改进的小波域自适应阈值煤尘图像去噪

煤尘图像在采集和传输过程中受到了噪声的污染。基于Bayes shrinke的小波域自适应阈值去噪算法取得了较好的图像去噪效果,但其阈值的参数估计是在假定噪声和信号不相关情况下得到的,使得其去噪效果降低。提出了一种改进的小波域自适应阈值去噪算法,从而改进了广义高斯分布模型参数的估计方法,并在增加计算量不大的情况下提高了参数估计精度。用改进的小波域自适应阈值去噪算法对煤尘图像进行去噪处理。仿真结果表明,新算法提高了煤尘图像的去噪效果,并且计算量较小,能够满足对煤尘浓度实时测量的要求。     

基于非局部总广义变分的图像去噪

针对全变分(TV)模型在去除图像噪声时容易产生阶梯效应的缺点,将二阶总广义变分(TGV)作为正则项应用于全变分模型中可以有效地去除阶梯效应,并且还能够更好地保持图像边缘纹理结构;利用非局部均值滤波算法的思想来构造非局部微分算子,将非局部微分算子应用于总广义变分模型中,综合提出了一种基于非局部总广义变分的图像去噪新模型。新模型充分利用了图像的全局信息进行去噪。实验结果显示了该模型的有效性和优越性。     

广义全变分与巴特沃斯高通滤波融合图像去噪

为了得到既可保留图像低频信息又可增强图像高频信息的去噪后的图像,提出了一种广义全变分范数与巴特沃斯高通滤波器融合的图像去噪方法。分析了广义全变分范数的图像去噪模型基本原理,给出了其优点与缺点;讨论了改进的巴特沃斯高通滤波器图像去噪方法,指出了其优点及不足之处;结合两者的优点,将两种去噪方法进行融合而得到了一种可增强对比度和保留边缘细节的图像去噪方法。计算机仿真的主观与客观实验结果证明了基本原理分析的正确性。     

改进的二阶总广义变分图像去噪算法

为了有效地去除含噪图像中的噪声,克服总变分（TV）去噪易于导致阶梯效应的缺陷,提出了一种改进的二阶总广义变分（TGV）的图像去噪方法。介绍了二阶TGV的理论基础,在二阶TGV中引入了各向异性扩散张量,利用张量函数引导扩散,获得了新的去噪模型,最后提出了一种扩展了的原始-对偶算法对新模型进行数值求解。新模型充分结合了二阶TGV作为正则项自动平衡了一阶和二阶导数项,以及张量函数的各向异性扩散,有效突出边缘结构的特性。实验结果表明,该方法在有效地去除含噪图像中噪声的同时,避免了阶梯效应,增强了对原始图像中边缘结构的保持。     

自适应广义全变差的图像泊松去噪算法

针对医学、天文图像中的泊松噪声,基于广义全变差的图像泊松去噪模型,结合交替迭代极小化方法,提出一种自适应广义全变差的图像去噪算法。该算法利用广义交叉验证技术,使得模型中的正则化参数在算法迭代过程中可以自动更新。数值实验结果验证了该算法的有效性与可行性。     

基于Lp收缩算子的改进广义全变分去噪方法

二阶广义的全变分模型是一种建立在全变分模型的思想之上进行改进的图像去噪模型,该模型是一种考虑了一阶以及高阶梯度稀疏性的模型,能够有效地抑制阶梯伪影效应的产生。Lp收缩算子相比于L1算子增加了一个自由度,它能够更好地刻画稀疏梯度信息,同时Lp收缩算子的等高线对噪声更加鲁棒。考虑到Lp收缩算子的优势,将Lp收缩算子引入二阶广义全变分去噪模型,提出改进的二阶广义全变分Lp收缩算子模型(TGV2-Lp)。利用交替乘子迭代法对模型进行求解,引入快速傅里叶算法提高算法效率。通过测试6组图片、对比传统的3种去噪模型,从实验结果可以得出,提出的模型TGV2-Lp在有效保留图片边缘细节信息的同时,能够有效去除噪声,在视觉效果、峰值信噪比和结构相似性都有一定优势.     

基于非局部相似和低秩模型的图像盲去噪

针对目前大多图像去噪算法的性能依赖输入噪声水平参数的问题,为进一步提高去噪效果,提出一种改进的基于非局部相似和低秩模型的图像盲去噪方法。预先估计图像的全局噪声方差,在图像非局部相似和低秩模型的框架下,自适应地估计各图像块的局部噪声方差,确定各图像块奇异值阈值(SVT)的局部阈值参数,运用迭代规则完成去噪。为验证该方法的有效性,与3种目前较成熟的去噪算法进行仿真对比。仿真结果表明,对于噪声方差未知的图像,该方法的去噪效果在视觉、峰值信噪比(PSNR)和结构相似度(SSIM)的数据上更具优势,具有更好的自适应能力,更适合应用于实际图像去噪问题。     

