基于Bandelet变换域的图像自适应增强算法

提出了基于Bandelet变换域的图像自适应增强的新算法,利用Bandelet变换在表示二维图像线、面奇异性时的优越性,实现了抑制噪声和凸显细节间的有效均衡。按照最小化逼近误差原则,寻找出二进剖分块的几何方向,在最小化均分误差(MMSE)的原则下合并二进剖分块,寻找出图像增强的方向。根据图像增强方向将Bandelet块分为两类:有几何方向的Bandelet块和无几何方向的Bandelet块,并分析了这两类Bandelet块系数的不同特征,从而区分出噪声和信号、清晰边缘和脆弱边缘。在此基础上提出了一种新的增强函数,在抑制噪声的同时,增强较弱细节并保护图像中的清晰边缘不失真。实验结果表明,与传统的图像增强算法相比,该算法在抑制噪声和放大细节特征两方面均有明显改进。     

自适应Bandelet框架及其在图像去噪中的应用

在Bandelet变换中噪声影响了对图像实际几何方向的寻找。针对这一问题,提出了一种自适应Bandelet框架——根据图像去噪这一应用目标,重新修定建立四叉树结构和确定图像几何方向的若干规则,从而计算出较为精确的图像几何方向,并且实现了基于自适应Bandelet框架的去噪算法。实验表明同传统的小波子带多阈值去噪法相比,该算法不仅提高了去噪后图像的峰值信噪比（PSNR）,而且更好地保留了图像的细节特征。     

依据HVS的改进Bandelet变换域图像数字水印

提出了一种新颖的基于第二代Bandelet变换域的有意义鲁棒性数字水印算法。第二代Bandelet变换是一种新兴的多尺度几何分析方法,能自适应地跟踪图像的几何正则方向。算法首先通过改进变换中的几何角度方向搜索方法降低了运算量,提高了变换速度。依据HVS（Human Visual System）关于人眼对图像的纹理和边缘变换不敏感的特性,选择表示几何方向、纹理、边缘特征的大幅值变换系数,利用奇偶量化的方法嵌入有意义二值水印。经测试表明,该算法不仅具有很好的不可见性,而且对JPEG压缩、叠加噪声、滤波、缩放等攻击具有很好的鲁棒性。     

基于分割块的冗余Bandelet图像去噪方法

结合第二代Bandelet变换的特点,提出了基于分割块的自适应多阈值冗余Bandelet图像去噪方法。首先采用冗余的二维小波变换实现图像的多分辨率表示,通过稀疏的观点,而不是率失真的观点而定义拉格朗日函数在各个高频子带进行Bandelet化,在Bandelet化的过程采用没有风险的估计阈值来寻找最佳几何流方向和完成最优四叉树分割,最后通过Bayes软阈值萎缩法实现在Bandelet域去噪。实验结果表明：该算法的去噪效果要优于经典小波以及curvelet和contourlet,去噪后图像的边缘没有伪Gibbs效应,具有好的图像的视觉质量。     

基于非抽样小波字典和稀疏表示的图像去噪方法

图像去噪是图像处理中的关键问题之一,也是图像后续处理的基础,结合近年来兴起的稀疏表示理论,能更好地处理图像去噪问题。通过引入图像稀疏表示框架,从含噪图像自身中优化训练字典,初始字典选择构造非采样小波字典来更好地捕获图像信息,通过反复迭代学习获得高度自适应的过完备稀疏字典,重构图像时构造先验概率矩阵,结合后验概率估计与传统的正交匹配算法提出改进的图像重构算法。实验结果表明,与其他去噪方法相比,该算法具有良好的去噪能力,能较好地保持图像的边缘和细节特征,去噪后的图像更为清晰。     

