一种基于非下采样Contourlet变换的自适应阈值去噪方法

文章提出了一种基于非下采样Contourlet变换的自适应图像去噪方法。首先对噪声图像进行非下采样Contourlet变换,得到各个尺度各个方向子带的系数,再根据该系数的能量自适应地调整Bayes去噪阈值。实验结果表明：与小波阈值去噪方法对比,非下采样Contourlet自适应阈值去噪算法在保留图像边缘细节的同时,不仅能明显提高图像的SNR值,而且还减少了Gibbs现象。     

小波去噪在智能引线键合机图像处理中的应用

针对小波去噪中硬阈值法和软阈值法存在的缺陷,提出了一种新的多尺度自适应阈值选择算法,该方法根据小波变换的特点和噪声信号的3σ,准则,对于不同的小波系数乘以一个与自身小波系数相关的降噪因子.在现有的图像去噪评估算法的基础上,提出了基于图像平滑度和匹配度的去噪效果评估算法.实验结果表明:多尺度自适应阈值选择算法能有效去除图...     

基于Context模型的小波变换阈值自适应图像去噪

根据噪声和信号的小波系数在不同分解尺度、不同方向上高频系数的分布不同,结合Context模型,提出基于Context模型的小波变换阈值自适应图像去噪算法。该算法通过对不同尺度和方向的小波分解系数应用不同的阈值方法进行去噪。实验表明,方法能较好地去除图像噪声和保留图像边缘细节信息,在提高去噪图像信噪比值和改善视觉效果方面都表现出了良好的性能。     

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,研究一种自适应阚值的图像去噪方法——Adapt Thr 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阈值。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。     

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.     

非下采样Contourlet变换自适应图像去噪方法

提出了一种基于非下采样Contourlet变换的自适应图像去噪方法。首先对噪声图像进行非下采样Contourlet变换,得到各个尺度各个方向子带的系数,再根据该系数的能量自适应地调整去噪阈值。实验表明,与Contourlet多尺度阈值去噪、Contourlet自适应阈值去噪相比,该方法在保留图像边缘细节的同时,能提高图像的PSNR值,减少了Gibbs现象。     

基于粒子群优化的Shearlet自适应图像去噪

研究Shearlet变换域图像去噪阈值选取的问题,提出Shearlet变换域图像去噪自适应阈值选取方法.该方法根据Shear-let变换域不同尺度和方向系数的分布特性,采用粒子群优化算法自适应地确定各尺度和方向的最优阈值,实现基于图像内容的自适应去噪.仿真实验表明,该方法能有效滤除图像的噪声,较好地保留图像的边缘信息.同时,去噪后图像具有更高的峰值信噪比(PSNR).     

基于Contourlet变换的图像DCT去噪新方法

为了改进滤波效果,以提高图像去噪质量,提出了一种通过离散余弦变换对Contourlet域中噪声能量进行估计来实现去噪的新方法.该算法不依赖于对噪声方差进行估计,而是直接利用离散余弦变换来对高频各子带进行局部特征提取,以便估计噪声能量的估计阈值.实验结果表明,与传统的小波软、硬阈值去噪方法和基于小波变换的图像离散余弦变换去噪方法比较,该方法有效地克服了采用硬阈值法引起的伪吉布斯现象和软阈值法因导致过度光滑而使信号失真等缺点.实验表明,该算法不仅可提高处理图像的信噪比,而且图像的视觉效果也明显改善,因此更具有实用价值.     

基于边缘检测的空间自适应小波去噪

一般的图像去噪方法在去除噪声的同时也使得边缘变得模糊,结合边缘检测和空间自适应思想,提出一种新的基于小波变换的图像去噪方法。先用小波边缘检测方法提取出图像各个尺度上的边缘,将小波系数分为边缘点和非边缘点,再根据边缘将小波系数分为各个小区域,这样将小波系数分为边缘点和各个区间内的非边缘点,分别对它们进行阈值处理。根据自适应准则,各个系数的阈值由它相邻的、有相同性质的系数决定,这使得在去噪的同时对图像的边缘特征予以保护。实验结果表明,该方法去噪后的图像信噪比更高,视觉效果也更好,在一定程度上解决了去噪时的边缘模糊问题。     

基于贝叶斯最大后验估计的局部自适应小波去噪

利用图像小波子带内系数的相关性，提出了一种局部自适应小波去噪方法。首先在贝叶斯最大后验概率准则下推导出基于拉普拉斯先验分布的MAP估计表达式和子带MapShrink阈值。为得到局部自适应的MapShrink阈值和去噪算法，提出将子带内的每个小波系数建模为具有不同边缘标准差的拉普拉斯分布，而边缘标准差又假设为强局部相关的随机变量，可通过邻域局部窗口进行估计。实验结果表明，与经典的子带自适应去噪算法相比较，该方法获得了明显的峰值信噪比增益，主观视觉效果也得到了改善。     

TLS估计的小波自适应零值绝缘子红外热像去噪

为了弥补传统Bayes估计的小波去噪方法依赖于小波系数先验分布模型的不足,针对零值绝缘子红外图像具有低信噪比特点,提出了基于总体最小二乘(TLS)估计的小波自适应零值绝缘子红外热像去噪方法。受噪声污染的零值绝缘子红外图像经小波变换后,不处理低频小波系数,获取各尺度、各方向的高频小波系数进行总体最小二乘估计,对估计后的小波系数进行逆变换得到去噪后的图像。实验结果表明,该方法与软阈值法和Bayes估计法相比,能够有效去除噪声,保留了图像的细节信息,去噪效果良好。     

