一种改进的非下采样轮廓波变换图像去噪算法

优化图像去噪问题,在非下采样轮廓波变换图像去噪中,收缩阈值的确定仅依赖变换子带系数的幅值,使得过多图像系数和噪声系数一并去除,导致滤波图像模糊。从检测变换子带几何结构出发,引入自蛇模型对子带系数作几何结构检测并抑制噪声后,估计双阈值将子带系数划分为三类并作不同处理,实现对噪声系数的去除和对图像系数的保护。实验结果表明,相对现有典型算法,改进算法获得的峰值信噪比提高了0.1-0.9dB,图像系数被更好识别和保留,滤波图像中边缘与区域细节损失减少,提高去噪效果,保留图像的有效信息。     

基于非下采样四元数轮廓波变换域的图像去噪

为了克服传统小波变换的不足,提出一种将非下采样四元数轮廓波域对称正态逆高斯分布模型与非局部均值滤波相结合的图像去噪新方法.非下采样四元数轮廓波变换是级联四元数小波变换和非下采样方向滤波器组得到的,具有高度的方向选择性、各向异性及平移不变性.仿真实验表明:该方法在峰值信噪比、平均结构相似性及视觉效果上均优于一些经典的去噪算法.     

基于多阈值的非下采样轮廓波图像去噪方法

非下采样轮廓波变换(NSCT)是一种新的多尺度几何分析工具,具有平移不变性、多方向性和各向异性。与小波变换相比,NSCT能更好地表示图像中的边缘等信息。对合成孔径雷达图像进行NSCT分解,考虑其系数统计特性,基于BayesShrink对每个分解层的各个子带做多层阈值估计和软阈值收缩处理。实验结果表明,采用该方法得到的图像在视觉效果和客观衡量指标上均符合要求。     

NSST各向异性双变量收缩的图像去噪算法

提出一种基于非下采样Shearlet变换(NSST)的各向异性双变量收缩函数的图像去噪算法。根据NSST不同尺度间系数的方差各向异性特性,在双变量收缩函数的基础上引入各向异性拉普拉斯概率分布,利用牛顿迭代算法得到各向异性的双变量收缩函数,对NSST系数进行处理,充分利用NSST能捕捉更多纹理及结构等细节信息的优点。实验结果表明,该算法在峰值信噪比、结构相似性以及主观视觉效果上均得到较大提高。     

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.     

一种改进Contourlet变换的图像去噪算法

针对Contourlet分解的细节图像在奇异点附近产生振荡,在去噪过程中会产生伪吉布斯现象,提出一种改进的拉普拉斯金字塔实现基于Contourlet变换的图像去噪算法。阈值的选取不仅考虑不同尺度中噪声含量的不同,而且在不同方向上对阈值进行了调整。实验结果表明,利用该文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。     

基于正态DS 证据理论的机载LIDAR 数据地物分类方法

针对现有方法无法满足机载激光扫描与测距系统(LIDAR)数据地物分类时对算法 精度和速度需求的问题,提出了一种基于非下采样剪切波(NSST)和正态DS 证据理论的LIDAR 数据快速地物分类方法。首先,利用NSST 对LIDAR 数据源图像进行多尺度分解,对得到的各 层高频图像进行中值滤波处理,并进行逆变换合成。其次,构建正态概率分配函数及模糊类别, 对LIDAR 数据进行信任分配,并进行合成与决策。实验证实,该方法的分类精度达到86.12%, 运行时间仅为0.46 s,在保证快速的基础上有效地提高了分类算法的精度。     

基于加权距离计算的自适应粗糙K均值算法*

针对粗糙K均值算法的执行效率较低和对数据对象的处理不准确,本文提出了基于加权距离计算的自适应粗糙K均值算法。该算法首先在粗糙集理论应用的基础上修正数据集合的隶属度函数,其次结合属性约简方法,根据数据属性对聚类效果的影响因子设置权值,在欧氏距离中引入权值系数来初始化簇的中心点,最后通过K值递增的改进算法对数据集进行正态检验来验证每个簇的数据是否符合高斯分布模型,从而能够自适应地确定K值。实验结果表明,改进后的算法相比原算法在能保证一定执行效率的同时,能获得较高的聚类精确度,且对高维数据集也有较强的适应性,从而表明该算法是有效可行的。     

一种改进的小波阈值图像去噪方法

分析小波阚值去噪特点,针对软、硬阈值去噪存在伪吉布斯和边界模糊现象,提出一种改进的阈值函数和阈值估计方法,该阈值函数具有连续可导且偏差可变的特性,新的阈值估计方法具有较好的自适应性.实验结果表明,该方法可以有效地去除白噪声干扰,无论从视觉效果上还是信噪比上,都优于软、硬阈值去噪方法.     

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。     

基于小波变换的图像去噪研究

根据噪声能量在不同尺度、不同方向上的高频系数的分布差异,将全局阈值法改进为在不同尺度、不同方向采用不同的阈值进行去噪。该方法与全局软阈值与硬阈值相比,有更好的视觉效果。通过比较去噪图像的峰值信噪比和均方根误差的数据可以看出,此法较全局软、硬阈值法有更好的去噪效果。     

基于NSCT自适应阈值的红外图像去噪算法

提出自适应阈值的NSCT去噪算法.在对红外图像噪声特点分析的基础上,通过对NSCT构造特性的分析,提出了将自适应阈值的NSCT运用于红外去噪,并验证了其可行性.分析了图像尺寸和分解尺度对去噪的影响,获得去噪算法的优化.应用于几种不同的红外图像,对红外图像去噪视觉效果和峰值信噪比两方面进行比较,该去噪方法取得了较好的效果,尤其是在边缘保持方面.     

法曲率驱动曲面演化图像去噪模型研究

曲面演化图像去噪模型将图像看作嵌入高维空间中的曲面,并利用曲面局部几何特征来区分图像边缘和噪声信息,以此控制图像曲面演化速率,取得了良好的处理效果。通过分析现有基于主曲率的曲面演化图像去噪模型的优缺点,提出利用能够更好地刻画图像曲面几何结构的法曲率来控制曲面的演化过程。该模型将现有主曲率驱动的模型推广到了更一般的法曲率驱动的曲面演化模型。同时,由于法曲率在描述图像边缘、纹理、噪声等方面优于已有方法采用的主曲率,该模型在保持图像边缘、纹理等细节信息方面能够取得更好的性能。     

基于双局部阈值小波收缩的图像去噪算法

提出了一种基于双局部阈值的小波收缩的图像去噪算法。该算法利用小波系数的幅值、空间特性以及对噪声图像的分割,得到两个局部阈值：幅度阈值和空间阈值。利用这两个局部阈值（每个区域阈值不同）对小波系数做相应的“收缩”处理和重构,从而得到一个优质的去噪图像。该算法计算简单速度快,去噪效果明显,优于其他一些去噪算法。     

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。     

基于小波变换的图像去噪优化算法

提出了一种基于小波变换的图像去噪优化算法。先通过小波边缘检测法求出有噪图像的边缘图像;再利用广义交叉确认原理求出的阈值对原有噪图像进行小波去噪,得到平滑图像;最后,将边缘图像嵌入平滑图像中,得到去噪后的图像。该算法能在有效去噪的同时保留图像的细节信息,提高了信噪比。