基于离散小波阈值的偏微分图像去噪

小波方法和偏微分方程方法是图像去噪中的主要方法。该文提出基于离散小波变换对图像进行阈值去噪,得出了小波阈值的偏微分方程表示形式,在此基础上研究偏微分方程的解法,采用分数步的小波阈值方法对图像去噪,得到了较好的去噪效果,同时可以保护边缘。数值试验结果表明,该方法具有比小波方法更好的去噪效果,能获得较高的信噪比。     

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。     

数字图像处理中的偏微分方程方法综述

数字图像处理中的偏微分方程(PDE)方法近年来发展非常迅速,PDE方法旨在建立偏微分方程的数学模型,而后令图像遵循此偏微分方程变化,最终达到预想的效果。通过偏微分方程处理图像之后得到的效果是用传统方法达不到的。现结合国内外研究现状详细地阐述了图像去噪、图像复原、图像分割、图像增强这4类PDE模型,同时也分析了偏微分方程建立、偏微分方程求解和偏微分方程实现这3个主要的过程。     

小波系数扩散的多步图像去噪方法

为了研究小波和偏微分方程在图像去噪方面的相关性,对小波阈值去噪过程进行了分析,得到了基于小波变换的偏微分方程关系式.利用小波变换的模代替梯度算子的模检测边缘,能较好地实现对图像特征的平滑.在此基础上进一步研究了该关系式的解法,提出了小波系数扩散的多步图像去噪方法.该方法通过对小波系数归一化,把得到的状态权通过各向异性扩散后作用在原小波系数上,采用多步方法实现了图像去噪,达到了既保护边缘又去除噪声的目的.数值实验结果表明:该方法使峰值信噪比平均提高约1.9dB,视觉效果也有较大提高.     

偏微分方程在图像去噪中的应用

论文分析了偏微分方程在图像去噪方面的应用,分析现有方法的理论基础、存在的问题以及在去噪中的优点。给出实验结果,对比几种方法在去噪中的不同应用。分析了偏微分方程去噪存在的不能恢复纹理的缺点,提出了今后改进的方向。     

分数阶偏微分方程在图像处理中的应用

分数阶偏微分方程在图像处理中的应用已受到了广泛的关注,尤其在图像去噪和图像超分辨率（SR）重建方面,目前的研究成果已显示了分数阶应用的优势与效果。对分数阶微积分在图像处理中的作用进行了分析;介绍并讨论了分数阶偏微分方程在图像去噪和图像超分辨率重建中的相关理论与模型;通过仿真实验表明,基于分数阶偏微分方程的方法在去噪和减少阶梯效应等方面比整数阶偏微分方程更具有优势;最后指出了未来的相关研究问题。     

一种基于一致锐度算子的图像去噪方法

利用一致锐度算子的两个特性,结合小波变换与偏微分方程的方法,提出一个新的图像去噪方法.经仿真实验,表明该方法具有很好的图像去噪效果.     

利用点扩展函数信息的变分图像去噪及增晰方法

基于偏微分方程(PDE)及变分法的图像去噪方法利用其数学特性得到了优于传统方法的结果,但很多模型只考虑了去噪的问题。通过对最小化凸能量函数模型引入点扩展函数信息,构造了具有去模糊效果的变分去噪模型,采用了Kacˇanov线性化方法进行求解,得到了更好的结果,实验结果及数据证明了模型的有效性。     

具有纹理保持能力的四阶偏微分方程去噪方法

虽然四阶偏微分方程图像去噪方法能得到较好的分段光滑的结果,但这类方法常破坏图像的纹理信息。提出了一种具有保持图像纹理信息能力的四阶偏微分方程去噪模型。利用垂直于梯度方向的图像二阶导数设计了一种新的代价函数。证明了该函数解的存在性与唯一性并给出了其对应的Euler-Lagrange方程。在实验方面,用大量真实的纹理图像验证了新方法。实验结果表明,新方法在去噪的同时图像的边缘与细节得到了较好的保持。     

