一种新型图像噪声抑制各向异性扩散算法

噪声抑制是红外图像处理中一个重要的研究课题,但常用的去噪算法会造成细节的损失。为有效地抑制噪声,同时保护边缘,在P-M扩散模型的基础上,提出了一种新的基于方向信息测度和边缘隶属度的各向异性扩散滤波算法。该算法的核心内容是将图像分为边缘区和非边缘区两个区域,对非边缘区采用常规P-M扩散方程完成噪声的滤除,对边缘区采用基于方向信息测度的非线性扩散方法,在平滑去噪的同时对边缘进行修整、增强。最终的仿真结果表明,该算法的峰值信噪比、均方误差、辐射分辨率等参数均优于常规算法,该算法具有良好的前景和实用价值。     

改进的各向异性扩散图像去噪算法

图像去噪是图像处理中的重要环节,经典的图像去噪算法,如中值滤波、高斯滤波和加权平均滤波等,去噪效果都不是很理想。传统方法在去除噪声的同时,会使图像的边缘也变得模糊。偏微分方程(PDE)是近年比较流行的图像处理方法,它具有各向异性的特点,在去除噪声的同时,能很好地保持图像的边缘。基于现有算法,提出了一种改进的去噪算法。将传统P-M算子中的固定边缘阈值改为随梯度模变化的自适应阈值,并结合图像结构张量构造一个扩散函数。在图像平坦区,改进的P-M模型具有各向同性的特点,有利于平滑噪声;而在图像边缘处,该模型只沿切线方向扩散,有利于保护图像细节。试验表明,改进的P-M模型能很好地改善图像去噪效果,同时也能很好地保持图像的边缘。     

IADF算法在双色水位计液位图像测量中的应用

为了代替值守人员目测水位计液位值,研究基于工控机（ IPC）的智能遥视系统和数字图像处理算法,给出了水位计图像识别流程。分析了传统P-M模型各向异性扩散滤波算法,给出了一种改进各向异性扩散滤波（ IADF）算法,结合给出的图像畸变校正和亮化算法,实现了水位计液位值的智能读数。实验结果表明：该算法及其实现系统智能化程度高,具有良好实时性和较高识别率。     

各向异性滤波算法在地震曲率属性中的应用

在曲率属性计算之前需要对图像进行去噪预处理,传统的图像滤波方法在去除噪声的同时会破坏边缘、线条、纹理等图像特征,而基于偏微分方程的P-M模型在平滑过程中会出现块效应.针对这些问题,提出了一种基于张量扩散的各向异性滤波的预处理方法.通过定义散布矩阵来获得丰富的图像局部结构信息,然后利用这些结构来控制扩散过程,以便实现图像的更好滤波.理论分析和实验结果表明,相较于一些常规的图像滤波算法,各向异性滤波得到的曲率属性效果更清晰、质量更高.     

基于偏微分方程的舌图像去噪研究

在对舌图像的去噪过程中,平滑噪声的同时容易丢失边缘和纹理等细节信息。为此,研究基于偏微分方程的舌图像去噪方法,分别采用中值滤波、高斯滤波、P-M方程、正则化P-M方程以及耦合冲击-复扩散滤波模型,对加噪舌图像进行滤波。比较结果表明,正则化P-M方程更适合舌图像的去噪处理,该方法处理速度快、去噪效果好,且能有效保护图像边缘。     

基于改进各向异性的水平集医学图像去噪

针对成像复杂、噪声突出的医学图像在去除噪声的同时模糊边缘特征的现象,提出了基于改进的各向异性的水平集去噪模型。在水平集去噪模型的基础上,加入了改进的各向异性扩散因子,其中改进的各向异性扩散因子采用了中值滤波平滑后的梯度模替换原始图像的梯度模,对于医学图像中大量的斑点噪声更加有效,并保留了图像的边缘信息。基于Matlab平台对改进算法进行了验证,实验表明,基于改进各向异性的水平集算法在有效去除噪声的同时,非但没有模糊边缘特征,相反地起到增强边缘信息的效果。改进算法优于各向异性算法和中值滤波等算法,提高了图像的信噪比,降低了图像的均方误差,保留了更多细节信息,使得医学图像更好地用于诊断,以及后续的分割等处理。     

改进的各向异性复扩散模型的医学图像去噪方法

对医学图像进行有效的去噪并保持边缘信息,有利于图像的后续处理.本文分析P-M模型和Gilboa的复扩散模型以及它们的不足,提出一种改进的各向异性复扩散模型.该方法先用中值滤波对图像进行预处理,去除梯度值大的噪声点,然后用图像的虚部求扩散系数,以此引导扩散模型中的边缘检测函数,再进行八邻域像素的扩散过程.实验表明,该方法能达到较理想的去噪和保持边缘的效果,而且减少了迭代次数,缩短了计算时间.     

