,该模型可以克服噪声和伪影的干扰,与原梯度矢量流模型相比具有更高的精确性和可靠性,有利于实现自动分割.     

一种改进的各向异性扩散去噪模型

为了既能有效地去除噪声,又能够较好地保持图像的边缘以及重要的细节信息,在Perona和Malik提出的各向异性扩散模型(P-M模型)的基础上,通过对扩散方程中扩散函数的改进,提出了一种具备自适应性的去噪扩散模型,该模型对图像去噪处理更加高效。改进的扩散函数在梯度较小时为一个常数,大于某个阈值后变为单调递减函数,直至某个梯度时递减为零。以上扩散函数特性使各向异性扩散模型能够达到在同质区加速平滑、在边缘区停止平滑的目的。实验结果表明,改进的扩散模型是一种更为理想的保边缘平滑模型。     

一种滤波修正的K均值分割方法

许多传统的图像分割方法都需要输入用户难以理解的参数,而且这些参数对于结果的影响又比较大。基于聚类分析技术的方法对参数不敏感,简单而且高效,但因其专注于对单一特征空间的划分而无法同时保持区域均一性和空间紧致性。尽管已经出现了许多改进的方法,如采用进行空间约束的聚类方法和使用其它保持空间紧致性的方法进行结果修正等,不过不同空间划分之间的协调、新的参数复杂性和算法复杂性反而使得聚类分析技术失去其简单有效的优势。给出一种新的医学图像分割算法,通过结合K均值方法和各向异性滤波技术,保持图像空间紧致性并解决过分割和图像噪声问题,同时弱对象也能够被提取出来。对比实验以及应用表明,该算法具有良好的分割结果和性能。     

改进各向异性扩散模型在图像滤波去噪中的应用

为了增强锅炉水位计图像滤波去噪效果,提高图像清晰度,便于后期液位计图像识别研究,通过分析P-M各向异性扩散模型、选择扩散模型及You Yu-Li和Kaveh M四阶偏微分方程的滤波去噪算法,提出了改进各向异性扩散模型滤波算法.所提算法对Perona和Malik两个扩散函数均值化,并引入标准差作为梯度期望值的偏差裕度,结合了P-M各向异性扩散模型保边缘特性的优点,并消除了由于传统各向异性滤波算法迭代过度所造成的阶梯缺陷问题,确保图像有用信息不缺失和像素点平滑度.实验结果表明:所提算法能够更好地降低噪声对目标信号提取产生的影响,提高了图像识别鲁棒性,增强了图像平滑滤波效果,保证了锅炉水位计图像边缘清晰度和完整性.     

P-M扩散法的图像去噪研究

从理论上分析了用P-M扩散方法去除图像噪声的原理与特点,分析了P-M扩散中参数k的选取问题,讨论了去噪应用中梯度算子的数值计算方法,在传统的p-M扩散方法的基础上得到了改进的P-M扩散算法。实验结果表明:与传统算法相比,改进的P-M扩散算法能有效抑制图像噪声,更好地保持边缘细节。     

磁共振颅脑图像的脑组织自动获取方法

提出了一种针对MRI磁共振图像通过两次分割实现颅脑图像脑组织自动获取的方法.通过基于Catt扩散模型的各项异性滤波,实现了在保持图像细节的同时有效地消除图像的噪声.然后通过改进的基于相似性区域合并的分水岭算法解决了过分割问题,实现了脑组织区域的初次分割.由于颅脑图像不同组织之间边缘模糊且自身容易受到噪声的影响,导致区域合并过程中可能会误将非脑组织作为脑组织合并,因此,采用水平集方法将初次分割获得的脑组织轮廓作为初始轮廓曲线,实现了脑组织的自动分割.实验结果验证了算法的可行性和实用性.     

基于改进分水岭的棉花图像分割方法

针对棉花图像中存在阳光直射和阴影遮挡等因素而导致图像分割精度低、效果差的问题,提出一种改进分水岭的图像分割算法。该方法对原始图像进行各向异性扩散去噪预处理;利用鲁棒中值估计对形态学多尺度梯度图像进行硬阈值法梯度修正;对修正后的图像采用分水岭算法进行分割,对过分割的区域采用基于L*a*b*彩色空间的颜色相似度方案进行区域合并,从而将棉花提取出来。实验结果表明,提出的算法对阳光直射及阴影遮挡等干扰条件下的棉花图像分割能取得较好的效果。     

基于异性扩散模型的图像边缘增强方法

提出了一个能增强图像边缘的异性扩散模型,结合P-M扩散模型和反热扩散模型各自的优点,能在去除图像噪声的同时增强图像的边缘,一定程度上克服了P-M扩散模型对图像边缘的模糊效应和反热扩散模型容易产生虚假边缘的缺点。实验结果表明：提出的模型有很好的去噪和增强图像边缘的效果,其峰值信噪比（Peak Signal Noise Ratio,PSNR）在强噪声水平下,较P-M扩散模型大约提高1 dB。     

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。     

A blending method based on partial differential equations for image denoising

In this paper we proposed a new de-noising technique based on combination of isotropic diffusion model, anisotropic diffusion (PM) model, and total variation model. The proposed model is able to be adaptive in each region depending on the information of the image. More precisely, the model performs more diffusion in the flat areas of the image, and less diffusion in the edges of the image. And so we can get rid of the noise, and preserve the edges of the image simultaneously. To verify that, we did several experiments, which showed that our algorithm is the best method for edge preserving and noise removing, compared with the isotropic diffusion, anisotropic diffusion, and total variation methods.     

改进的核回归图像恢复

Steering核回归是一种自适应的、有效的图像恢复方法,在图像去噪、放大和去模糊中都得到了广泛应用。但此模型以高斯函数为核函数,故得到的恢复图像边缘,尤其是细小边缘常常会因过分平滑而模糊。提出基于鲁棒统计的各向异性核回归图像恢复模型,该模型在Steering核回归模型基础上,结合各向异性距离,以鲁棒统计权函数代替高斯核函数。大量图像恢复实验结果显示,与Steering核回归方法相比较,所提出方法得到的恢复图像质量显著提高,尤其是在细小边缘保持方面更具有明显优势。