PDE模型在声纳图像去噪中的应用研究

偏微分方程方法在光学图像去噪中已有很多成功的应用,但用于声纳图像去噪的情况还不多见。针对声纳图像受噪声污染严重的问题,将偏微分方程原理引入到声纳图像去噪中,重点讨论了两种偏微分方程模型:ROF模型和四阶扩散模型。基于这两种模型对声纳图像进行去噪处理,仿真实验证明了偏微分方程去噪算法的有效性,并对比分析了两种模型的去噪性能。ROF模型适用于低信噪比条件下的声纳图像处理,而四阶扩散模型在高信噪比条件下,能够很好地保持图像边缘,但当噪声污染严重时,其去噪后的SNR比ROF模型去噪低了近10 dB,不利于声纳图像处理。     

一种边缘保持的医学图像去噪方法

医学图像去噪在图像处理中占有重要地位,对获取的医学图像进行去噪是进一步分析和计算的基础.将一维经验模式分解方法扩展到二维,提出了基于二维经验模式分解的医学图像边缘保持去噪方法.该方法先将图像进行经验模式分解,得到内蕴模式分量IMF和剩余分量,图像的噪声及边缘信息主要集中在IMF中;然后再将IMF进行经验模式分解,得到IMF的高频分量和剩余分量;最后将两次分解的剩余分量叠加,得到边缘保持的去噪图像.实验结果表明,处理后的图像较传统的医学图像去噪方法有明显的改善,在有效去噪的同时增强了边缘保护的能力.     

An adaptive edge-preserving image denoising technique using patch-based weighted-SVD filtering in wavelet domain

Image denoising has always been one of the standard problems in image processing and computer vision. It is always recommendable for a denoising method to preserve important image features, such as edges, corners, etc., during its execution. Image denoising methods based on wavelet transforms have been shown their excellence in providing an efficient edge-preserving image denoising, because they provide a suitable basis for separating noisy signal from the image signal. This paper presents a novel edge-preserving image denoising technique based on wavelet transforms. The wavelet domain representation of the noisy image is obtained through its multi-level decomposition into wavelet coefficients by applying a discrete wavelet transform. A patch-based weighted-SVD filtering technique is used to effectively reduce noise while preserving important features of the original image. Experimental results, compared to other approaches, demonstrate that the proposed method achieves very impressive gain in denoising performance.     

利用多小波的改进多层阈值对超声图像降噪

医学超声图像存在特有的斑点噪声,大大降低了图像质量,必须进行降噪处理。多小波具有比单小波分解更加精确、去噪效果更好的特点。对超声图像进行分形插值多小波分解,根据多小波分解后的能量分布特性,提出了改进多层阈值与模糊聚类相结合方法,将小波系数模糊聚类分成噪声和信号两类,然后在不同尺度对信号小波系数进行不同阈值萎缩处理,实现降噪目的。结果表明该方法优于硬阈值和软阈值法,可有效地降低图像斑点噪声并保留图像细节。     

Image denoising using statistical model based on quaternion wavelet domain

Image denoising is the basic problem of image processing.Quaternion wavelet transform is a new kind of multiresolution analysis tools.Image via quaternion wavelet transform,wavelet coefficients both in intrascale and in interscale have certain correlations.First,according to the correlation of quaternion wavelet coefficients in interscale,non-Gaussian distribution model is used to model its correlations,and the coefficients are divided into important and unimportance coefficients.Then we use the non-Gaussian distribution model to model the important coefficients and its adjacent coefficients,and utilize the MAP method estimate original image wavelet coefficients from noisy coefficients,so as to achieve the purpose of denoising.Experimental results show that our algorithm outperforms the other classical algorithms in peak signal-to-noise ratio and visual quality.     

