基于小波变换的图像去噪优化算法

提出了一种基于小波变换的图像去噪优化算法。先通过小波边缘检测法求出有噪图像的边缘图像;再利用广义交叉确认原理求出的阈值对原有噪图像进行小波去噪,得到平滑图像;最后,将边缘图像嵌入平滑图像中,得到去噪后的图像。该算法能在有效去噪的同时保留图像的细节信息,提高了信噪比。     

一种基于边缘检测的图像去噪优化方法

为了消除或衰减存在于图像上的噪声,同时尽可能地保留图像细节,提出基于边缘检测的图像去噪算法.先通过小波边缘检测法求出有噪图像的边缘图像;再通过小波边缘检测方法确定哪些小波系数是图像的边缘特征,这些小波系数将不受阈值去噪的影响,因此,可以只是根据噪声方差来设置去噪的阈值,对原有噪图像进行小波去噪,得到平滑图像;最后,将边缘图像嵌入平滑图像中,得到去噪后的图像.实验结果表明,与普通的小波阈值去噪方法相比,上述算法不但能在有效去噪的同时保留图像的细节信息,而且能提高去噪后图像的峰值信噪比.     

基于改进小波阈值法的图像去噪算法

图像去噪是图像处理中最基本、最重要的前期工作,本文提出一种基于衰减法的Garrote阈值函数,并将基于该改进阈值函数的小波阈值法用于图像去噪过程,最后通过MATLAB仿真实验验证了本文所提出算法的有效性.本文在分析小波阈值法对图像去噪效果影响的基础上,针对该去噪算法在去除噪声的同时也损失了一定量的图像细节信息的问题,改进了传统阈值函数未考虑阈值以下的小波系数可能含有图像细节信息而对阈值以下小波系数盲目置零的缺点,对Garrote阈值函数阈值以下的小波系数采取衰减方法,以保留更多的图像细节信息,并加入三个调整因子以提高其性能和灵活度,实验表明本文提出的改进小波阈值去噪算法能够有效地去除噪声,且能够保留大量的图像边缘及细节信息.     

一种基于图像边缘检测的小波阈值去噪方法

边缘特征是图像最有用的高频信息，因此，在图像去噪的同时，应尽量保留图像的边缘特征。为实现这一想法，提出了一种基于图像边缘检测的小波阈值去噪新方法。该方法在去噪前,先用定位精度高的小尺度LOG算子检测图像的边缘，对检测出的边缘进行均值平滑滤波，以减少边缘图像中的孤立点噪声；进而再对图像边缘和含噪图像分别进行小波分解，根据分解后的小波系数以确定图像的边缘特征和非边缘特征；最后，再对图像边缘对应的小波分解系数进行小阈值处理，而对非边缘的则进行大阈值处理，从而实现了在去噪的同时保留了图像边缘特征的目的。实验结果表明，与普通的小波阈值去噪方法相比，该方法可有效地保持图像的边缘信息，去噪效果则优于前者。     

基于对偶树复小波域图像融合的SAR图像去噪

边缘信息是图像重要的细节信息,保护图像的边缘信息对提高图像质量非常重要.但是在图像去噪的过程中,往往会破坏图像的边缘信息.针对去除噪声和保护边缘信息的双重考虑,提出一种基于对偶树复小波域图像融合的SAR图像阈值去噪.考虑到局部硬阈值和软阈值各自的特点,利用对偶树复小波变换的优点和图像融合的特点,首先在自然对数域对SAR图像进行对偶树复小波分解,然后对小波系数分别执行局部硬阈值去噪和局部软阈值去噪,最后依次通过图像融合,对偶树复小波反变换,指数变换得到去噪以后的图像.实验结果表明,算法融合了两种周值去噪方法的优点,在明显去噪的同时,更好地保护了图像的边缘信息.     

基于小波模极大值和Neyman-Pearson准则阈值的图像去噪

首先给出了2维噪声的小波变换特性,分析图像小波变换模的极大值与小波分解级数j和李氏指数之间的关系,指出如何确定和保护图像的边缘;接着阐述了基于软、硬阈值的图像正交小波变换去噪法,然后提出一种基于Neym an-Pearson准则的小波阈值的确定,从而又提出了一种基于小波模极大值和Neym an-Pearson准则阈值的图像去噪方法,解决了图像去噪和保护图像边缘这个“两难”问题。针对期望图像叠加了不规则噪声的假设,对几种去噪方法做了定性比较,并给出了去噪性能的定量分析,仿真结果表明,此方法能提高去噪后图像的信噪比,使评价原图像与去噪后的图像近似程度的方差和相对熵为最小,同时能很好地保留原始图像的边缘信息。     