米字型各向异性扩散模型的图像去噪算法

针对原始的各向异性扩散模型在对带噪图像去噪时,只利用了邻域内东、南、西、北4个方向上的参考信息,使得去噪效果不够明显的问题,提出了米字型各向异性扩散模型的图像去噪算法。该算法在利用了原始算法中待修复点周围4个方向上参考信息的基础上,还引入了该点邻域内对角线方向上的新信息,给出了采用周围8个方向上的信息进行对图像去噪的新模型,同时证明了该模型的合理性。用新提出的算法与原算法以及一种改进的同类算法对4幅带噪图像进行去噪。实验结果表明,新提出算法去噪效果的峰值信噪比(PSNR)相比原算法和改进同类算法平均提高1.90dB和1.43dB,平均结构相似度(MSSIM)分别平均提高0.175和0.1,说明该算法更适合于图像去噪。     

自适应Shearlet域约束的全变差图像去噪

采用传统非线性扩散图像去噪方法得到的图像边缘模糊,为此,提出一种有限自适应Shearlet域约束的极小化变分图像去噪算法。通过自适应阈值收缩Shearlet系数,保留图像纹理与边缘空间,利用全变差极小化平滑空间,建立全变差正则化的能量泛函去噪模型。实验结果表明,该算法能在减少图像噪声的同时,保留图像边缘信息,对含有丰富纹理结构的图像,去噪性能更佳。     

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。     

基于稀疏表示与非局部相似的图像去噪算法

针对受加性高斯白噪声(AWGN)与椒盐噪声(SPIN)以及随机值冲击噪声(RVIN)组成的混合噪声污染的图像进行去噪的问题,提出一种在现有加权编码算法的基础上将图像稀疏表示和非局部相似先验融合的改进算法。首先,利用基于字典的图像稀疏表示构建去噪变分模型,对模型中的数据保真项设计一个权重因子来抑制冲击噪声的干扰;其次,利用非局部平均思想对混合噪声图像进行初始去噪,在得到的图像中构建掩膜矩阵将冲击噪声点排除进而求取非局部相似先验知识;最后,将非局部相似先验与稀疏先验融合进变分模型的正则项中,求解变分模型得到最终去噪图像。实验结果表明,在不同的噪声比率下,所提算法与模糊加权非局部平均算法相比,峰值信噪比(PSNR)提高了1.7 dB,特征相似性指数(FSIM)提高了0.06;与加权编码算法相比,PSNR提高了0.64 dB,FSIM提高了0.03。该算法对于纹理较强的图像可以显著提升去噪效果,能有效地保留图像的本真信息。     

面向图像先验建模的可扩展高斯混合模型

针对使用高斯混合模型的图像先验建模中分量数目难以扩展的问题,构建基于狄利克雷过程的可扩展高斯混合模型.通过聚类分量的新增及归并机制,使模型复杂度根据数据规模自适应变化,从而增强先验模型结构的紧密度,以提升其可解释性.此外,对高斯混合模型的推理过程进行优化,给出一种基于批次处理方式的可扩展变分推理算法,求解图像去噪中所有隐变量的变分后验分布,实现先验学习.实验结果表明,该模型在图像去噪任务中较EPLL等传统去噪模型能够取得更高的峰值信噪比,去噪效果更佳,验证了该模型的有效性.     

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。     

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。     

基于稀疏梯度场的非局部图像去噪算法

非局部平均(Non-local means, NLM)算法充分利用图像的自相似性与结构信息的冗余性, 取得了很好的去噪效果.然而, 在强噪声的干扰下, NLM算法中的权函数不能准确度量图像块之间的相似性. 因此, 很多文献利用图像的梯度信息对权函数做了改进.但是, 传统的梯度算子对噪声十分敏感, 不能有效地提高相似性度量的准确性. 本文将图像的稀疏梯度场(Sparse gradients field, SGF)引入权函数的定义中, 提出一种基于稀疏梯度场的非局部图像去噪算法. 首先, 区别于传统基于局部的梯度算子, 提出了基于全局的稀疏梯度场模型, 进一步给出一个自适应的稀疏梯度场模型(Adaptive sparse gradients field, ASGF), 并利用向前--向后分裂算法求解.然后, 利用图像的稀疏梯度场对NLM算法的权函数进行改进, 得到本文提出的算法.实验结果表明, 无论是客观评价还是视觉效果, 本文所提算法的性能优于NLM 算法和其他利用梯度信息改进的NLM算法.     

