基于快速离散曲波变换的图像去噪算法

Curvelet变换可以更好地表示曲线奇异函数的异向性及图像边缘,因此更适合于多尺度图像去噪。针对传统阈值法存在的不足,在分析wrapping方法的快速离散曲波变换基础上,提出结合Cycle Spinning循环平移方法的菱形块阈值规则去噪法,并自适应地对不同的Curvelet子块进行阈值化。该方法可以消除由于Curvelet变换缺乏平移不变性而产生的图像失真,并且更好地利用曲波系数的相关性。实验结果表明,该方法与传统的小波去噪、曲波硬阈值去噪、曲波软阈值去噪、曲波软硬阈值折中法去噪相比,使得去噪图像的峰值信噪比更高,视觉效果更好。     

基于多小波—非采样Contourlet变换的自适应阈值图像去噪方法

为抑制Contourlet变换的非平移不变性和冗余性给图像去噪所带来的图像失真等缺陷,提出一种新的基于多小波—非采样Contourlet变换和基于Bayes Shrink的自适应阈值去噪算法：首先利用多小波对图像进行多尺度分解并结合非下采样方向滤波器组进行方向分解,接着根据分解所得到的各方向子带的关系,改进了Bayes Shrink自适应阈值取值方法,对图像进行去噪处理。实验结果表明：该算法去噪后图像的信噪比(SNR)与已有算法相比,有了明显的提高,有效地抑制了原Contourlet变换所造成的伪Gibbs现象,更好地保留了图像的细节信息。     

基于非抽样Contourlet变换的最佳软阈值图像去噪

研究了小波变换在图像处理中的缺陷,以及Contourlet变换在图像处理中产生伪Gibbs失真的原因。为了在多尺度分析框架下改进图像去噪的效果,提出了一种基于非抽样Contourlet变换的图像去噪算法,利用非抽样Contourlet变换的多尺度多方向性以及平移不变性,对加噪图像进行非抽样Contourlet变换得到变换系数,然后对变换系数采用分层最佳软阈值处理,最后将其反变换得到去噪后的图像。实验结果表明,与Contourlet变换图像去噪算法相比,该算法可以达到更好的效果。     

多变换域马尔可夫树图像去噪算法*

针对图像去噪时单一变换方法的不足,提出了一种新的基于Contourlet变换和小波变换的多变换分级图像降噪算法。根据Wavelet变换和Contourlet变换系数对图像中不同频带信号的稀疏表示特点,利用隐马尔可夫树（HMT）模型可以描述相邻尺度变换域系数的互相关性。首先使用小波域HMT方法进行第一级降噪,然后将其作为先验估计,利用Contourlet变换进行迭代阈值降噪。通过与几种传统的小波域HMT和Contourlet域HMT去噪算法相比,本算法改善了去噪图像的可视性并使PSNR值有所提高。     

基于非抽样Contourlet变换的最佳软阈值图像去噪

研究了小波变换在图像处理中的缺陷,以及Contourlet变换在图像处理中产生伪Gibbs失真的原因.为了在多尺度分析框架下改进图像去噪的效果,提出了一种基于非抽样Contourlet变换的图像去噪算法,利用非抽样Contourlet变换的多尺度多方向性以及平移不变性,对加噪图像进行非抽样Contourlet变换得到变换系数,然后对变换系数采用分层最佳软阈值处理,最后将其反变换得到去噪后的图像.实验结果表明,与Contourlet变换图像去噪算法相比,该算法可以达到更好的效果.     

基于冗余Contourlet变换的图像相关法去噪

Contourlet变换是多尺度几何分析中十分重要的一种方法,可以实现灵活的多分辨、局部、多方向图像表示,但是由于不具有平移不变性,在图像去噪中易产生伪吉布斯现象,这里应用冗余Contourlet变换,具有平移不变性,且能有效表示图像几何纹理信息。在去噪应用中考虑分解系数的层间信息,将BivaShrink方法推广到冗余Contourlet变换中。实验结果表明,本文方法提高了去噪后图像的峰值信噪比(PSNR),同时有效保存了图像纹理信息,视觉效果更好。     