基于边缘扩散的医学图像非线性去噪算法*

在对医学图像去噪的同时保留边缘信息,对于后期的诊断具有重要的意义。分析了ＰＭ和Ｃａｔｔｅ算法 以及它们的不足,提出了一种基于边缘扩散的非线性去噪方法,通过边缘检测把图像分为边缘和非边缘两部分, 非边缘区域通过各向同性算法去噪;边缘区域通过各向异性算法去噪,改进扩散形式,只沿边缘方向扩散去噪。 实验表明方法非常有效,带噪声的医学图像经过改进后的算法去噪处理,图像质量得到明显的改善。     

带有高阶耦合项的各向异性扩散图像复原*

二阶各向异性扩散进行图像去噪容易产生块效应。针对这个方面的不足,通过在整体方差模型中引入高阶耦合项,使图像边缘得到保持的同时得到分片光滑的结果。分析了耦合系数和迭代次数对图像复原结果的影响。实验结果证明,引入高阶耦合项的新模型能够很好地防止块效应的产生。新模型与其他两种模型(整体方差模型、四阶偏微分复原模型)的图像复原相比,最大峰值信噪比比整体方差高出2 dB,比四阶偏微分高出1dB左右。     

基于U-Net融合的保留纹理的图像去噪方法

图像的噪声阻碍了高级视觉任务对图像的理解,且去除图像的噪声是一个具有挑战性的任务.现有的基于卷积神经网络的图像去噪方法在去除噪声的同时,对图像纹理会引入一定程度的破坏,导致去噪后图像无法保留图像的纹理.为了解决这个问题,本文提出一种用二分支U-Net网络来融合特征和保留纹理的图像去噪方法.首先选取一种去噪方法的两个不同去噪参数的预训练模型分别得到同一张噪声图像的不同去噪结果,其中一个结果中去噪效果比纹理保留效果好,另一个结果中纹理保留比去噪效果好.然后将这两个去噪图像作为卷积神经网络的输入,利用两个编码器分别提取图像的特征,并同时放入融合模块融合图像的特征,最后利用解码器重建出无噪声图像.实验结果表明,与现有的方法相比本文的方法更有效,在去除噪声的同时能保留更多的图像纹理信息.     

一种新的片上抑制CMOS图像传感器暂态噪声方法术

暂态噪声是CMOS图像传感器暗光下噪声的重要组成部分,不但影响图像质量,而且限制图像动态范围的提高。提出了一种新的自适应片上抑制CMOS图像传感器暂态噪声的方法。将多帧采样图像进行空间转换,使用自适应增益将多帧采样图像中相应像素进行加权平均,进行空间逆变换,得到去噪后的像素值。对20组图片进行实验,结果表明算法能够克服...     

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。     

A fusion estimation method based on fractional Fourier transform

Image denoising methods have different denoising performance in both spatial and transform domains, and each method has its relative advantages and inherent shortcomings compared with other methods. A very intuitive idea is to find that an effective fusion method that can combine with the advantages of different denoising methods. In this paper, we propose a novel fusion method based on the fractional Fourier transform and apply it to image denoising problem. Our method is mainly divided into three steps: Firstly, a pre-estimation is made by any two denoising method separately in the spatial domain. Secondly, using these two estimated results as well as their Fourier transform, twice Fourier transform and three times Fourier transform, we obtain a fused result in the fractional Fourier transform domain. Thirdly, the inverse fractional Fourier transform and the modulus operation are used to obtain the final fusion result. Obviously, this approach is the fusion method in four different domains. Experimental results on benchmark test images demonstrate that the proposed method outperforms state-of-the-art stand-alone methods as: BM3D, DDID, MLP, EPLL and also superior to the fusion methods such as classic wavelet fusion method, PCA fusion method and the state-of-the-art CIEM fusion method in terms of quantity value such as the peak signal to noise ratio (PSNR), the structural similarity (SSIM), and visual quality.