基于能量泛函和视觉特性的全变分图像降噪模型

目的 基于能量泛函的全变分图像复原模型(ROF)为偏微分方程在图像处理上的应用开辟了一个新的研究领域。针对ROF模型存在的缺陷,很多学者提出了改进的模型和算法,并取得了一定的效果。基于能量泛函和视觉特性提出一种全变分图像降噪模型。方法 首先利用偏微分方程比较原理证明了该模型解的整体存在性,并利用变分原理给出了该模型的Euler-Lagrange方程;在数值计算时,选用人工时间演算法和有限差分方法,对数值近似解的离散形式进行了图像降噪matlab实验;最后利用峰值信噪比和平均结构相似度两个指标进行了降噪质量评价。结果 从实验数据上来分析,本文的模型在峰值信噪比上都有0.5~1 dB的提高,结构相似度有0.05~0.3的改进。结论 从降噪效果上分析,基于能量泛函和视觉特性的全变分图像降噪模型能够在降噪的同时,保持良好的边缘和纹理特征,优于其他改进的全变分降噪模型。     

基于变分PDE的非线性数字混合滤波器

从局部扩散角度分析了经典变分PDE复原模型的不足,给出一种基于全变差模型和调和模型的混合图像复原模型,并导出了相应的数字混合滤波器.该滤波器可以根据图像的局部梯度特征自适应选取滤波器系数,能在去噪的同时保留边缘,并削弱平滑区域的阶梯效应,具有较好的综合性能.针对该混合滤波器,还设计出相应的图像修补和放大算法.大量仿真实验表明,该滤波器可以很好地应用于图像的去噪、修补和放大.     

基于改进阈值函数的小波变换图像去噪算法

针对传统硬阈值函数在阈值处的不连续、软阈值函数中小波系数与小波估计系数之间存在的恒定偏差问题,提出一种基于改进阈值函数的图像去噪算法。该算法结合改进阈值函数的优点,通过设置适当的调整参数动态选取固定阈值,增加调节因子来降低原小波系数和估计小波系数之间的恒定偏差,从而提高重构图像和原图像的逼近程度。改进后的阈值函数在阈值处满足连续性,同时满足函数的渐进性和高阶可导性。仿真结果表明,采用改进后的阈值函数进行图像去噪,视觉效果好,PSNR和SNR都提高了,MSE有所降低,去噪效果得到了优化。     

融合[L2]和KL保真项的图像恢复算法

为了有效抑制高斯-泊松混合噪声,针对调和模型不能有效保存图像的边缘细节信息和Kullback-Leibler散度作为保真项（KL保真项）的全变差图像恢复模型对光滑的区域部分去噪会产生“阶梯效应”的不足,提出一种针对高斯-泊松混合噪声去噪的图像恢复变分模型。该模型利用增广拉格朗日算法进行数值实现,将调和模型和全变分模型按照比例进行融合,结合两种模型的优点,增强模型的去噪性能;Kullback-Leibler散度作为保真项和[L2]保真项按照比例进行混合,能有效去除高斯-泊松混合噪声的同时,保护图像的边缘细节;使用多幅含不同混合噪声的图像进行对比实验,采用峰值信噪比、结构相似度指标评定图像的恢复效果。实验结果表明,该模型的峰值信噪比和结构相似度大于使用Kullback-Leibler散度作为保真项的全变差图像恢复（TV-KL）模型、改进MS模型（MRT）,以及保真项混合模型（MFT）这三个模型,并且计算的CPU时间更短,去噪效果得到明显改善。所提模型具有更好的去噪性能,有效地保持了图像细节和纹理特征方面的信息,获得了更理想的视觉效果,不仅能提高了图像质量,而且在客观上得到了有效的证实,可以应用于X射线图像去噪。     

基于Chambolle-Pock算法框架的高阶TV图像重建算法

传统的总变差（TV）最小算法是一种基于压缩感知(CS)的经典迭代重建算法，可以从稀疏数据或含噪数据中高精度地重建图像。然而，TV算法在重建分段常数特征不明显的图像时可能会引入块状伪影，通过研究得出，在图像去噪中使用高阶总变差（HOTV）能有效压制TV模型引入的块状伪影。鉴于此，提出了一种HOTV图像重建模型及其Chambolle-Pock（CP）求解算法。具体来说，以二阶梯度构建二阶TV范数，进而设计了一种数据保真约束的二阶TV最小重建模型，并推导出了相应的CP算法。在理想数据投影和含噪数据投影条件下，分别采用基于波浪背景的Shepp-Logan模体、灰度渐变模体以及真实CT图像模体进行重建实验，并进行定性和定量分析。理想数据投影的重建结果表明，和传统TV算法相比，HOTV算法能有效压制块状伪影并提高重建精度。含噪数据投影的重建结果表明，HOTV算法和TV算法均有良好的抗噪能力，但HOTV算法的保边性能更好且抗噪性更强。在重建分段常数特征不明显而灰度波动特征明显的图像时，HOTV算法是一种比TV算法更优的重建算法。所提HOTV算法可以被推广到各种扫描模式下的CT重建及其他成像模态中。