基于自适应邻域系数的小波图像阈值降噪

利用小波系数的层内相关性原理,并结合广义高斯模型,提出一种自适应邻域的阈值去噪方法。该方法通过计算以待处理系数为中心的不同邻域内的相关度系数,选择相关程度最好的邻域。对该方法中选择的邻域尺寸进行统计,发现分解的层次越高,较大的邻域出现的概率越大,这有利于保护边缘信息。实验结果表明,该方法优于固定邻域及阈值改进的邻域阈值方法,是一种有效的去噪方法。     

自适应的图像组合降噪

BayesShrink是小波收缩降噪最好的算法之一,而WienerChop方法则是利用小波域维纳滤波改进了VisuShrink算法。为了更好地滤除噪声,研究了WienerChop组合BayesShrink进行降噪的方法。实验表明,该组合算法优于WienerChop和BayesShrink算法,其可产生更低的均方误差和更高的信噪比。它不仅综合了WienerChop和BayesShrink两种算法的优点,而且改善了WienerChop算法的过光滑和BayesShrink算法残留较多噪声的问题,同时可获得视觉上更为愉悦的降噪图像。     

基于小波的自适应快速图像降噪算法

本文提出了一种基于小波变换的、自适应阈值确定算法。较之著名的SureShdnk算法,它降低了算法复杂度,提高了降噪效果,更快更好地实现了图像降噪。实验结果表明,在大多数场合,本算法的降噪效果优于SureShdnk,同时,算法时间复杂度有了很大的降低。     

基于最大似然估计的自适应图像降噪

应用Stein的无偏风险估计改进Mih？ak等提出的LAWML小波域图像降噪算法。该方法能在每一个子带为LAWML方法确定一个最佳的邻域窗口,也将建议的方法推广到对偶树复数小波变换。实验结果证实,该方法不仅优于LAWML,也优于当前其他一些图像降噪算法。     

基于小波邻域信息量的图像融合

针对多模图像融合问题提出了一种基于小波变换的新方法.将小波低频系数乘以加权因子1/R,减少低频部分所占整个图像的信息比例,并采取绝对值取大的融合规则选取小波低频系数;使用由方差和平均梯度构造的新的评价因子--小波邻域信息量作为融合规则选取小波高频系数.实验结果表明,该方法得到的融合图像体现出更强的融合性能.     

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。     

基于小波变换的图像降噪技术

小坡变换在图像处理中有着重要的应用,在基于小波的图像降噪处理算法中,常常存在着对图像信息的过分滤除和对噪声信息的欠滤出,而使得对图像降噪后不仅没有提高信噪比反而使其降低了,这就不利于对图像进行分析观察。究其原因主要是由于阈值选取和处理方法不恰当引起的。在小波空间Donoho闺值算法的基础上,结合Birge—Massart策略得出的多层阂值图像降噪处理算法,从而达到较好的保留图像的细节有用信息、降低噪声的目的,仿真实验表明对一般受低噪声干扰的图像做降噪处理时,效果较好。     

微光图像的小波降噪方法研究

在微光图像处理系统中,迭加在微光图像上的时空域噪声是影响微光图像系统精度的主要因素之一,如何滤除微光图像上迭加的噪声信号来提高图像质量就显得尤为重要;本文介绍一种在我们实际设计中使用的非常有效小波阈值降噪方法。     

用小波系数估计图像边缘方向的相干增强扩散图像降噪算法

在分析相干增强扩散方法和小波阈值收缩方法之间关系的基础上,给出了相干增强扩散在小波分析意义下的解释,同时解释了相干增强扩散方法与小波阈值收缩方法在图像性质上的等价性。针对相干增强扩散计算扩散矩阵较慢的缺点,提出了一种用小波系数估计图像边缘方向的相干增强扩散图像降噪算法。仿真试验结果表明,该扩散算子可以很好地定位图像边缘,较好地运用了小波的时频分析功能。     

