数字全息再现图像散斑噪声消除新方法

为了消除数字全息再现像中存在的相干散斑噪声,在去除噪声并保留图像细节的基础上,提出了基于小波变换的边缘保持散斑噪声去噪方法;通过分析小波变换模极大值边缘检测和基于Neyman-Pearson准则的小波阈值去噪方法的原理,提出并应用了一种数字全息再现像散斑噪声去噪方法,利用小波模极大值方法获得边缘图像,通过基于Neyman-Pearson准则的小波阈值去噪,去噪后的图像与边缘图像合并后得到最终再现图像。研究结果表明,该方法能够较好地在去除散斑噪声的同时保留图像细节。     

基于二进小波变换阈值去噪方法的性能分析

在D.L.Donoho和I.M.Johnstone提出的小波阈值去噪方法的基础上,提出基于二进小波变换的阈值去噪方法。为分析此方法的去噪性能,对同一图像在叠加不同水平的Gaussian噪声的情况进行了去噪实验,仿真实验结果发现,基于二进小波变换的阈值去噪方法不但有效抑制了图像边缘附近的Gibbs现象,而且使去噪后图像的峰值信噪比在不同噪声水平下都有很大程度地改善,在不同噪声水平间有很小幅度的波动,这表明基于二进小波变换的阈值去噪方法的去噪性能具有很强的稳定性。     

基于Sobel算子的小波去噪算法

文章在分析Sobel算子边缘锐化与小波边缘检测的基础上,提出了一种能保持图像边缘的去噪方法。对加噪图像进行平稳小波变换以后,在各尺度下利用Sobel算子对小波高频系数进行边缘锐化,采用局部模极大值进行边缘检测,对于非边缘小波系数采用小波阈值滤除。实验结果表明,该方法不仅能够滤除图像的噪声,而且能够保持图像的边缘。     

基于平稳小波变换的图像去噪方法

正交小波阀值消噪方法已广泛地应用于图像噪声抑制，目前对于正交小波阈值去噪方法的研究主要集中于如何选取阈值使消噪达到较好的效果，然而对于图像中噪声幅度较大的情况下，正交小波变换阀值消噪会使图像边缘失真，甚至图像模型，提出的平衡小波变换的图像消噪方法，可以有效地降低噪声，同时又较好地保持图像边缘细节，与正交小波变换阈值降噪方法相比，有明显优越性。     

基于状态权的小波边缘检测算法

提出了一种基于小波变换和各向异性扩散的图像多尺度边缘检测方法。对噪声图像进行小波变换,得到高频和低频小波系数。对高频小波系数归一化后进行各向异性扩散得到状态权,把该权值作用在原高频小波系数上,得到了既去除噪声又保持结构不变的小波系数。对低频小波系数直接用小波阈值方法去噪,利用小波系数模极大值法对去噪后的高频和低频小波系数进行边缘检测,得到最终的边缘图像。实验结果表明,该边缘检测方法由于结合了小波和各向异性扩散方法,从而有效地抑制了噪声,得到了连续、清晰的边缘。     

一种基于小波包分解的图像分类去噪方法

文章提出了一种基于小波包分解的图像分类去噪方法,即首先用高斯-拉普拉斯边缘检测方法检测出图像的边缘,得到边缘图像;然后利用小波包对图像平滑区域进行阀值去噪,同时对图像进行邻域平滑处理;最后将边缘图像嵌入平滑图像。此种方法不但可以保持图像的边缘信息,而且能够去除图像的噪声,提高了图像的去噪效果和清晰度。     

二进小波与改进的形态学融合的边缘检测算法

针对小波变换边缘检测算法抗噪能力差、图像边缘不连续等缺点,提出一种将二进小波变换与形态学算子融合的边缘检测算法。利用新构造的二进小波滤波器边缘检测算法对含噪图像进行边缘检测,可以保留较多的边缘细节;利用新设计的多结构抗噪形态学算子对含噪图像进行边缘检测,抑制噪声良好;将两种算法得到的边缘结果按一定规则进行融合,利用Laplace算子锐化融合后的图像,得到最终的边缘检测结果。实验结果表明,该融合算法在抑制噪声的同时显示较多的图像细节,检测的图像边缘连续且准确。     

基于平稳小波变换邻域系数萎缩的图像去噪法

为消除图像去噪过程中普遍存在的边缘失真,先利用Canny边缘检测算子提取含噪图像的边缘特征,使边缘图像的像素点和含噪图像的像素点一一对应,将含噪图像中边缘像素点的值设零,再将得到的去掉边缘信息的含噪图像进行二维离散平稳小波变换,对小波系数采用基于邻域的方法进行系数萎缩.该算法充分考虑了平稳小波系数的邻域性质,对处理后的小波系数进行平稳小波反变换得到平滑去噪图像,最后将边缘图像嵌入平滑图像中得到去噪后的图像.该算法能够在去除噪声的同时较好地保护图像的边缘,是一种有效的图像去噪法.     