基于平稳Bandelet的图像去噪

为了在滤除噪声的同时尽可能地保持图像的边缘信息,文中提出平稳Bandelet这一概念,并将其应用到图像去噪中。标准Bandelet变换虽然可以充分利用图像自身的几何特征,但它和小波变换一样缺乏平移不变性,导致处理后的图像边缘处容易出现振荡,这影响了它的图像去噪性能。为此文中在Bandelet中引入了平稳小波变换的思想,构造出平稳Bandelet,并将其用于图像去噪。实验结果表明,平稳Bandelet保留了分解过程中对图像去噪非常有用的的冗余信息,这使其去噪性能优于标准Bandelet和小波。     

Bandelet变换原理及应用研究

近年来,多尺度几何分析在统计分析、模式识别、信号处理、数字图像处理等领域中应用广泛.作为自适应多尺度几何分析的一种新方法,Bandelet变换侧重于图像边缘的表示和处理,对于图像中的几何正则方向具有较强的自适应跟踪能力,由于Bandelet变换能提供对图像的最稀疏表示,能够用比别的基函数更少的非零系数来达到同样的逼近效果,特别是对几何特征明显的图像更具优势.文中详细介绍了Bandelet变换的提出、基本原理和方法等技术实现细节,探讨和和分析了Bandelet变换在数字图像的压缩、融合、去噪和分割等诸多方面的应用,并探讨了Bandelet变换技术的应用发展趋势.     

Bandelet变换原理及应用研究

近年来,多尺度几何分析在统计分析、模式识别、信号处理、数字图像处理等领域中应用广泛。作为自适应多尺度几何分析的一种新方法,Bandelet变换侧重于图像边缘的表示和处理,对于图像中的几何正则方向具有较强的自适应跟踪能力,由于Bandelet变换能提供对图像的最稀疏表示,能够用比别的基函数更少的非零系数来达到同样的逼近效果,特别是对几何特征明显的图像更具优势。文中详细介绍了Bandelet变换的提出、基本原理和方法等技术实现细节,探讨和和分析了Bandelet变换在数字图像的压缩、融合、去噪和分割等诸多方面的应用,并探讨了Bandelet变换技术的应用发展趋势。     

基于多尺度脊波字典的图像去噪算法

基于人眼视觉系统特性,根据图像几何结构特征,提出一种多尺度脊波字典的构造方法。构造出的多尺度脊波字典具有多分辨率、多尺度、各向异性和多方向等特性,能够更为稀疏地表示图像,从而得到一种基于多尺度脊波字典的稀疏性约束图像去噪算法。实验结果表明,该去噪算法能有效去除噪声,更好地保留图像的边缘等细节。     

特征保留的稀疏表示图像去噪

稀疏表示理论认为在合适的冗余字典下,图像存在最为稀疏的表示,字典的过完备性,使得通过提取很少量的大系数便能捕获到图像中的重要信息,而且对噪声更加鲁棒。针对图像去噪,为了更好地保留图像特征信息,考虑人眼视觉特性,研究过完备字典对噪声图像特征和边缘信息的有效表示,提出以结构相似为信息保真度的特征保留的稀疏表示去噪算法。实验结果表明,该算法能更好地对图像去噪,对特征和边缘等信息的保留能力更强,得到的图像视觉效果更佳。     

基于块分类和字典优化的K-SVD图像去噪研究

基于K-奇异值分解（K-SVD）的图像去噪方法使用K-SVD算法训练得到的过完备字典对图像进行稀疏表示去噪,能够在去除噪声的同时较好地保持原始图像信息。但该方法缺少对图像结构特征的考虑;此外,K-SVD算法训练得到的字典中往往含有噪声原子,从而导致该方法在强噪声下去噪性能欠佳。针对这些局限性,提出一种新的去噪方法：基于块分类和字典优化的K-SVD去噪方法。首先通过图像块的分类训练得到与图像结构相适应的字典,能够更为稀疏地表示图像;然后通过噪声原子检测将字典原子分为噪声原子和非噪声原子,并对噪声原子进行替换,减弱噪声原子对去噪性能的影响,得到优化字典;利用优化字典对图像进行稀疏表示去噪。仿真实验表明,与非局部均值去噪、曲波去噪以及经典K-SVD去噪等算法相比,新方法能够取得更好的去噪结果。     

