基于各向异性全变分的迭代滤波算法

空间邻近度和像素值相似度的双边滤波(BF)器在滤波时,由于其值域滤波核系数的计 算易受到噪声的干扰,在噪声水平较大时,直接使用噪声图像来指导核函数权值计算的方案不可行。 为此,提出一种结合各向异性全变分和BF 的图像去噪算法,将各向异性全变分算法与BF 算法相结 合,首先利用各向异性全变分算法对噪声图像进行处理,得到一幅边缘结构信息较为丰富的结果图 像,接着将该结果图像作为BF 算法的引导图像来指导值域滤波核系数的计算,为保证算法的稳定 性,对上述过程进行迭代处理。此外,为提高各向异性全变分算法的计算效率,引入了Split Bregman 迭代算法进行加速处理。实验表明,该算法能在较好去噪的同时,保留较多的边缘结构信息。     

改进的小波域耦合偏微分方程图像去噪模型

针对全变分及四阶偏微分方程图像去噪模型的不足,利用小波变换能够聚焦到图像细微变化的优势,提出一种基于小波域的偏微分方程图像去噪算法。并通过对小波的阈值和阈值函数做适当的改进以及利用加权函数将全变分和四阶偏微分方程去噪模型相结合的方法,得到一种改进的小波域耦合偏微分方程图像去噪模型。MATLAB仿真结果表明,该模型和小波软阈值去噪、全变分模型以及四阶偏微分方程图像去噪模型相比,峰值信噪比有明显的提高,而且能够在很好地保留图像的边缘和细节信息的同时提高处理噪声的效率。     

基于形状保持的图像增强模型

针对对比度低、边缘模糊和噪声干扰强的红外图像,提出一种融合非线性扩散与全变分的形状保持模型。其中,模型保真项用于保持图像形状,保留边缘、细节信息,范数项用于图像去噪。实验结果表明,与同类算法相比,该模型能更有效地去除噪声,保持图像形状,并增强图像对比视觉效果。     

全变分极端通道先验的盲图像去噪去模糊

图像先验是图像复原中求解不适定问题的关键。针对在图像具有显著噪声时,极端通道先验去模糊算法容易产生振铃伪影和无法抑制噪声的缺点,利用全变分模型可以同时抑制噪声和保护边缘的优势,提出一种有效的全变分极端通道先验的盲图像去噪和去模糊模型。首先,将全变分模型分别引入暗通道和亮通道中,用于保护图像的边缘及消除噪声或振铃伪影;其次,利用半二次分裂技术解决模型的非凸问题和估计潜在的清晰图像;最后,用迭代多尺度盲反褶积估计图像的模糊核。实验结果表明,该算法能够在抑制噪声的同时很好地保护图像的边缘细节和消除振铃伪影。相比近几年具有代表性的其他方法,该模型的鲁棒性、主观视觉效果和客观评价指标均有明显提高。     

基于稀疏编码收缩和Contourlet变换的红外图像去噪

针对稀疏收缩编码法和Contourlet变换的不足,提出了一种新的图像去噪算法。算法可以很好地解决含有加性未知噪声方差的红外图像去噪问题。实验表明,与传统方法、稀疏编码收缩法和Contourlet域降噪方法相比,该算法进一步提高了SNR值,降低了MSE值,获得了更好的图像恢复质量。     

自适应加权全变分的低剂量CT统计迭代算法

针对低剂量计算机断层扫描（LDCT）重建图像时出现条形伪影和脉冲噪声的现象,提出一种自适应加权全变分的LDCT统计迭代重建算法。该算法克服了传统全变分（TV）算法在去除条形伪影的同时引入阶梯效应的缺点,把基于加权方差的加权因子与TV模型相结合提出自适应加权全变分模型,然后再把新模型应用到惩罚加权最小二乘（PWLS）重建算法中,这样就可以对图像的不同区域进行不同强度的去噪,从而取得噪声抑制和边缘保持的良好效果。采用Shepp-Logan模型和数字骨盆体模来验证算法的有效性,实验结果表明,所提算法的归一化均方距离和归一化平均绝对距离均比滤波反投影（FBP）、PWLS、惩罚加权最小二乘的中值先验（PWLS-MP）以及惩罚加权最小二乘的全变分（PWLS-TV）算法的值小,且可分别获得40.91 dB和42.25 dB的峰值信噪比。实验结果表明,该算法重建出的图像在有效去除条形伪影的同时对图像的边缘和细节起到很好的保护作用。     