Image quality based comparative evaluation of wavelet filters in ultrasound speckle reduction

This paper presents the comparative study of various wavelet filter based denoising methods according to different thresholding values applied to ultrasound images. An original image is transformed into a multi scale wavelet domain and the wavelet coefficients are processed by a soft thresholding method. The denoised image is the output image obtained from the inverse wavelet transform of the threshold coefficients using Donoho's method. It has been observed that such denoising methods are effective in the sense that they preserve the edge details besides suppressing the noise. The comparative evaluation of the denoising performance is shown using statistical significance tests for different wavelet filters. Image quality parameters such as peak signal-to-noise ratio, normalized mean square error, and correlation coefficient have been used to evaluate the performance of wavelet filters. The performance has also been compared with the adaptive weighted median filtering method.     

改进小波软阈值函数在图像去噪中的研究应用

常规小波软阈值去噪方法处理前后的图像小波系数有所差异,导致去噪后图像失真严重.为进一步提升去噪效果,提高去噪和细节保持能力,对阈值的选取方式和阈值函数进行改进.改进方法通过小波变换的每一级子带长度确定阈值,实现阈值自适应准确量化,改进软阈值函数采用双曲正切函数替换符号函数,对阈值绝对值范围内的小波系数应用非线性函数进行...     

Undecimated double density wavelet transform based speckle reduction in SAR images

This paper describes an efficient and adaptive method of threshold estimation for removing Speckle noise from Synthetic Aperture Radar (SAR) images, based on Undecimated Double Density Wavelet Transform (UDDWT). Here the performance of image denoising algorithm is well improved by fixing different optimum threshold values for each wavelet coefficient. The choice of the estimation of the threshold value is carried out by analyzing the statistical parameters of the wavelet subband coefficients like Arithmetic Mean, Geometric Mean and Standard Deviation. Here the image is first decomposed into many subbands using UDDWT. Then based upon the statistical parameters of the wavelet coefficients of subbands, threshold values are found out for each wavelet coefficients. This threshold value is used in Soft Thresholding Technique to remove the noisy wavelet coefficients. Then the inverse transform is applied to get the denoised image. Evaluation parameters like peak signal to noise ratio, standard deviation to mean ratio and Edge Preservation Factor have been used for evaluating the performance of the proposed technique quantitatively. Experimental results on several benchmark images by using the proposed method show that, the proposed method yields significantly superior image quality. Some comparisons with the best available results will be given in order to illustrate the effectiveness of the proposed algorithm.     

基于修正维纳滤波的小波包变换图像去噪

图像去噪是图像处理中一个非常重要的环节。为了改善降质图像质量,根据Donoho提出的小波阈值去噪算法,分析了维纳滤波原理,提出了一种基于修正维纳滤波的小波包变换图像去噪方法。利用修正维纳滤波对噪声图像进行处理,用处理后的图像计算噪声的标准方差,以此作为小波包的阈值。利用小波包对维纳滤波后的图像进行分解,实现对图像的低频和高频部分分别进行分解,用计算出的阈值对小波包树系数进行软阈值处理。利用小波包逆变换来获取去噪后的图像。结果表明：在噪声方差为0.01时,经该算法去噪后图像的PSNR比小波包自适应阈值去噪后的PSNR高出8.8 dB。该算法不仅能有效地去除加性高斯白噪声,而且能很好地保留边缘信息,极大地改善了图像的视觉质量。     

基于NSCT域主分量分析的遥感图像去噪方法

提出一种新的结合非下采样Contourlet变换（NSCT）和主分量分析（PCA）的图像自适应阈值去噪方法。通过PCA估计NSCT域中的噪声能量,并与NSCT系数的领域信息相结合,构造出自适应阈值对遥感图像进行去噪。仿真实验结果表明,提出的方法与Contourlet硬阈值,基于Contourlet的图像PCA和NSCT硬阈值去噪方法相比能够有效去除遥感图像的高斯噪声,较完整地保持图像的边缘等细节信息,提高了图像的峰值信噪比,图像视觉效果也有明显改善。     

一种新的具有增强效果的小波域图像去噪方法

为了使去噪后的图像具有更佳的视觉效果,基于新近出现的一种小波域阈值去噪方法——NeighShrink,提出了一种具有细节增强效果的小波域图像去噪方法——增强型邻域收缩方法(enhanced NeighShrink,ENS)。该方法一方面继承了NeighShrink方法的优点,在对小波系数进行阈值处理时,由于考虑了其与邻域系数的相关性,从而大大减少了误判图像细节为噪声的情况,同时,通过改变NeighShrink方法中小波系数收缩因子的计算方法,用该方法去噪后的图像取得了高于NeighShrink方法的峰值信噪比;另一方面,通过引入一个细节增强因子P,使得该方法能够对图像细节进行增强,从而得到了更佳的视觉效果。通过实验证明,该方法能够在去噪和细节增强这两方面优于普通软阈值去噪方法和NeighShrink方法。     

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。