自适应匹配追踪图像去噪算法

针对目前的稀疏去噪算法分解效率低、去噪效果不理想的问题,提出了一种基于自适应匹配追踪的图像去噪算法。该算法首先通过自适应匹配追踪算法求解稀疏系数,然后利用K奇异值分解算法将字典训练成能够有效反映图像结构特征的自适应字典,最后将稀疏系数与自适应字典相结合来重构图像。在重构过程中,将噪声对应的系数去除,最终达到去噪的效果。算法引入Spike-Slab先验来引导稀疏系数矩阵的稀疏性,并利用两个权重矩阵促使去噪模型更加真实。鉴于字典在稀疏算法中的重要性,将自适应字典与DCT冗余字典、Global字典进行比较。实验结果显示,选择自适应字典的去噪结果比传统字典在峰值信噪比上高出约4.5 dB;与目前6种主流的稀疏去噪方法相比,文中提出的方法在3种评价指标上均有不同程度的提高,其中峰值信噪比平均提高了约0.76~6.24 dB,特征相似度平均提高了约0.012~0.082,结构相似性平均提高了约0.015~0.108。对图像去噪算法进行定性的评价,结果显示所提算法保留了更多的有用信息,视觉效果最佳。实验充分证明了自适应匹配追踪图像去噪算法对图像去噪的有效性和鲁棒性。     

基于VGG网络与深层字典的低剂量CT图像去噪算法

低剂量计算机断层扫描（LDCT）能够有效降低X射线辐射对人体健康造成的危害,已广泛应用于医学临床诊断。针对LDCT图像中存在大量的斑点噪声和条形伪影的问题,提出一种结合改进的VGG网络和深层字典的图像去噪算法,以弥补深层字典去噪能力的不足。在深层字典学习到第一层字典原子和稀疏矩阵后,通过改进的VGG网络将字典原子区分为信息原子和噪声原子,同时将稀疏矩阵中噪声原子所对应的元素设置为零,降低噪声原子对图像去噪效果的影响。实验结果表明,与K-SVD算法、正则化K-SVD算法和深层字典学习算法相比,该算法的峰值信噪比和结构相似性指数平均提高了1.4 dB和0.03,能够有效抑制LDCT图像噪声和伪影,且保留较多的边缘和细节信息。     

一种基于非局部思想的改进图像降噪算法

数字图像因噪声的影响会严重降低其视觉效果,图像降噪算法的研究是数字图像处理领域的一个重要研究方向。本文在基于稀疏和冗余字典的图像降噪算法基础上,提出了一种基于非局部思想的改进图像降噪算法。与传统的基于稀疏表达的图像降噪算法KSVD相比,本文算法增加了一个相似块聚合的过程,使得学习的字典更小且更准确。利用自然图像包含很多的自相似,相似样本聚合学习出的字典比传统KSVD算法能更准确更稀疏的表示样本。稀疏度的提高使得重建后的信号更加的准确,适应性更好。实验证明本文算法取得了更好的视觉效果。     

基于稀疏先验的非局域聚类图像去噪算法研究

图像去噪是一类典型的病态（ill-posed）逆问题求解,噪声掩盖下的真实图像并不确定,需要引入先验信息缩小病态问题的求解范围。为了将外部干净图像的先验信息引入去噪进程,提出了一种基于外部干净图像与内部噪声图像稀疏先验的非局域聚类图像去噪算法,通过联合外部干净图像与内部噪声图像的图像块得到类稀疏化表达字典;通过全局的相似块匹配,得到理想图像的稀疏系数估计;基于类字典和估计的稀疏系数,采用压缩感知技术的稀疏重建方法实现图像去噪。实验表明,与传统的非局域稀疏聚类图像去噪方法相比,所提算法显著降低去噪块效应,在保留更多细节的同时,图像平坦区域过渡更加自然;而理想图像先验来源的扩展则进一步提高了算法在强噪声下的去噪性能,对强噪声具有更强的抑制能力。     