一种基于图像边缘检测的小波阈值去噪方法

边缘特征是图像最有用的高频信息，因此，在图像去噪的同时，应尽量保留图像的边缘特征。为实现这一想法，提出了一种基于图像边缘检测的小波阈值去噪新方法。该方法在去噪前,先用定位精度高的小尺度LOG算子检测图像的边缘，对检测出的边缘进行均值平滑滤波，以减少边缘图像中的孤立点噪声；进而再对图像边缘和含噪图像分别进行小波分解，根据分解后的小波系数以确定图像的边缘特征和非边缘特征；最后，再对图像边缘对应的小波分解系数进行小阈值处理，而对非边缘的则进行大阈值处理，从而实现了在去噪的同时保留了图像边缘特征的目的。实验结果表明，与普通的小波阈值去噪方法相比，该方法可有效地保持图像的边缘信息，去噪效果则优于前者。     

基于双树复数小波变换的切屑图像阈值去噪

由于在金属切削加工时通过CCD相机采集的切屑图像含有大量噪声，因此如何有效地去除噪声，获取切屑边缘信息是分析切屑形态参数，实现切屑控制的关键。目前小波变换图像去噪效果较好，而复数离散小波变换比实数小波变换具有更多优势，如：平移不变性、方向性等。并可提高图像的去噪能力。为了提高切屑图像的去噪能力，提出了一种采用双树复数小波变换进行切屑图像去噪的方法，即在原信号(噪声标准方差)未知情况下，采用GCV准则选取去噪阈值，双树复数小波变换进行去噪。典型图像与切屑图像去噪结果显示，该方法能有效地提高金属切削加工过程中切屑图像的噪声去除及屑形边缘检测的能力。     

小波模极大值在图像消噪中的应用

提出利用小波模极大值进行图像消噪方法,对含噪声图像进行离散平稳小波变换和噪声标准差的估计,在Bayes-shrink阈值计算的基础上,得到消噪的阈值计算公式。对各尺度各子带的小波系数模极大值进行判断,获得由图像边缘产生的小波系数,使用自适应多阈值的方法在小波各尺度、各子带萎缩非图像边缘产生的小波系数。经平稳小波逆变换得到消噪后的图像。实验结果表明,与以前消噪方法相比,该方法具有更好的效果。     

一种基于小波变换的混合去噪方法

该文提出了一种基于小波变换的混合去噪方法。该方法通过对图像进行小波分解后,首先确定低分辨率的截断参数,对于大于此截断参数的小波系数,进行小波收缩处理;而对小于此截断参数的小波系数,进行异性扩散迭代去噪。实验结果表明,该算法具有两种方法集成优点的去噪效果,边缘也能较好地保持。     

基于小波变换的拓片文字边缘检测*

针对拓片得到的文字图像具有模糊细节多、效果差等特征,以及传统算法对其边缘检测的精度不高,根据拓片文字边缘独立于尺度传播的特性,提出了一种基于二进小波变换的拓片文字图像边缘提取和增强算法。首先用二进小波对拓片文字图像进行多尺度分解,再结合小波变换模值跨尺度传递的不同特性,进行多尺度下的图像边缘提取、增强和细化。实验表明,该算法克服了传统算法的不足,弱化了单尺度下噪声抑制与边缘细节提取精度之间的矛盾,从而具有更好的实用性。     

基于二阶导数算子与小波变换的图像去噪

二阶导数算子噪声定位的图像去噪法对椒盐噪声有很强的去噪能力,但对高斯噪声去噪效果较差,基于小波变换的图像去噪法能有效去除高斯噪声,但几乎不能去除椒盐噪声。针对上述问题,采用二阶导数算子降噪与小波变换去噪相结合的方法对图像去噪,利用2种方法进行优势互补,能较好地去除椒盐、高斯噪声和椒盐-高斯混合噪声,降低选择阈值的难度,有利于提高图像去噪精度。实验结果表明,该算法是有效可行的。     

基于对偶树复小波域图像融合的SAR图像去噪

边缘信息是图像重要的细节信息,保护图像的边缘信息对提高图像质量非常重要.但是在图像去噪的过程中,往往会破坏图像的边缘信息.针对去除噪声和保护边缘信息的双重考虑,提出一种基于对偶树复小波域图像融合的SAR图像阈值去噪.考虑到局部硬阈值和软阈值各自的特点,利用对偶树复小波变换的优点和图像融合的特点,首先在自然对数域对SAR图像进行对偶树复小波分解,然后对小波系数分别执行局部硬阈值去噪和局部软阈值去噪,最后依次通过图像融合,对偶树复小波反变换,指数变换得到去噪以后的图像.实验结果表明,算法融合了两种周值去噪方法的优点,在明显去噪的同时,更好地保护了图像的边缘信息.     

边界保存的二进小波图像去噪算法

根据小波变换系数与图像边界的关系,提出了一种基于二进小波变换的图像去噪算法。首先用二进小波在不同尺度上分解图像,在低频部分上提取图像边界,根据图像边界与小波系数的关系,估计对应尺度上高频部分的噪声的方差,用Oracle估计子估计图像的二进小波系数,用估计出的二进小波系数重建图像。实验表明,该算法能够有效地去除各种分布的图像噪声。     

S变换在心肌声学造影图像降噪中的应用

提出一种基于二维S变换的时频滤波方法。S变换融合了短时傅里叶变换和小波变换的优点,适合医学图像处理。该方法在局部频谱利用硬阈值去噪,可用于心肌声学造影图像降噪。降噪实验表明了该方法的有效性和临床应用价值。     

一种基于非下采样Contourlet变换的自适应阈值去噪方法

文章提出了一种基于非下采样Contourlet变换的自适应图像去噪方法。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,再根据该系数的能量自适应地调整Bayes去噪阈值。实验结果表明：与小波阈值去噪方法对比,非下采样Contourlet自适应阈值去噪算法在保留图像边缘细节的同时,不仅能明显提高图像的SNR值,而且还减少了Gibbs现象。