基于分数阶偏微分方程的图像去噪新模型

将分数阶微分理论和全变分方法相结合应用于图像去噪,提出了一种基于分数阶偏微分方程的图像去噪新模型。该模型很好地继承了现有的全变分(TV)模型去噪效果与保持图像边缘细节特征的优点,同时利用分数阶微分运算特有的幅频特性优势,较好地保留了图像平滑区域中灰度变化不大的纹理细节。实验结果表明：一方面,与现有去噪方法相比,新模型不仅具有较强的抑制噪声能力,而且能较好地保持图像边缘特征,还能保留更多的图像纹理细节信息,优于常用的整数阶偏微分图像去噪方法;另一方面,从峰值信噪比的对比实验可以看出该模型去噪效果优于其他方法,较好地达到了去噪目的,是一种有效、实用的图像去噪模型。     

基于分数阶变分的图像泊松去噪模型

为了进一步提高图像去噪的效果,针对图像泊松噪声的特点,提出了一种有效的基于分数阶导数的图像泊松去噪的变分模型。该模型继承了全变分模型去噪效果良好的优点,并且很好地利用分数阶微分特有的幅频特性优势,在处理图像细节和纹理特征方面很好的保留了图像的“弱信息”。数值实验结果表明,该分数阶变分方法的去噪效果优于传统的整数阶变分方法,能很好地保留图像的边缘细节特征。     

局部自适应混合模型的遥感图像去噪算法

遥感图像的噪声分析和去除作为经典问题一直受到关注并成为遥感图像处理的一个重要研究领域。传统的去噪方法在一定程度上可以去除图像中的噪声,但往往在去噪的同时会使图像的边缘和细节信息模糊化。针对P-M模型在去除遥感图像高斯噪声时所存在的对图像强边缘和细节附近的噪声难以去除,以及ROF模型通常会导致平坦区域出现“假边缘”,甚至会产生块状效应等问题,提出一种基于局部自适应的混合模型。该模型针对图像局部区域所包含纹理信息的不同,自适应地调整约束权函数,使模型在平滑局部区域能更多地发挥P-M模型的特点,而在纹理丰富或边缘区域则更多地发挥ROF模型的特性,使模型在有效地去除高斯噪声的同时,很好地保护了遥感图像中的边缘特征和细节纹理信息。实验结果表明,对相同的高斯噪声所提出的混合模型去噪后图像的SNR较P-M和ROF模型分别提高了3dB和2dB。     

基于分水岭的提升小波图像去噪

为了图像去噪的同时能很好地保持图像的细节,提出了一种基于分水岭的提升小波图像去噪方法,先用分水岭分割方法检测出图像的分水岭脊线,提升小波去噪时就可用阈值去噪而不必担心损害图像的重要特征。其去噪步骤是：对噪声污染图像进行提升小波去噪;对原图像提取梯度幅度图像;对梯度图像平滑后进行分水岭变换;图像合并。实验结果表明,该方法不但可以保持图像的重要信息,而且能够提高去噪后图像的信噪比。     

基于分水岭的提升小波图像去噪

为了图像去噪的同时能很好地保持图像的细节,提出了一种基于分水岭的提升小波图像去噪方法,先用分水岭分割方法检测出图像的分水岭脊线,提升小波去噪时就可用阈值去噪而不必担心损害图像的重要特征.其去噪步骤是:对噪声污染图像进行提升小波去噪;对原图像提取梯度幅度图像;对梯度图像平滑后进行分水岭变换;图像合并.实验结果表明,该方法不但可以保持图像的重要信息,而且能够提高去噪后图像的信噪比.     