基于稀疏表示与字典学习的彩色图像去噪算法

针对彩色图像在去噪时易产生模糊现象和伪色彩的问题,提出多信息结合字典算法。首先提出了基于RGB颜色空间各通道模值的加权梯度定义,并在此基础上建立了由彩色图像的亮度、加权梯度、颜色信息结合的一种过完备结构字典。其次利用噪声图像的稀疏性,通过不断更新迭代的字典训练过程,找到最优稀疏系数和最优学习字典,从而将噪声信息和图像有用信息分离开,精确重构图像并单求其颜色,进而得到去噪后的彩色图像。实验结果显示,与已有算法相比,本文提出的算法在不同的噪声强度下都取得了更好的视觉效果和更高的客观评价指标值,表明该算法具有良好的去噪性能。     

基于稀疏结构噪声检测的指静脉图像去噪算法

针对携带污染噪声的指静脉图像中背景区域、静脉区域和噪声区域的稀疏特性,提出一种改进的指静脉图像去噪算法。利用指静脉稀疏结构特性建立鲁棒主成分分析（RPCA）模型,通过交替方向乘子法求解RPCA模型获得含稀疏目标的前景图像并对其进行阈值分割以提取噪声分布图,同时根据提取结果建立修复优先度规则和自适应选择性滤波模板,实现指静脉图像的去噪处理。实验结果表明,与自适应非局部均值去噪算法和基于分数阶微分梯度噪声检测的去噪算法相比,在零误识情况下该算法处理后的带噪指静脉图像拒识率平均降低5.95%和3.64%,有效提升了带噪指静脉图像的识别性能。     

Denoising for Multiple Image Copies through Joint Sparse Representation

This paper addresses the recovery of original images from multiple copies corrupted with the noises, which can be represented sparsely in some dictionary. Sparse representation has been proven to have strong ability to denoise. However, it performs suboptimally when the noise is sparse in some dictionary. A novel joint sparse representation (JSR)-based image denoising method is proposed. The images can be recovered well from multiple noisy copies. All copies share a common component—the image, while each individual measurement contains an innovation component—the noise. Our method can separate the common and innovation components, and reconstruct the images with the sparse coefficients and the dictionaries. Experiment results show that the performance of the proposed method is better than that of other methods in terms of the metric and the visual quality.     

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。     

近邻局部OMP稀疏表示图像去噪

目的 基于分类的稀疏字典去噪算法改善了字典训练阶段的效率问题,但稀疏分解阶段仍是全字典匹配,影响算法运行速度。为了解决稀疏去噪算法在稀疏分解阶段因复杂矩阵运算及字典全局搜索导致的算法效率低,以及冗余的稀疏字典因无法描述图像具体特征而影响图像去噪效果的问题,提出改进算法。方法 首先稀疏分解阶段,在原正交匹配追踪算法基础上引入字典原子聚类思想,提出局部正交匹配追踪算法,将全局搜索优化为局部搜索;为保证局部搜索仍能保持良好的匹配结果,提出近邻择优策略,计算聚类中心与信号原子的距离,从而按照某一阈值自适应地选择最优的n个子字典作为稀疏分解的匹配空间;最后将图像分解为内容簇和背景簇,对内容簇采用基于近邻的局部K奇异值分解（K-SVD）算法去噪,背景簇采用均值滤波方法去噪。结果 对USC标准数据库中大量图像进行去噪实验,本文算法去噪结果的峰值信噪比值比K-SVD算法平均提高了1.53 dB,比2维块匹配（BM3D）算法平均提高了0.72 dB,比聚类的稀疏表示去噪（CSR）算法平均提高了0.5 dB;运行时间比原算法提高了23.2%。结论 本文算法针对灰度图像去噪,在去噪效果及去噪效率方面均有改善,尤其对细节纹理较丰富的灰度图像去噪具有一定的应用价值。