基于Contourlet变换的红外图像去噪技术

研究了一种基于Contourlet变换的红外图像去噪技术。在Contourlet域中使用硬阈值函数对Con-tourlet变换后的系数进行处理,经反变换即可得到较好的去噪图像。实验结果表明:与传统的小波阈值去噪方法相比,该方法能够更有效地保留红外图像的细节和纹理,具有更好的视觉效果和较优的信噪比。     

基于边缘检测的NSCT自适应阈值图像去噪

为在去噪时能较好保留图像边缘特征,并针对Coutourlet变换缺乏平移不变性和传统阈值法的不足,提出了一种基于边缘检测的非子采样Contourlet变换自适应阈值(AT-NSCT)图像去噪方法.结果不仅能消除因Contourlet变换缺乏平移不变性而产生的图像失真,而且有效地保留了图像的边缘信息,提高了去噪后图像峰值信噪比,视觉效果更好.     

基于非下采样Contourlet变换的医学CT图像去噪

为克服Contourlet变换的非平移不变性及频谱混叠等缺陷,提出了一种基于非下采样Contourlet变换的医学CT图像去噪方法。对含噪的CT图像进行非下采样Contourlet变换,得到不同尺度及各个方向上的变换系数,利用Context模型将每个尺度每个方向子带分级,不同分级采用相应的阈值去噪。实验表明,该方法适宜于处理含有更多高斯噪声的医学CT图像,与其他方法相比提高了PSNR值,更好地保留了图像细节,改善了医学CT图像的质量。     

复脊波变换SAR图像去噪算法

在分析传统脊波变换去噪方法优缺点的基础上, 针对其不足, 提出一种基于复脊波变换的去噪方法。算法将传统脊波变换中的标量一维小波变换替换为二元树复小波变换, 使得脊波变换具有平移不变性; 然后, 对图像采用冗余分块处理, 使得处理结果更平滑, 有效地提高了图像的峰值信噪比（PSNR）。仿真实验表明, 在SAR图像去噪应用中, 本方法能够更好地保留图像中的纹理信息, 处理结果优于传统脊波变换以及小波变换去噪方法。     

基于改进轮廓波变换的图像去噪算法

在轮廓波变换中进行拉普拉斯金字塔分解时,所得的带通图像在奇异性点附近产生振荡,影响了图像去噪的效果。针对该问题,提出一种改进的拉普拉斯金字塔分解,可消除边缘附近的震荡。利用改进的拉普拉斯金字塔实现轮廓波变换,并对图像进行自适应去噪。实验结果表明,该算法所得的峰值信噪比较轮廓波变换自适应去噪算法有显著提高,且视觉效果有较大改善。     

一种基于Contourlet变换的图像去噪方法

在变换域阈值去噪过程中,阈值的选取和阈值处理方法至关重要。提出一种基于contourlet变换的图像去噪方法。采用分层阈值,为每一级contourlet系数选取一个阈值。阈值处理中给出一种基于邻域的阈值处理方法,不仅考虑单个系数幅值的大小,而且考虑它的邻域系数幅值的大小。同时为了抑制在去噪图像边缘附近的伪吉布斯效应,引入cycle spin-ning来抑制这种图像失真。实验结果表明,利用文中去噪方法进行去噪比其他方法得到更好的视觉效果和更高的PSNR值。     

循环平移和非下采样在轮廓波去噪中的应用

轮廓波变换是小波变换的新发展,是一种多方向、多尺度的几何分析工具,能更有效地捕捉图像的几何结构。传统的轮廓波变换因包含有下采样操作,使得它不具备平移不变性,从而会在图像去噪过程中引入伪吉布斯(Gibbs)现象。分别采用循环平移及非下采样滤波器组两种方法对其改进,着重从计算复杂度、去噪效果、噪声水平依赖性等方面对两种改进方法的去噪效果进行了对比。     

Image denoising in contourlet domain based on a normal inverse Gaussian prior

This paper presents a new image denoising algorithm based on the modeling of contourlet coefficients in each subband with a normal inverse Gaussian (NIG) probability density function (PDF). This PDF is able to model the heavy-tailed nature of contourlet coefficients and the local parameters model the intrascale dependency between the coefficients. Within this framework, we describe a novel method for image denoising based on designing maximum a posteriori (MAP). Furthermore, the cycle spinning algorithm is employed to modify the Gibbs phenomenon around edges caused by the lack of translation invariance of the contourlet transform. Experimental results prove that the new method can remove Gaussian white noise effectively, reserve image edges better and enhance the peak signal-to-noise ratio.     