改进TV图像去噪模型的全景图像拼接算法

全景图像生成过程中易受到噪声的影响。针对该问题,提出一种改进的全变分（Total Variation,TV）图像去噪模型应用于全景图像的拼接。对图像去噪过程中建立的泛函函数进行卷积运算,利用卷积操作降低噪声点的灰度值,求解泛函函数所对应的拉格朗日方程极小值,达到图像去噪的效果;采用SIFT（Scale Invariable Feature Transfomation）特征匹配算法对去噪后的图像进行特征提取和匹配;对待拼接图像进行加权融合处理,优化视觉效果。仿真实验结果表明,与经典算法相比,该研究能够较理想地去除图像中的噪声,降低全景图像拼接过程中的干扰,提高视觉效果。     

基于局部方差改进的超声图像各向异性扩散去噪算法

针对各向异性扩散算法不能有效区分强噪声和弱边缘的缺点,提出了一种基于图像局部统计特征改进的算法。该算法在对图像进行各向异性扩散去噪的过程中,使用梯度阈值找到图像中灰度变化较大的点,再通过计算局部方差和局部去心方差的差值判断该点是否为噪声点,若是噪声点则使用均值滤波处理。对仿真图像和临床超声图像的实验结果表明:与传统的各向异性扩散算法相比,改进的算法在图像去噪和特征保留的能力上得到了良好的提升。     

基于非凸低秩矩阵逼近和全变分正则化的高光谱图像去噪

高光谱图像在采集过程中经常受到混合噪声的干扰,严重影响了图像后续应用的性能,因此图像去噪已成为一个极其重要的预处理过程.文中采用非凸正则项代替传统的核范数重新构造逼近问题,使稀疏正则项更贴近本质秩函数的属性,进而提出了一种将非凸代理函数、全变分正则项和l2,1范数集成于统一框架的混合噪声去除算法.所提算法旨在将退化的高光谱图像以矩阵的形式分解为低秩分量和稀疏项,并利用全变分正则化保持边缘信息,提高了高光谱图像的空间分段平滑性.最后利用非凸代理函数的特殊性质,采用一种基于增广拉格朗日乘子法的迭代算法进行变量优化求解.通过多组实验进行验证,结果表明所提算法不仅能有效地去除混合噪声,而且能较好地保持图像的结构和细节,与现有的其他高光谱去噪方法相比,其在视觉效果和定量评价结果上都明显提升.     

一种基于多尺度几何分析下的图像去噪算法研究

图像的边缘和轮廓包含图像的重要特征信息,当图像中数据混有噪声的时候,对边缘的检测比较困难。在多尺度几何分析理论的基础上,提出了一种基于尺度因子与Contourlet变换的图像去噪算法。实验表明,该算法对高斯白噪声污染的图像去噪具有很好的效果,不仅可以提高处理图像的信噪比,图像的视觉效果也明显改善。     

基于Lp收缩算子的改进广义全变分去噪方法

二阶广义的全变分模型是一种建立在全变分模型的思想之上进行改进的图像去噪模型,该模型是一种考虑了一阶以及高阶梯度稀疏性的模型,能够有效地抑制阶梯伪影效应的产生。Lp收缩算子相比于L1算子增加了一个自由度,它能够更好地刻画稀疏梯度信息,同时Lp收缩算子的等高线对噪声更加鲁棒。考虑到Lp收缩算子的优势,将Lp收缩算子引入二阶广义全变分去噪模型,提出改进的二阶广义全变分Lp收缩算子模型(TGV2-Lp)。利用交替乘子迭代法对模型进行求解,引入快速傅里叶算法提高算法效率。通过测试6组图片、对比传统的3种去噪模型,从实验结果可以得出,提出的模型TGV2-Lp在有效保留图片边缘细节信息的同时,能够有效去除噪声,在视觉效果、峰值信噪比和结构相似性都有一定优势.     

一种新的全变分块匹配声呐图像降噪算法研究

乘性斑点噪声广泛存在于声呐图像中,严重影响图像质量,该噪声服从瑞利分布 特性。为此,结合基于全变分算法与三维块匹配图像降噪算法(BM3D)设计思路,提出了一种新 的全变分块匹配声纳图像降噪算法。首先对含噪声呐图像利用 2-范数进行块匹配分组;其次由 于声呐图像模糊、纹理细节信息较少等特点,用全变分算法对分组后的图像块进行滤波降噪; 最后对滤波后的图像块进行加权聚类得到降噪后图像。经过实验结果显示,该算法相对于经典 的 Lee 滤波、Frost 滤波、BM3D 和全变分算法有更好的降噪效果。     

