变正则参数方法在带噪图像保边缘恢复中的应用

提出变正则参数的变分方法．该方法通过选取随梯度变化的自适应的正则参数,达到去噪和保持边缘的目的．通过5点格式构造出变分模型的离散解法,可以避免格林函数的繁琐计算。     

一种基于整体变分自适应图像平滑去噪的方法

在图象处理过程中,图象降噪是底层的处理,将影响图像的后继分析处理质量。基于整体变分法的一种自适应TV去噪方法,它根据图像中每一像素点的梯度信息,自适应选取去噪模型中决定平滑强弱的参数P,从而达到较好的去噪效果。仿真实验结果表明方法的有效性。     

基于整体变分图象恢复模型的小波域正则化方法

通过改进小波软阈值收缩的过程,提出了小波框架下的整体变分正则化模型.模型中利用改进小波阈值技术选取合适的需要保留的小波系数,然后对该系数重建图象进行空域各向异性扩散处理.文中提出了该变分问题完整的空域和小波域交替迭代的图象恢复算法.实验证明,该算法不仅具有较强的噪声抑制能力,而且能够保持和增强图象的边缘,大大提高了图象的视觉质量.     

变分贝叶斯估计图像滤波去噪算法

图像在拍摄获取、存储和传输等过程中,由于操作、光线等会造成各种噪音.变分贝叶斯估计图像滤波去噪算法,是通过平均场理论将隐变量的后验按维度展开得到计算框架,并按维度迭代更新估计结果至算法收敛,引入新的隐变量,给出过程噪声后验分布.输入向量X(n)和期望响应d(n)被用来计算估计误差e(n),并利用此误差信号构造一个自适应...     

小波阈值去噪在图像去噪中的应用

小波阈值去噪分为硬阈值去噪和软阈值去噪,它们的去噪思想都是在小波分解后的各层系数中,对模大于和小于某个阈值的系数分别进行处理.本文主要针对图像去噪,将一幅图像分别进行软和硬阈值去噪的方法进行比较,得出无论阈值门限设为何值,软阈值的去噪效果总是比硬阈值的去噪效果好这个结论.     

基于整体变分正则的图像盲恢复研究

实现了一种基于TV正则化的图像盲恢复算法。采用了交替迭代算法．保证迭代中能同时恢复出图像以及点扩张函数．并在每步迭代中自适应调整其扩散参数。实验结果也显示了迭代过程的收敛以及鲁棒性（特别是对于非连续的模糊），而且图像和点扩张函数可以在很高的噪声级下恢复。     

基于整体变分正则的图像盲恢复研究

实现了一种基于TV正则化的图像盲恢复算法。采用了交替迭代算法,保证迭代中能同时恢复出图像以及点扩张函数,并在每步迭代中自适应调整其扩散参数。实验结果也显示了迭代过程的收敛以及鲁棒性(特别是对于非连续的模糊),而且图像和点扩张函数可以在很高的噪声级下恢复。     

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。     

声音信号采用小波去噪和小波包去噪的比较

受外界条件等因素的影响,采集到的声音信号中不可避免存在着大量的突变信号,因此需要对其进行降噪处理.传统的傅里叶分析不能同时分析信号在时域和频域的全貌和局部化特征,而这些局部化信息恰恰是表征声音信号的关键特质.小波变换在突变信号分析中得到广泛的应用,在声音去噪应用中取得了良好的效果,比较了小波分析和小波包分析两种去噪方法.     

WBCT与变分正则化方法的医学图像去噪

在分析几种变分正则化去噪模型的基础上,改进了变分正则化去噪模型,它是各向异性扩散的,去噪效果好,但计算量较大.由于WBCT的阈值法去噪速度快,本文提出了混合去噪方法,充分利用两种方法的优点,先对噪声图像做WBCT,高频子带用WBCT的阈值法去噪,对低频子带用改进的变分正则法去噪,然后用WBCT逆变换重建图像.实验结果表...     