基于小波变换的自适应多阈值图像去噪

小波图像去噪是小波应用较成功的一个方面，其中最重要的一个环节是最优阈值的确定，为此，提出了一种新的基于小波变换的自适应多阈值图像去噪方法——Multi—Threshold shrink去噪法，这种方法是在不同子带和不同方向上选择不同的最佳阈值，而最佳阈值的选取是基于Bayes理论，并认为图像的小波系数是服从广义高斯分布的(generalized Gaussian distribution)。通过实验证明，这种方法能很好地对图像去噪，与Donoho等人提出的Visu shrink去噪方法和Chang等人提出的Bayes shrink去噪方法相比，不仅提高了去噪后图像的信噪比(SNR)和最小均方误差(MSE)，而且也使图像更加清晰，并能更好地适合人眼的视觉特性，从而可在客观和主观上同时获得更佳的去噪效果。     

基于小波包变换与自适应阈值的图像去噪

提出了一种基于图像小波包变换及与分解层次相关的自适应阈值的去噪方法。利用小波包对图像进行分解,可以同时对图像的低频和高频部分进行分解,可以更好地保留图像信息,减少噪声对图像的影响。同时对小波包树系数用自适应阈值进行软阈值处理,可以很好地保留边缘等图像信息,这一方法比采用常用的阈值明显提高了去噪图像的信噪比。通过对加噪图像的实验可以看出,本文方法不仅可以有效地去除加性高斯白噪声,而且很好地保留原图信息,对进一步图像处理有所帮助。     

基于免疫算法的自适应小波阈值图像去噪

本文提出一种基于免疫算法求阈值的方法,它与小波变换及Bayesian Risk相结合,提高了图像的信噪比,减少了图像的均方误差。试验结果证明了这一点。     

基于小波自适应阈值图像去噪方法的研究

利用小波变换对图像去噪是一种非常有效的方法。传统的小波去噪算法对图像去噪后的平滑效果不是很好,图像细节清晰度不够高,甚至会产生伪吉布斯现象。针对这些现象,文中提出了一种改进的基于小波变换的多尺度自适应阈值图像去噪方法。该方法根据图像小波分解的特性,确定适合小波分解后不同层系数去噪的较优阈值,然后结合恰当的阈值函数对各层高频系数进行处理来达到去噪效果。实验结果表明,与传统方法相比,该方法运算量较小,能有效去除高斯白噪声,进一步提高峰值性噪比,同时能够很好地保留图像细节信息。     

基于小波变换的图像自适应阈值去噪算法

针对传统小波阈值去噪算法的不足,提出了一种新的自适应阈值去噪算法.该算法引入了一个新的阈值函数,利用GGD模型对小波子带内的系数进行建模,再根据小波子带系数的局部邻域信息进行方差估计,从而得到自适应最优阈值.实验结果表明,该算法在峰值信噪比和主观视觉效果上都比传统小波阈值去噪算法具有明显改善.     

基于复小波系数局部方差无偏估计量的图像去噪

为了更有效地去噪,在考虑了图像局部具有不独立性特点的基础上,利用双树复小波变换,提出了一种新的空间适应算法,该算法对于每个系数利用中心方形窗来估计局部方差,克服了以前的去噪方法不能有效地去除图像边缘噪声的弱点,和目前好的实验结果进行的对比结果表明,该方法有效地改善了去噪效果。     

基于提升小波的自适应阈值图像去噪

介绍了提升方法(Lifting Scheme)的基本原理,给出了用提升方法构造传统小波的实现方法.在提升小波分解变换的基础上,研究一种自适应阈值的图像去噪方法--AdaptThr Shrink去噪法.这种方法是基于Bayes框架,在不同子带和不同方向上选择不同的最佳阐值.结合软阈值法对图像进行去噪,与传统方法相比,此种方法提高了去噪后图像的峰值信噪比(PSNR),而且使图像更加清晰.基于提升小波的自适应阈值图像去噪法实现简单、计算速度快、去噪效果好.     

小波域中的自适应模糊阈值图像去噪

对小波阈值去噪中的常用阈值和阈值函数进行分析,提出一种自适应的模糊阈值去噪算法,该算法在BayesShrink阈值基础上,通过增加一个修正因子,并结合模糊理论,自适应地对图像进行模糊阈值函数处理。实验表明该算法与BayesSbrink软阈值函数去噪算法相比,去噪后图像的峰值信噪比PSNR和最小均方误差MSE均有所提高,并且图像也更清晰,具有较好的去噪效果。