小波域HMT模型参数的快速估计及其在图像降噪中的应用

小波域隐马尔可夫树(Hidden Markov Tree，HMT)模型可以很好地刻画尺度内与尺度间小波系数的相关性，但模型参数的训练过程复杂，计算量大。针对这个缺点，提出了一种不经训练的HMT模型参数快速估计方法。该算法首先用一种自适应阈值将每个子带小波系数分成不同的类，然后分别对每类进行统计，这种统计是局部的，因而有很好的局部自适应性，最后模型参数可以利用这些局部的统计特性来描述。将估计出的参数模型运用到图像降噪中，实验结果表明这种快速估计的HMT参数模型不仅可以大大提高计算速度，降低计算复杂度，而且从峰值信噪比和主观视觉效果上都不逊于传统的经过迭代训练的HMT模型降噪算法。     

复数小波域的高斯尺度混合模型图像降噪

由于复数小波变换具有近似平移不变性和良好的方向选择性,因此适用于图像去噪。为了取得更好的降噪效果,提出了一种基于复数小波的高斯尺度混合模型降噪算法。该算法首先对自然图像的复数小波系数建立统计模型,即将位于相邻位置和尺度的系数邻域建模为一个高斯尺度混合模型;然后用该模型对子带系数进行贝叶斯最小均方估计,以达到降低噪声的目的。由于这一模型很好地利用了复数小波系数幅值尺度间和尺度内的相关性,因此可以取得较好的降噪效果。实验结果表明,该算法无论从峰值信噪比还是从主观视觉上都优于一些传统的降噪算法。     

二元树复小波域的局部高斯混合模型图像降噪

在复小波域上对观测图像进行一种基于高斯混合模型的后验概率分类，并在每类小波系数的局部邻域估计出局部高斯混合模型的参数，这种参数估计是局部自适应的；然后用该局部高斯混合模型对各个子带系数进行贝叶斯框架下的最大后验概率(MAP)估计，以达到降低噪声的目的．由于这种小波变换具有近似的平移不变性和良好的方向选择性，因此在降噪的同时可以很好地消除主要边缘处的“震铃”效应．实验结果表明；文中算法无论从峰值信噪比还是从主观视觉效果上都要优于一些传统的降噪算法．     

应用小波系数GSM统计模型的混合傅里叶-小波图像降噪

提出一种混合傅里叶-小波图像降噪算法,该算法的主要步骤是：先在傅里叶域中降噪,然后在小波域中滤除剩余的噪声。小波域中要滤除的是有色噪声,为了考虑有色噪声小波系数间的相关性,采用GSM（Gaussian scale mixture）统计模型描述图像小波系数的统计特性。实验证明该算法能有效提高降噪效果。     

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。     

基于小波系数区域相关性的超声波流量计信号处理

针对超声波流量计易受外界干扰的问题,为进一步提高超声波流量计的测量精准度和稳定度,提出了一种基于小波系数区域相关性滤波的优化算法。该算法用锥形影响域描述在不同尺度下小波系数的选取区域,再利用相邻尺度积,削弱由于尺度增大带来的小波系数偏移。Matlab仿真结果表明,该算法能克服传统相邻尺度积滤波算法的不足,具有更好的降噪性能。     

基于改进阈值函数的小波降噪算法与仿真分析

通过比较分析传统软、硬阈值函数降噪的算法发现:硬阈值函数存在间断点的问题,而软阈值函数在小波系数绝对值较大的区域引起部分高频信息损失。针对以上问题,提出一种新的阈值函数降噪算法。利用传统的阈值降噪步骤,使用新阈值函数将分解得到的小波系数进行保留或者收缩处理,然后将得到的新小波系数进行图像的重构。添加不同类型的噪声对改进的算法进行验证。实验结果表明,新的阈值函数降噪算法比普通算法更有效,通过新的阈值函数降噪得到的图像,有更大的峰值信噪比(PSNR)和更小的均方误(MSE),PSNR的值最大提高了1.97倍,MSE的值最大下降了54.4%。     

基于高密度离散小波变换的改进图像降噪方法

为进一步提高图像质量,提出一种基于高密度离散小波变换的改进图像降噪方法。给出二维高密度离散小波变换的分解与重构快速算法,通过该算法对图像进行多尺度分解,利用相邻尺度小波系数相关性对各层小波系数进行双变量收缩阈值处理,重构降噪后的图像。实验结果表明,与其他常用小波降噪方法相比,该方法能进一步提高图像降噪效果,且在降噪过程中较好地保留图像细节。     