近似最优正则化参数方法在电容成像图像重建中的应用

将基于近似最优正则化参数的Tikhonov方法应用于电容成像(Electrical capacitance tomography,ECT)图像重建以解决其中存在的病态性问题,并利用几种典型分布对该方法进行仿真测试。数值结果表明,在先验知识满足的条件下,近似最优参数法所找到的正则化参数是对最优正则化参数的较合理近似。在重建结果方面,基于近似最优参数的Tikhonov方法在不同的介电常数分布下与目前普遍采用的线性反投影算法(Linear back projection,LBP)各有优势。结果表明,该方法尚不能完全取代LBP算法,但能在一定程度上弥补LBP算法的不足。     

Tikhonov正则化方法在带噪数字图像缩放中的应用

利用正则化方法对带噪声图像的缩放问题进行了讨论,提出带噪图像缩放的变分模型,并利用样条构造出变分模型的解。该方法使得带噪图像在进行缩放时噪声的影响得到了较好抑制,通过选择不同的正则参数,可以得到不同效果的缩放结果。     

一种图象恢复效果接近最优的正则化方法

提出一种新的技术，它自适应地选取正则化参数以取得较理想的恢复效果．利用小波变换，分析正则化算子和正则化参数对图象残差的各子频段能量的影响．在本文条件下，我们论证正则化算子取拉普拉斯算子比取恒等算子恢复性能好,并且预测噪声能量．实验结果表明本文提出的方法不需要知道噪声能量，也能够自适应地确定正则化参数并且恢复性能比传统的方法好，恢复效果非常接近最优恢复．     

A Study of a Convex Variational Diffusion Approach for Image Segmentation and Feature Extraction

We analyze a variational approach to image segmentation that is based on a strictly convex non-quadratic cost functional. The smoothness term combines a standard first-order measure for image regions with a total-variation based measure for signal transitions. Accordingly, the costs associated with discontinuities are given by the length of level lines and local image contrast. For real images, this provides a reasonable approximation of the variational model of Mumford and Shah that has been suggested as a generic approach to image segmentation.The global properties of the convex variational model are favorable to applications: Uniqueness of the solution, continuous dependence of the solution on both data and parameters, consistent and efficient numerical approximation of the solution with the FEM-method.Various global and local properties of the convex variational model are analyzed and illustrated with numerical examples. Apart from the favorable global properties, the approach is shown to provide a sound mathematical model of a useful locally adaptive smoothing process. A comparison is carried out with results of a region-growing technique related to the Mumford-Shah model.     

基于小波自适应阈值图像去噪方法的研究

利用小波变换对图像去噪是一种非常有效的方法。传统的小波去噪算法对图像去噪后的平滑效果不是很好,图像细节清晰度不够高,甚至会产生伪吉布斯现象。针对这些现象,文中提出了一种改进的基于小波变换的多尺度自适应阈值图像去噪方法。该方法根据图像小波分解的特性,确定适合小波分解后不同层系数去噪的较优阈值,然后结合恰当的阈值函数对各层高频系数进行处理来达到去噪效果。实验结果表明,与传统方法相比,该方法运算量较小,能有效去除高斯白噪声,进一步提高峰值性噪比,同时能够很好地保留图像细节信息。     

一种获取正则化参数的新方法

提出了一种获取正则化参数的新方法。利用随机理论解决正则解模糊误差能量期望值最小化问题,确定正则化参数。对正则化算子给定为Laplacian算子的情形予以测试,实验结果表明该文的恢复技术比传统方法的恢复性能好,恢复效果接近最佳且性能稳定。     

小波估计图像棱边分布的边缘保持规整化复原

为了从模糊图像中更准确地估计真实棱边分布,并将其用作边缘保持规整化复原的约束条件,提出小波多尺度分析的复原方法.该方法组合多个尺度的小波细节求相关,得到表征棱边分布的小波子带图像;在各向异性Markov随机场模型的基础上,选取满足边缘保持条件的势函数,将各方向小波子带滤波器代替梯度算子构造惩罚项,从而减少参数个数,降低训练复杂度;最后给出参数的自适应取值方法,并使用半二次规整化方法求解.实验结果证明,该方法复原的视觉效果优于梯度算子的方法,适合处理模糊尺度较大的图像.     

基于字典学习正则化的图像去噪

稀疏表示因其具有稀疏性、特征保持性等一些特点而被广泛应用于图像处理等领域,为解决图像处理中的去噪问题,提出一种基于图像特征稀疏表示的贝叶斯去噪模型.利用K-means和主成分分析方法计算已分割图像块对应字典的矩阵系数,采用正则化约束条件,迭代计算获取的图像字典与原始图像字典之间的差距,优化噪声图片稀疏特征表示的字典,直到达到优化条件.实验结果表明,与传统的离散余弦变换去噪模型相比,该模型的峰值信噪比较高,随着噪声的不断提高,与噪声图像峰值信噪比的差距也越来越大,且图像失真较少.