平滑区域梯度保真的图像降噪方法

基于有界变差的图像去噪模型在去除噪声的同时会产生“阶梯效应”,在模型中藕合梯度保真项能够有效地抑制“阶梯效应”,但全局梯度保真却导致图像的边缘模糊。新模型讨论了平滑区域的判定方法,在此基础上给出了基于平滑区域梯度保真的去噪模型和两种修正方法。新的去噪方法在去除图像噪声的同时压低了“阶梯效应”,且能够很好地保留图像的边缘。数值实验验证了所提模型的效果。     

一种基于图像区域分割的小波去噪方法

提出一种基于区域分割的图像去噪方法。该方法利用具有平移不变性的DWT去噪法和NeighShrink_ SURE去噪法对平滑图像和纹理图像分别具有良好去噪效果,遂将含噪图像进行区域分割得到平滑、突变和过渡三个区域,最终去噪图像的三个区域分别由两种方法得到的去噪图像加权来确定。实验结果显示,该方法利用了前两种算法的优点,得到了具有较高峰值信噪比、较完整保留图像细节而且具有更佳视觉效果的去噪图像。     

基于Priwitt算子的偏微分方程图像去噪模型

利用归一化的Priwitt微分算子作为权重,提出了两种融合Gauss曲率和平均曲率扩散的偏微分方程去噪模型,使得它们在去除噪声的同时能保持图像的重要特征。首先,对噪声图像进行Gauss滤波并计算滤波后图像的Priwitt微分算子;然后,新模型根据归一化的Priwitt微分算子自适应地平衡于高斯曲率扩散去噪与平均曲率扩散去噪之间,从而去除图像的噪声。利用偏微分方程有限差分法给出了新模型的离散迭代格式,并进行了数值实验。实验结果表明,新模型不仅迭代收敛的速度快,而且在均方误差和峰值信噪比两个评价指标上均优于单一曲率扩散去噪模型,并更好地保持了图像的细节特征。     

基于象素分类思想的自适应图像去噪算法

提出了一种基于象素分类的自适应滤波去噪方法。在一副图像中，平坦区域的方差较小，边缘和脉冲噪声存在的区域方差较大。根据方差的不同，对不同区域的中心象素分类，并采用不同的滤波方式。本文提出的方法，考虑到图像边缘特征细节的保留和整体噪声的消除，用归类的思想，在分类即细节的保留后，进一步对相同类中的象素点进行平滑去噪。这样可以使边缘点和非边缘点分开来，从而最大限度的保留图像的细节信息。     

融合偏微分方程和中值滤波的图像去噪模型

针对基于偏微分方程(PDE)的图像去噪模型不能有效地去除脉冲噪声,并且低阶偏微分方程在去噪的同时会出现“块效应”现象的问题,提出一种融合偏微分方程和自适应中值滤波的图像去噪模型。该模型通过对图像梯度的分析,在梯度变化剧烈区域和梯度变化微小区域利用二阶模型去噪以提高去噪效率;而在梯度渐变区域利用四阶模型平滑图像以避免出现“块效应”现象。同时,利用脉冲噪声梯度值远大于边缘梯度值的特点,定位脉冲噪声所在区域,在该区域利用自适应中值滤波消除脉冲噪声。该方法能有效去除脉冲噪声,保护图像边缘并消除“块效应”现象,同时提高了去噪效率。实验表明了该模型的有效性。     

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。     

基于曲率局部二值模式的深度图像手势特征提取

针对复杂环境下的深度图像手势特征提取信息冗余量大、编码不稳定等问题,提出了一种改进的基于曲率局部二值模式（LBP）的深度图像手势特征提取算法。该算法首先通过坐标转换将分割出的手势深度数据转换为点云数据;其次利用移动最小二乘法对手势点云数据进行曲面拟合;然后计算出能够更加准确描述物体三维表面几何信息特征的高斯曲率;最后利用改进的LBP均匀模式对高斯曲率数据进行编码形成特征向量。在美国手语（ASL）手势数据库上该算法的平均识别率达到了92.1%,与3D局部二值模式（3DLBP）和梯度LBP相比分别提高了18.5个百分点和13.7个百分点。实验结果表明,该算法可以区分外部轮廓相似但内部结构不同的手势,有效提高了在描述手势深度图像内部细节方面的准确性。     