结合核方法的选择性各向异性扩散去噪算法

在低信噪比图像噪声抑制处理中,为了有效地保持图像边缘,在基于多相位分层分割算法的各向异性扩散模型的基础上,提出一个基于核方法的选择性各向异性扩散去噪算法。该算法根据图像数据的线性不可分特点,首先利用核方法把多相位分层分割算法中的数据项从线性不可分的低维空间推广到可实现线性可分的高维特征空间,在特征空间中实现图像分割;然后根据分割得到的同质区域的梯度信息改进了P-M模型中的扩散系数;最后,在同质区域中采用改进的P-M模型平滑噪声。实验结果表明,该算法无论在噪声去除还是边缘保持上都具较好的效果。     

一种图像放大的偏微分方程综合模型

针对传统图像放大处理过程中基于线性插值方法通常导致边缘模糊问题,分析了各向同性扩散模型和各向异性扩散模型在图像处理中的优缺点,提出了一种线性扩散和P-M方程自适应结合的图像放大综合模型。该模型对图像非平滑区域采用各向异性扩散模型处理,而平滑区域则采用各向同性扩散模型处理。实验结果表明,该综合模型在保持图像边缘锐度的同时提高了图像的清晰度,能够有效提高放大图像的主观视觉质量和客观SNR及PSNR。     

基于异性扩散模型的图像边缘增强方法

提出了一个能增强图像边缘的异性扩散模型,结合P-M扩散模型和反热扩散模型各自的优点,能在去除图像噪声的同时增强图像的边缘,一定程度上克服了P-M扩散模型对图像边缘的模糊效应和反热扩散模型容易产生虚假边缘的缺点。实验结果表明：提出的模型有很好的去噪和增强图像边缘的效果,其峰值信噪比（Peak Signal Noise Ratio,PSNR）在强噪声水平下,较P-M扩散模型大约提高1 dB。     

基于偏微分方程与维纳滤波的混合去噪方法

提出一种小波变换与偏微分方程(PDE)结合的混合图像去噪方法,通过窗口改进的维纳滤波处理,运用偏微分综合模型进行二次滤波,其中的偏微分综合模型由2个权重函数将PM方程、方向扩散方程和LLT高阶PDE相结合构建形成。实验结果表明,该混合图像去噪方法能够克服以上3种PDE模型和维纳滤波的不足,增强图像去噪和边缘保护能力,去噪后可得到较好的图像视觉效果,提高算法的效率。     

一种适用于移动节点的事件驱动分簇算法

提出一种适用于移动无线传感器网络节点的事件驱动分簇算法,使用簇头间能量筛选法选举簇头,并加入事件驱动机制,能够使节点在有突发事件发生的情况下,对网络中的簇进行基于事件区域的重组,以减少数据冗余。建立相应的仿真实验模型,对运动节点的分簇情况进行动态跟踪及分析。实验结果表明,该算法能够满足事件驱动分簇的要求,能量消耗比经典算法更均衡。     

实现自适应边缘增强的P-M模型

P-M模型利用扩散偏微分方程进行图像平滑,通过随梯度自适应变化的扩散系数实现去除噪声的同时保护图像边缘特征,为进一步提高图像视觉效果,希望在图像边缘附近进行逆扩散以增强边缘特征,为此提出了实现自适应边缘增强的P-M模型。该改进模型中的边缘增强作用基于shock滤波器逆扩散方程,通过设置随梯度自适应变化的逆扩散系数而实现。实验结果表明,相比经典P-M模型,改进模型能使去噪后的图像有更好的主观视觉效果,同时峰值信噪比也更高。     

结合局部熵的各向异性扩散模型

Perona-Malik (P-M)模型是一个经典的各向异性扩散模型,该模型不能保持图像的重要细节(如纹理)。针对此问题,文中提出一个结合局部熵的各向异性扩散模型,该模型的扩散系数不仅依赖于图像梯度,也依赖于局部熵描述的局部区域信息。实验表明该模型不仅能有效去除图像噪声,更好保持图像弱边缘,而且能较好地保持图像的重要细节。     

一种复合各向异性扩散的图像去噪算法

本文提出一种复合各向异性扩散滤波算法,将降斑各向异性扩散(Speckle reducing anisotropic diffusion,SRAD)模型中对边缘敏感的瞬态系数(Instantaneuos coefficient of variation,ICOV)算子运用到了非线性相干扩散(Nonlinear coherent diffusion,NCD)相干模型中,并基于统计学提出ICOV算子的相关系数矩阵对图像的相关度进行度量,系数矩阵的值是每个ICOV算子与其所在行与列的相关度,此相关度的值在边缘附近会取到极大值,这个对图像的边缘检测有很好的度量,根据每个像素与其周围像素的相关度对边缘附近的扩散的强度进行修改,对图像进行更为之有效、更准确的非线性去噪与边缘加强.实验结果表明,与其他各向异性算法相比,本算法可获得更好的性能指标,具有更好的去噪效果和保留边缘功能.     

一种新的基于振动滤波和各向异性扩散的图像增强和去噪算法*

结合振动滤波和各向异性扩散,提出了一种新的图像增强和去噪方法。该方法将改进的振动滤波项引入增强和去噪方程,使其根据图像结构信息产生相应变化幅度,使得图像不仅具有很好的平滑效果,而且增强了边缘,保留了尽可能多的细节部分,同时很大程度上缩短了计算时间,并给出了方程的离散形式。通过实验表明,该方法能达到较理想的增强和去噪效果。