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。     

小波阈值图像去噪研究与应用

目前,对于图像去噪的理论和应用都已基本完善,但是对于保留图像边缘的图像去噪的研究仍然有很多学者专家在研究。小波域阈值图像去噪是能够保留图像边缘及其他特征的去噪方法之一。本文系统地研究了最常用的几种小波阈值去噪方法及阈值函数,然后在MATLAB环境下对几种小波阈值方法进行了试验,最后对各种阈值去噪方法的去噪效果进行了比较。     

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。     

改进阈值与尺度间相关的小波红外图像去噪

为了更有效地去除红外图像中的噪声, 提出一种基于改进阈值与尺度间相关的小波红外图像去噪方法. 一方面利用阈值修正方案和新阈值函数对通常的小波阈值去噪法进行改进; 另一方面通过对阈值邻近的小波系数进行小波变换尺度间相关性估计, 提高小波系数阈值判断的准确性.实验结果表明, 与通常的小波阈值去噪法相比,该算法能更有效地去除红外图像中的噪声, 获得更高的峰值信噪比(Peak signal-to-noise ratio, PSNR)、边缘保持指数(Edge preserved index, EPI)和更好的视觉效果,具有较好的实用性.     

基于小波变换和脊波变换的自适应图像去噪算法

为了克服单纯小波变换或脊波变换的不足,提出了基于小波变换和脊波变换的自适应去噪算法。实验结果表明,在处理点奇异性和线奇异性的图像时,该方法比单纯小波变换或脊波变换的阈值去噪算法更具优越性,在实际应用中更为有效。     

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.     

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。     

图像小波阈值去噪方法研究

该文介绍了小波阈值去噪的基本原理,描述了图像小波阈值法去噪的过程,并通过仿真实验结果比较了小波阈值去噪方法在选取不同阈值函数下的去噪效果,证明了小波阈值去噪法是一种非常有效的变换域图像去噪方法。     

基于改进阈值函数的分数阶小波图像去噪

为了消除噪声对图像的影响并较好地保留图像细节信息,提出一种基于改进阈值函数的分数阶小波图像去噪方法。该方法通过分数阶小波变换将含噪信号进行多尺度分解,采用改进的阈值函数对各层分数阶小波域系数进行处理,对处理后的系数进行重构得到去噪后的信号。仿真实验表明,相比已有的软阈值、硬阈值和均值加权法,本文方法去噪后的图像信噪比较大、均方误差较小,取得了满意的视觉效果,是一种实用的去噪方法。     

一种新的小波半软阈值图像去噪方法

在小波半软阈值图像去噪方法基础上,提出了一种基于自适应局部相关系数的新方法。该方法在软阈值法和硬阈值法之间有很好的折衷,通过加入局部相关系数,使其在各种小波变换中均能增强子带内小波系数的相关性。在阈值选取中选用了基于Bayes风险估计的自适应阈值和具有统计意义上的阈值方法,获得了小波系数不同子带不同方向的最优估计。实验结果显示,该方法去噪效果显著,同时能够改善小波变换所造成的图像视觉失真和边缘振荡效应,更好地保留了图像边缘和细节纹理特征。该方法可通过调节局部相关系数控制图像去噪程度和效果,能满足不同需求,具有很高的实用价值。     

基于小波变换和稀疏表示的图像去噪

传统小波阈值去噪在对图像进行去噪时,并不能很好地保留图像的细节纹理等边缘信息部分.针对这一不足,结合了稀疏表示相关的理论,提出了一种基于小波变换和正交匹配算法相结合的图像去噪算法.首先选取小波函数对含噪图像进行处理,分离出图像的高频和低频小波系数,然后对高频系数结合正交匹配追踪算法,通过多次反复迭代求得高频稀疏分量,再结合低频分量,用逆小波变换得到恢复图像.实验结果表明,在相同的噪声条件下,该算法能取得较好的峰值信噪比(PSNR),获得更好的视觉效果.     

一种能保留图像边缘信息的去噪新方法

图像处理的目标是消除噪声的同时能保留图像所固有的信息.针对保留边缘信息有效去噪问题,提出了双密度双树复数小波变换的图像去噪方法,该方法综合了双密度小波、双树小波和复数小波的优点,具有更好的方向性,将双树复数小波的6个方向,提高到12个方向,并采用了自适应软阈值对小波变换的系数进行处理,消除图像干扰噪声.本文对加噪图像进行去噪仿真试验,并进一步进行边缘检测,仿真试验结果表明,该方法能有效消除图像噪声并保留图像原有边缘信息,与双密度双树小波相比,去噪效果明显改善,均方误差减小了2.4%.