改进的曲率滤波强噪声图像去噪方法

目的 医学影像获取和视频监控过程中会出现一些恶劣环境,导致图像有许多强噪声斑点,质量较差。在处理强噪声图像时,传统的基于变分模型的算法,因需要计算高阶偏微分方程,计算复杂且收敛较慢;而隐式使用图像曲率信息的曲率滤波模型,在处理强噪声图像时,又存在去噪不完全的缺陷。为了克服这些缺陷,在保持图像边缘和细节特征的同时去除图像的强噪声,实现快速去噪,提出了一种改进的曲率滤波算法。方法 本文算法在隐式计算曲率时,通过半窗三角切平面和最小三角切平面的组合,用投影算子代替传统曲率滤波的最小三角切平面投影算子,并根据强噪声图像存在强噪声斑点的特征,修正正则能量函数,增添局部方差的正则能量,使得正则项的约束更加合理,提高了算法的去噪性能,从而达到增强去噪能力和保护图像边缘与细节的目的。结果 针对多种不同强度的混合噪声图像对本文算法性能进行测试,并与传统的基于变分法的去噪算法（ROF）和曲率滤波去噪等算法进行去噪效果对比,同时使用峰值信噪比（PSNR）和结构相似性（SSIM）作为滤波算法性能的客观评价指标。本文算法在对强噪声图像去噪处理时,能够有效地保持图像的边缘和细节特征,具备较好的PSNR和SSIM,在PSNR上比ROF模型和曲率滤波算法分别平均提高1.67 dB和2.93 dB,SSIM分别平均提高0.29和0.26。由于采用了隐式计算图像曲率,算法的处理速度与曲率滤波算法相近。结论 根据强噪声图像噪声特征对曲率滤波算法进行优化,改进投影算子和能量函数正则项,使得曲率滤波算法能够更好地适用于强噪声图像,实验结果表明,该方法与传统的变分法相比,对强噪声图像去噪效果显著。     

联合矩阵F范数的低秩图像去噪

摘 要：目的：低秩矩阵恢复是通过最小化矩阵核范数来获得低秩解,然而待恢复低秩矩阵相关性低的要求往往会导致求解不稳定的情况。方法：针对该问题,研究一种基于变量分裂的低秩图像恢复去噪算法,引入待恢复矩阵的Frobenius范数作为新正则项,与原有低秩矩阵的核范数组成联合正则化项,对问题进行凸松弛后,采用变量分裂的增广拉格朗日乘子法求解。结果：为考察方法的稳定性和去噪能力,选取了不同参数类型的加噪图像进行仿真,并结合恢复时间、信噪比、差错率等评价标准与现有低秩矩阵恢复算法进行对比。结论：实验结果表明增加Frobenius范数的低秩矩阵恢复模型在保持原有低秩稀疏恢复的前提下,具有良好的去噪性能,对相关性强的低秩图像恢复结果稳定性好,获得了更高的信噪比。     

基于曲率差分的自适应全变分去噪算法

针对整体变分（TV）修复模型易受到梯度的影响而且常常会丢失图像细节信息的缺点,提出了一种基于曲率差分的自适应全变分去噪算法。在联合非线性各向异性扩散滤波器和冲击滤波器对含噪图像做预处理的基础上,通过自适应方式调节正则项和保真项的权重系数,该算法能同时兼顾边缘保留和图像平滑去噪。仿真实验结果表明：与现有的去噪算法相比,该算法在不同强度的脉冲噪声下可以将峰值信噪比提升14%以上,同时将归一均方误差降低43%以上。     

基于区域内容感知核范数的低剂量CT影像去噪

针对传统基于核范数最小化（NNM）的低秩约束模型在低剂量CT（LDCT）影像去噪中易造成局部纹理细节丢失的问题,提出一种具有区域内容感知能力的加权NNM的LDCT影像去噪算法。首先采用基于奇异值分解（SVD）的方法估计LDCT影像中的局部噪声强度;然后采用基于局部统计特性的方法进行目标影像块匹配;最后根据影像局部噪声强度以及不同奇异值水平自适应设置核范数权重,以实现基于加权NNM的LDCT影像去噪。仿真实验结果表明,所提算法在均方根误差（RMSE）指标上较传统NNM算法、全变分最小化算法以及变换学习算法分别降低30.11%、14.38%和8.75%,在结构相似度（SSIM）指标上较上述3种算法分别提高34.24%、23.06%和11.52%。真实临床数据实验结果表明,所提算法处理结果的放射医生评价平均分为8.94,与常规剂量CT影像的评价平均分数仅差0.21,显著高于传统NNM算法、全变分最小化算法和变换学习算法的平均分。仿真及真实临床数据的实验结果表明,所提算法能够在滤除LDCT影像伪影噪声的同时,有效保持局部纹理细节信息。     