利用均匀离散曲波域LCHMM的图像降噪算法

提出了一种在均匀离散曲波域中利用局部上下文隐马尔可夫模型进行建模的图像降噪算法。介绍均匀离散曲波变换的特点,分析其系数的统计分布规律,表明适合用隐马尔可夫模型对其进行建模。通过期望最大化训练获取模型的参数,利用参数得到降噪图像的系数估计。分别对光学图像和高分辨率的SAR图像进行了降噪实验,与小波域、轮廓波域的局部上下文隐马尔可夫模型等降噪方法进行比较,结果表明,提出的算法能够有效地去除噪声,具有较强的边缘保持能力。     

基于先验模型的小波图象降噪方法

本文提出了一种基于小波系数先验模型的小波降噪技术。这种模型认为整个小波系数空间由服从零均值高斯分布的局部区域组成，具有空间自适应和局部化的性质，模型的参数可以利用实际观测数据(包含噪声成分)来估计。基于估计得到的小波系数先验模型可以设计小波域上的经验Wiener滤波器，并应用到图象降噪任务中。实验结果表明，此种
种方法可以取得比较好的降噪效果。     

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。     

An edge detection scheme based on least squares support vector machine in a contourlet HMT domain

In this paper, we have presented a new and effective edge detection scheme based on least squares support vector machine (LS-SVM) classification in a contourlet Hidden Markov Tree Model (contourlet HMT). First, the input noisy image is decomposed into coarser and finer coefficients using a contourlet HMT transform to derive an efficient multiscale and multidirectional image representation. Second, the feature vector is performed through spatial regularity in a contourlet HMT domain, and the coarser coefficients classified using LS-SVM classifier into two classes: noise coefficients and edge coefficients. Next, all noisy contourlet HMT coefficients are well denoised by the BayesShrink method.Finally, the denoised coefficients and edge coefficients are fused using the weighted average rule, and the inverse contourlet HMT is applied to obtain the edge image.Experimental results demonstrate that our scheme can attain improved performance over state-of-the-art edge detection approaches, both qualitatively and quantitatively. Tests were performed on several images from the Berkeley dataset corrupted with Gaussian noise and on other images such as a cameraman, pepper and medical images. The results illustrate that the performance of the proposed scheme is stable.     

基于K-SVD的偏微分方程模型在毫米波图像恢复中的应用

在图像被大噪声污染或具有较低分辨率时,传统的偏微分方程(PDE)模型的稳态解会产生明显的阶梯效应,恢复图像质量较差。针对此缺点,提出了一种新的基于K-奇异值分解(K-SVD)的PDE图像恢复方法,并应用于毫米波(MMW)图像的恢复。K-SVD是一种图像稀疏表示方法,对图像进行稀疏估计的同时实现去噪,对噪声方差较大的图像具有较好的去噪鲁棒性。首先采用K-SVD对MMW图像进行去噪,对去噪图像再应用全变分(TV)模型的PDE方法进行恢复。对所提出的算法分别使用模拟的MMW图像和真实的MMW图像进行测试,并进一步和K-SVD、PDE方法比较,同时使用峰值信噪比(PSNR)对恢复图像进行评价。根据不同噪声方差下的PSNR数据和恢复图像的视觉效果,实验结果证明了所提方法能够有效地恢复MMW图像。     

一种改进的二维经验模态分解图像消噪方法

在含噪图像的二维经验模态分解(BEMD)的基础上,从图像BEMD分解系数的统计特性出发,构造图像BEMD系数的概率密度函数模型,提出了一种基于相邻尺度间BEMD系数相关性的图像消噪方法,消噪的过程中同时考虑本层BEMD系数特性以及其父层BEMD系数的值.从而能更好地消除噪声,同时更有效地保留图像边缘、纹理等细节信息.实验结果表明,与经典的小波阈值消噪和BEMD阈值消噪算法相比,经本文方法消噪后图像质量有较好的提高,具有更低的均方误差和更高的峰值信噪比.     