Gaussian mixture model learning based image denoising method with adaptive regularization parameters

Gaussian mixture model learning based image denoising as a kind of structured sparse representation method has received much attention in recent years. In this paper, for further enhancing the denoised performance, we attempt to incorporate the gradient fidelity term with the Gaussian mixture model learning based image denoising method to preserve more fine structures of images. Moreover, we construct an adaptive regularization parameter selection scheme by combing the image gradient with the local entropy of the image. Experiment results show that our proposed method performs an improvement both in visual effects and peak signal to noise values.     

基于信息几何的图像去噪

提出一种基于信息几何的图像去噪方法,与传统的欧氏空间中去噪方法不同,基于信息几何的图像去噪方法是在流形上利用两点间的测地线距离的大小来衡量图像中两像素点之间的相似性。流形中的点是通过图像中某区域构建的高斯模型,模型间的测地线距离表示两图像区域平均灰度强度和细节丰富程度的差别。这样将区域的平均灰度强度和细节丰富程度的差别作为像素点间的相似性,能够更加准确地衡量像素点间相似性的差异。实验表明,该算法提高了图像去噪效果,能够很好地保持图像细节。     

整体曲率变分水平集方法的曲面去噪模型

针对曲面去噪问题,提出了一种基于整体曲率变分水平集方法的曲面去噪模型。该模型是应用于图像去噪的ROF模型在几何形状处理中的自然拓展。它基于隐式水平集变分方法,能够自动处理曲面拓扑结构的变化。对该能量模型采用变分水平集方法求其梯度最速下降方程,通过演化该方程,最终得到模型最优解。为使计算结果更加准确,采用了半点差分格式离散。实验结果表明,该模型具有良好的去噪性能,同时能有效地保持曲面中的特征信息。     

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.     

改进的自适应广义整体变分图像降噪模型

针对自适应广义整体变分(AGTV)图像降噪模型对图像边缘信息定位精度不高及提取不足的问题,为提高图像降噪效果和峰值信噪比,提出了改进的AGTV(IAGTV)图像降噪模型。一方面,该算法换用精度更高的梯度计算方法,相对于AGTV更精确地定位图像边缘;另一方面,为优化图像预处理的滤波过程,用高斯-拉普拉斯联合变换替代高斯平滑滤波,更有利于检测图像边缘信息,在实现降噪的同时防止边缘信息弱化。数值仿真实验得出,IAGTV模型的复原图像峰值信噪比相对于固定p值的GTV模型提高了大约1.0 dB,比AGTV模型提高了至少0.2 dB。实验结果表明IAGTV具有良好的图像降噪能力。     

基于分数阶微分自适应算法的煤尘图像滤噪

针对传统的煤尘图像滤噪方法迭代过程长、滤噪效果不理想、纹理保持能力差等问题,对现有的滤噪方法进行改进,建立了基于分数阶微分模型的自适应滤噪算法。改进算法对参数u的变化梯度进行调整,从整数阶扩展到分数阶;根据区域特征分别对算法中的各项参数进行自适应选择。实验结果表明,改进后的滤噪算法收敛速度快,迭代次数少,滤噪效果好,纹理保持能力强,且其检测滤噪效果能力的量化指标获得了很好的改善。     

基于梯度自适应函数的彩色图像变分去噪方法

分析了彩色图像的全变分降噪模型,该模型在降噪的同时可以保持好图像的特征信息,但对于噪声较大的图像具有明显的"阶梯效应".Blomgren的基于梯度自适应函数的去噪模型只能处理灰度图像,因此提出改进的基于彩色图像的梯度自适应函数去噪模型.实验证明,改进的模型有效地解决了"阶梯效应"的发生,提高了模型的去噪能力和边缘保持能力.