Contourlet收缩和全变差相结合的图像去噪

充分保持细节的图像去噪在图像处理领域具有重要的意义。一种新的将Contourlet收缩和全变差相结合的混合去噪算法被提出。利用空域自适应的全变差,对含噪图像与Contourlet硬阈值收缩图像的差值图像进行滤波。再和收缩图像相叠加,从而得到最终的去噪图像。实验结果表明,和现有的典型去噪方法相比较,所提出的算法在有效去除噪声和Gibbs伪影的同时,更好地保持了边缘和纹理等重要的细节信息。     

基于自监督约束的双尺度真实图像盲去噪算法

现存的图像去噪算法在处理加性高斯白噪声上已经取得令人满意的效果,然而其在未知噪声强度的真实噪声图像上泛化性能较差.鉴于深度卷积神经网络极大地促进了图像盲去噪技术的发展,针对真实噪声图像提出一种基于自监督约束的双尺度真实图像盲去噪算法.首先,所提算法借助小尺度网络分支得到的初步去噪结果为大尺度分支的图像去噪提供额外的有用信息,以帮助后者实现良好的去噪效果.其次,用于去噪的网络模型由噪声估计子网络和图像非盲去噪子网络构成,其中噪声估计子网络用于预测输入图像的噪声强度,非盲去噪子网络则在所预测的噪声强度指导下进行图像去噪.鉴于真实噪声图像通常缺少对应的清晰图像作为标签,提出了一种基于全变分先验的边缘保持自监督约束和一个基于图像背景一致性的背景自监督约束,前者可通过调节平滑参数将网络泛化到不同的真实噪声数据集上并取得良好的无监督去噪效果,后者则可借助多尺度高斯模糊图像之间的差异信息辅助双尺度网络完成去噪.此外,还提出一种新颖的结构相似性注意力机制,用于引导网络关注图像中微小的结构细节,以便复原出纹理细节更加清晰的真实去噪图像.相关实验结果表明在SIDD,DND和Nam这3个真实基准数据集上,所提的基于自监督的双尺度盲去噪算法无论在视觉效果上还是在量化指标上均优于多种有监督图像去噪方法,且泛化性能也得到了较为明显的提升.     

结合分块噪声估计的字典学习图像去噪算法

图像去噪是图像处理领域的重要环节,也是对图像进行后续处理的基础。近年来K-SVD字典学习去噪算法因其耗时短、去噪效果好的特点得到广泛关注和应用。但该算法的适用条件为图像的噪声为加性噪声且噪声标准差已知。针对这一情况,本文先提出一种平滑图像块筛选方法,并将其与奇异值分解(Singular Value Decomposition, SVD)相结合实现对图像的噪声标准差估计。再将得到的噪声估计方法与K-SVD字典学习去噪算法结合起来,提出一种具备噪声估计特性的K-SVD字典学习去噪算法。对多种图像的去噪实验结果表明,与Donoho小波软阈值去噪算法、全变分(Total Variation, TV)去噪算法相比,本文算法不仅能够使去噪后图像的峰值信噪比提升1~3dB,并且能较好地保留图像的细节信息和边缘特征。     

自适应残差图像的分数阶全变分去噪算法

目的 全变分（TV）去噪模型具有较好的去噪效果,但对于图像的弱边缘和纹理细节的保持不够理想。自适应分数阶全变分（AFTV）模型根据图像局部信息,区分图像的纹理区域和非纹理区域,自适应计算投影算法中的软阈值,可较好地保持图像的弱边缘和纹理细节,但该方法当噪声增大时“阶梯”效应比较明显,弱边缘和纹理细节保持效果不够理想。针对该问题,提出一种改进的分数阶全变分去噪算法。方法 该算法在计算残差图像时,用分数阶全变分模型替代整数一阶全变分模型,并根据较精确的残差图像的局部方差区分图像纹理区域和平坦区域,使保真项参数的自适应选取更加合理,提高了算法的去噪性能。结果 针对3种不同类型的噪声图像,将本文模型与TV模型和AFTV模型进行对比实验,并采用峰值信噪比（PSNR）和结构相似性（SSIM）评定去噪效果和纹理保持能力。对于高斯噪声图像,本文算法在PSNR方面比TV模型和AFTV模型分别可平均提高2.72 dB和1.38 dB,SSIM分别可平均提高0.047和0.020。对于椒盐噪声图像,本文算法结合中值滤波算法在PSNR和SSIM方面比传统中值滤波算法分别可平均提高1.308 dB和0.011。对于泊松噪声图像,本文算法在PSNR、SSIM方面与AFTV较接近,比TV分别可提高1.59 dB和0.005。结论 通过对添加不同类型的噪声图像进行实验,结果表明提出的算法在去噪性能上与TV和AFTV相比均有较大提高,尤其对于噪声较大的图像效果更为显著,在去噪效率上与AFTV的时间复杂度相当,时耗接近略有降低。且本文算法普适性较好,能有效去除多种典型类型的噪声。