一种基于边缘检测的改进的中值滤波去噪方法

中值滤波是一种去除椒盐噪声的有效算法,在现实生活中应用相当广泛。传统的中值滤波在去噪的同时很容易丢失图像的边缘信息。本文提出一种基于边缘检测的改进的中值滤波去噪算法。它先将含噪图像的边缘信息检测出来,然后将边缘信息保存下来,再对原含噪图像用中值滤波进行图像去噪,然后对于保存下来的边缘信息用小模板进行去噪,再用该小模板去噪后的边缘信息区替换中值滤波后的边缘信息。最后通过实验验证,此去噪算法可以在去噪的同时更好地保护图像的边缘信息。     

Wavelet denoising via sparse representation

Wavelet threshold denoising is a powerful method for suppressing noise in signals and images. However, this method often uses a coordinate-wise processing scheme, which ignores the structural properties in the wavelet coefficients. We propose a new wavelet denoising method using sparse representation which is a powerful mathematical tool recently developed. Instead of thresholding wavelet coefficients individually, we minimize the number of non-zero coefficients under certain conditions. The denoised signal is reconstructed by solving an optimization problem. It is shown that the solution to the optimization problem can be obtained uniquely and the estimates of the denoised wavelet coefficients are unbiased, i.e., the statistical means of the estimates are equal to the noise-free wavelet coefficients. It is also shown that at least a local optimal solution to the denoising problem can be found. Our experiments on test data indicate that this new denoising method is effective and efficient for a wide variety of signals including those with low signal-to-noise ratios. Supported by the U.S. National Institutes of Health (Grant No. U01 HL91736), and the National High-Tech Research & Development Program of China (Grant No. 2007AA01Z175)     

High-resolution SAR images segmentation using NSCT denoising and QIGA based parameters selection of PCNN model

The high-resolution synthetic aperture radar (SAR) images usually contain inhomogeneous coherent speckle noises. For the high-resolution SAR image segmentation with such noises, the conventional methods based on pulse coupled neural networks (PCNN) have to face heavy parameters with a low efficiency. In order to solve the problems, this paper proposes a novel SAR image segmentation algorithm based on non-subsampling Contourlet transform (NSCT) denoising and quantum immune genetic algorithm (QIGA) improved PCNN models. The proposed method first denoising the SAR images for a pre-processing based on NSCT. Then, by using the QIGA to select parameters for the PCNN models, such models self-adaptively select the suitable parameters for segmentation of SAR images with different scenes. This method decreases the number of parameters in the PCNN models and improves the efficiency of PCNN models. At last, by using the optimal threshold to binary the segmented SAR images, the small objects and large scales from the original SAR images will be segmented. To validate the feasibility and effectiveness of the proposed algorithm, four different comparable experiments are applied to validate the proposed algorithm. Experimental results have shown that NSCT pre-processing has a better performance for coherent speckle noises suppression, and QIGA-PCNN model based on denoised SAR images has an obvious segmentation performance improvement on region consistency and region contrast than state-of-the-arts methods. Besides, the segmentation efficiency is also improved than conventional PCNN model, and the level of time complexity meets the state-of-the-arts methods. Our proposed NSCT+QIGA-PCNN model can be used for small object segmentation and large scale segmentation in high-resolution SAR images. The segmented results will be further used for object classification and recognition, regions of interest extraction, and moving object detection and tracking.

     

基于三变量模型的剪切波去噪方法

针对图像去噪问题, 提出了两种基于三变量模型的剪切波去噪方法. 首先利用互信息对剪切波系数间的依赖关系进行量化分析; 然后 根据依赖关系选取含噪系数s, s的父系数p以及与s方向相反的兄弟系数c, 建立了三变量最大后验估计模型. 在假定s, p, c具有相同标准差的情况下, 由估计模型推出一种具有闭式解的去噪方法(方法1); 对s, p, c具有不同标准差的情况, 给出了一种迭代去噪方法(方法2), 并证明了该方法的收敛性. 实验结果表明, 方法1和方法2不仅具有良好的视觉效果, 而且具有较高的峰值信噪比和结构相似度均值.     

一种基于双导向滤波的 高动态红外图像细节增强与去噪算法

针对高动态红外图像位压缩和细节增强过程中的噪声放大、微小细节增强不足以及 强边缘过度增强等问题,提出一种基于双导向滤波的细节增强与去噪算法。用导向滤波分别获得 两组基图和细节图,低 ε 参数基图作为去噪基图的估计;低 ε 参数与高 ε 参数细节图之差作为去 噪细节图的估计;两图分别经过自动增益控制和位压缩后,合成为增强去噪图像。为准确估计参 数,提出一种基于细节图像素灰度值变化规律统计的优化模型,分类考察像素灰度值收敛特性后 给出参数取值范围。仿真结果表明,该算法能够准确选择关键参数,在增强细节和抑制噪声的同 时,平衡微小细节和强边缘增强效果,并具有准实时性、模型简单和控制参数较少等特点。