基于改进轮廓波变换的SAR图像增强

针对轮廓波变换(contourlet transform)中进行拉普拉斯金字塔分解时,所得的带通图像在奇异性点附近产生振荡,影响图像去噪的效果,提出一种改进的轮廓波变换。通过改进拉普拉斯金字塔分解,可消除轮廓波变换带通图像边缘附近的震荡。提出了基于改进轮廓波变换的SAR图像增强算法。实验结果表明,该算法在有效抑制SAR图像噪声的同时,较好地保持了图像边缘细节。     

基于相关性阈值的NSCT图像去噪方法研究

利用非下采样Contourlet变换(NSCT)平移不变性、多分辨率、多方向的优点,提出一种基于尺度相关与阈值去噪相结合的非下采样Contourlet变换图像去噪方法。首先对噪声图像进行非下采样Contourlet变换,得到各个尺度各个方向子带的系数,然后采用相关系数归一的方法,结合Bayesian自适应阈值来达到更好的去噪效果。仿真实验表明,该方法在提高去噪后图像的峰值信噪比的同时,有效保留了图像的纹理信息,避免伪吉布斯现象,改善了图像的视觉效果。     

基于平移不变性类Contourlet变换的图像去噪

具有各向异性和多方向性的轮廓波变换是小波变换的扩展, 由于轮廓波变换本身的滤波器组结构使得它不具备平移不变性. 本文提出了一种具有平移不变性的类轮廓波变换(TICLT), 其冗余度比非抽样轮廓波变换(NSCT)和平移不变轮廓波变换(TICT)更低. TICLT由平移不变拉普拉斯塔式分解和非抽样方向滤波器组两部分构成. 本文以一维分数阶正交样条滤波器组为原型, 应用映射法设计满足完全重构条件的非抽样方向滤波器组. 与目前已有的去噪方法比较, 基于TICLT的图像去噪算法有明显优势.     

一种新的非下采样Contourlet域图像去噪算法

作为新型高维奇异性分析工具,非下采样轮廓(Nonsubsampled Contourlet)变换不仅克服了小波(Wavelet)变换的非奇异性最优基缺点,而且提供了优于轮廓(Contourlet)变换的平移不变性.以性能优越的非下采样轮廓变换为基础,提出了一种新的图像去噪方法.该方法首先对图像进行非下采样轮廓变换,以得到不同尺度、不同方向上的变换系数;然后结合噪声分布特点确定多尺度阈值,并依此阚值对高频系数进行去噪处理;最后对去噪处理后的变换系数进行反变换,以得到去噪图像.仿真实验结果表明,该方法不仅拥有较强的抑制噪声的能力,而且具有较好的边缘保护能力,同时消除了图像边缘附近的伪吉布斯(Gibbs)现象,整体性能优于小波变换图像去噪和轮廓变换图像去噪方法.     

Contourlet收缩和全变差相结合的图像去噪

充分保持细节的图像去噪在图像处理领域具有重要的意义。一种新的将Contourlet收缩和全变差相结合的混合去噪算法被提出。利用空域自适应的全变差,对含噪图像与Contourlet硬阈值收缩图像的差值图像进行滤波。再和收缩图像相叠加,从而得到最终的去噪图像。实验结果表明,和现有的典型去噪方法相比较,所提出的算法在有效去除噪声和Gibbs伪影的同时,更好地保持了边缘和纹理等重要的细节信息。     

Multifocus image fusion method of Ripplet transform based on cycle spinning

The curvelet transform can represent images at both different scales and different directions. Ripplet transform, as a higher dimensional generalization of the curvelet transform, provides a new tight frame with sparse representation for images with discontinuities along C² curves. However, the ripplet transform is lack of translation invariance, which causes the pseudo-Gibbs phenomenon on the edges of image. In this paper, the cycle spinning method is adopted to suppress the pseudo-Gibbs phenomena in the multifocus image fusion. On the other hand, a modified sum-modified-laplacian rule based on the threshold is proposed to make the decision map to select the ripplet coefficient. Several experiments are executed to compare the presented approach with other methods based on the curvelet, sharp frequency localized contourlet transform and shearlet transform. The experiments demonstrate that the presented fusion algorithm outperforms these image fusion works.