基于小波变换的Cycle Spinning图像融合的扩展研究

Cycle Spinning是在图像去噪时使用的一种消除伪吉布斯（Pseudo-Gibbs）现象的方法,目前的文献中较少有使用该方法进行图像融合的研究。尝试结合小波变换和Cycle Spinning循环平移的思想,提出了一种基于小波变换的Cycle Spinning图像融合方法,并在此基础上对平移进行了扩展研究。仿真实验证明该方法与传统DWT方法相比,能较好地保留图像的细节信息,获得更高的PSNR值。     

小波变换结合Cycle Spinning图像融合的研究

正交小波变换对平移具有敏感性,直接使用其进行变换会产生伪吉布斯现象,Cycle Spinning方法在此基础上产生.但目前文献中较少使用该方法进行图像融合的研究.结合小波变换和Cycle Spinning循环平移的思想,提出一种基于小波变换的Cycle Spinning图像融合方法.实验证明该方法与传统DWT方法相比,能有效地保留图像细节信息,获得更好的视觉效果,更高的PSNR值和更低的RMSE值.     

多聚焦图像融合的Contourlet变换方法

Contourlet变换（Contourlet Transform,CT）是一种新的多尺度变换,具有良好的多尺度性和多方向性。提出了一种基于Contourlet变换的多聚焦图像融合算法,同时引入Cycle Spinning来有效地消除由于Contourlet变换缺乏平移不变性而产生的图像失真。实验结果表明该算法可获得较理想的融合图像,取得了优于laplacian塔型方法和小波变换方法的融合效果。     

融合分形小波图像去噪和插值的新算法

提出一种能同时进行图像去噪和插值的分形小波算法。该算法在图像的编码过程中实现去噪,在解码过程中完成插值。基于分形的图像去噪算法涉及由含噪图像的统计特性预测无噪图像的分形编码参数,并由这一参数产生含噪图像的无噪估计。通过在解码过程中添加适量的分形小波外推步骤,即可实现图像的插值。为了减小失真、增强经此算法处理后图像的质量,该引入Cycle Spinning算法。实验结果表明,该方法在同时实现图像去噪、压缩和插值上是最优的。且Cycle Spinning算法的引入明显改善图像视觉效果,显著提高图像的PSNR值。     

基于非下采样Contourlet和扩散的图像去噪

根据非下采样Contourlet变换同时具有多尺度、多分辨分析和平移不变的性质,提出一种基于非下采样Contourlet变换和P-Laplace扩散相结合的图像去噪方法。该方法不但继承了非下采样Contourlet 变换捕捉边缘信息的能力,而且在P-Laplace扩散去噪时具有保持图像边缘信息的优点。实验结果表明该方法具有较好的图像去噪效果。     

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.     

一种基于DCT Cycle Spinning的图像压缩方法

综合利用DCT变换和Cycle Spinning,提出一种新的图像压缩方法。由于图像的DCT压缩是分块完成的,且DCT变换缺乏平移不变性,直接应用DCT变换对图像进行压缩会使压缩重构图像产生块效应和伪吉布斯现象,导致图像失真。引入Cycle Spinning算法能有效地消除图像DCT压缩过程中产生的失真。实验结果表明,与一般图像DCT压缩方法相比,该方法明显改善图像视觉效果,显著提高图像的PSNR值。     

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。     

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.     

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.     

基于小波变换和Cycle Spinning图像放大算法

提出一种基于小波变换和Cycle Spinning的图像放大算法。该算法对放大后图像进行初始估计,对估计图进行小波变换,并用Cycle Spinning去除图像中因小波变换而产生的伪吉布斯现象,进行小波逆变换得到放大图像。数值实验结果证实该方法在放大图像的同时也增强了图像的清晰度和对比度,能够有效提高放大图像的RMSE及PSNR,该方法也适用于带噪图像的放大。     

多尺度域非线性能量保持的图像去噪新方法

提出了一种基于Contourlet多尺度分解域核主成分分析的图像去噪新方法。该方法首先对源图像进行Contourlet分解,在不同频段的子带图像中,利用核主成分分析方法进行能量保持,用重构图像来进行子带去噪,最后通过Contourlet逆变换得到去噪之后的图像。实验结果表明,该方法不仅有效地降低了图像噪声,且峰值信噪比也较高。     

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。     

基于轮廓波变换的织物疵点图像消噪新方法

为了实现织物疵点图像的有效消噪,使其更有利于特征提取和疵点检测,提出了基于轮廓波变换的织物疵点图像消噪新方法。综合考虑轮廓波方向子带能量的大小与织物疵点图像轮廓细节之间的关系,对Donoho多尺度分解阈值进行修正,改进了Donoho多尺度分解阈值对图像细节"过扼杀"的缺点。实验结果表明,对织物疵点图像进行基于轮廓波变换改进阈值消噪时,该方法更好地保留了织物疵点图像的轮廓细节,峰值信噪比显著提高。采用改进的轮廓波Donoho多尺度分解阈值消噪后的图像,可以更好地应用于织物疵点图像的特征提取和疵点识别。     

一种循环平移的Contourlet变换去噪新方法

与小波变换相比，Contourlet变换等多尺度几何分析方法，可以更好地逼近含线奇异的高维函数。针对Contourlet变换缺乏平移不变性的缺陷，提出了一种基于Contourlet变换以及循环平移的图像去噪方法，即MCT方法。由于阈值去噪会在重构的图像中产生虚假成分（视觉魇像），尤其是在奇异点附近交替出现较大的上下幅值振动。而循环平移的目的就是在给定范围内寻求最佳平移量（或平均平移量），通过改变图像的排列次序，从而改变奇异点在整个图像中的位置来达到减小或消除振荡幅度，进而改善由于伪Gibbs现象所导致的蚊状噪声。实验表明，与抽样小波去噪相比，该方法明显可以更好地保持图像边缘；同时也一定程度上改进了传统Contourlet变换去嗓方法所带来的视觉魇像的缺点，较好的保留了图像的细节部分，且峰值信噪比（PSNR）也较高。     

基于边缘检测的Contourlet变换图像去噪

为了实现较好保留图像边缘特征的有效去噪,提出了一种基于边缘检测的Contourlet变换去噪方法。该方法先用LOG算子提取图像边缘,进而在Contourlet变换域上对图像的边缘部分和非边缘部分分别选取不同阈值进行最佳软阈值去噪处理。实验表明,与采用Donoho软阈值的Contourlet变换去噪方法相比,该方法可有效地保留图像的边缘信息,达到了更好的去噪效果。