基于小波维纳滤波和各项异性扩散的图像去噪

提出一种基于小波和各项异性非线性扩散的新图像去噪算法。小波域局部阈值维纳滤波是一种简单有效的去噪方法,利用该方法先对原始图像进行初步去噪,以此引导非线性扩散模型中的边缘检测函数,再用非线性扩散进行去噪。实验表明:该算法不仅很好地保存了图像的边缘信息,而且有效地去除了图像中的大部分噪声,无论是视觉效果还是客观标准上都优于单纯的小波域维纳滤波或各项异性非线性扩散去噪。     

选择性保真的各项异性扩散模型

基于ROF模型中的全局保真项和结合局部熵的各项异性扩散模型(简称Zhao模型)中的扩散系数,提出一个新的选择性保真项,该保真项可以根据图像的特征信息自适应保真。将该选择性保真项添加到Zhao模型中,提出一个新的各项异性扩散模型。实验结果表明,相比Zhao模型,该模型具有更好的边缘纹理保真效果以及更强的去噪能力。     

耦合冲击滤波器的片相似性各向异性扩散模型

在图像去噪过程中,为保持图像边缘并去除噪声,提出一种结合片相似性各向异性扩散(AD)和冲击滤波器的图像去噪和增强模型。采用片相似性AD模型去除图像中的噪声,引入冲击滤波器增强图像的重要结构特征。构造关于图像梯度模的函数,并自适应地调节图像在同质区域、细节和边缘区域的增强系数,在增强图像细节的同时,抑制噪声的放大和过冲现象。实验结果表明,该模型在视觉效果和客观评价指标方面均优于传统的AD模型、片相似性AD模型、结合冲击滤波器的AD模型,不仅能有效地去除噪声,且更好地保留了图像的细节和边缘特征。     

基于片相似性和最大似然期望最大化的低剂量CT重建算法

针对低剂量计算机断层成像(CT)重建的图像产生严重退化的问题,提出一种基于片相似性各项异性扩散和最大似然期望最大化(MLEM)的低剂量CT重建算法.首先,采用基本的MLEM算法对低剂量投影数据进行重建;然后,由于片相似性在降噪的同时,也能较好地保持图像的边缘和细节信息的特点,对重建后的图像使用基于非局部理论思想的片相似性降噪方法处理;最后,由于低剂量投影数据还存在脉冲噪声点,使用中值滤波对图像进行处理.采用Sheep-Logan体模作为实验模型进行低剂量CT图像重建的仿真,与BI-MART、BI-MLEM、基于方差的ELEM和基于结构相似性的MLEM算法进行了对比.实验结果表明,所提算法的信噪比(SNR)高达10.216 308 dB,与对比算法相比,视觉效果更优,且有更小的归一化均方误差(NMSE)、均方绝对误差(MAE)和归一化均方距离(NMSD).所提算法重建出来的图像能在光滑去噪的同时有效地保持图像的细节和边缘信息,既能有效地保持弱梯度和纹理,又不存在各项异性扩散存在的明显阶梯效应.     

基于非局部均值化的医学图像去噪

基于非局部均值的方法,先对CCD摄像机获得的医学视频图像截取感兴趣帧进行噪声方差估计,然后进行去噪.实验表明,将非局部均值图像去噪算法运用于医学图像去噪能获得较好效果.     

无监督多重非局部融合的图像去噪方法

非局部均值去噪 (Non-local means, NLM) 算法利用图像的自相似性, 取得了很好的去噪效果. 然而, NLM 算法对图像中不相似的邻域块分配了过大的权重, 此外算法的搜索窗大小和滤波参数等通常是固定的且无法根据图像内容的变化做出自适应的调整. 针对上述问题, 本文提出一种无监督多重非局部融合 (Unsupervised multi-non-local fusion, UM-NLF) 的图像去噪方法, 即变换搜索窗等组合参数得到多个去噪结果, 并利用 SURE (Stein's unbiased risk estimator) 对这些结果进行无监督的随机线性组合以获得最终结果. 首先, 为了滤除不相似或者相似度较低的邻域块, 本文引入一种基于可微分硬阈值函数的非局部均值 (Non-local means with a differential hard threshold function, NLM-DT) 算法, 并结合快速傅里叶变换 (Fast Fourier transformation, FFT), 初步提升算法的去噪效果和速度; 其次, 针对不同的组合参数, 利用快速 NLM-DT 算法串联生成多个去噪结果; 然后, 采用蒙特卡洛随机采样的思想对上述多个去噪结果进行随机的线性组合, 并利用基于 SURE 特征加权的移动平均滤波算法来抑制多个去噪结果组合引起的抖动噪声; 最后, 利用噪声图像和移动平均滤波后图像的 SURE 进行梯度的反向传递来优化随机线性组合的系数. 在公开数据集上的实验结果表明: UM-NLF 算法去噪结果的峰值信噪比 (Peak signal to noise ratio, PSNR) 超过了 NLM 及其大部分改进算法, 以及在部分图像上超过了 BM3D 算法. 同时, UM-NLF 相比于 BM3D 算法在视觉上产生更少的振铃伪影, 改善了图像的视觉质量.     

基于非局部自相似性的谱聚类图像去噪算法

常见的图像去噪方法只是单独地利用了无噪图像或含噪图像的先验信息,并没有将这两种图像的先验信息有效地结合起来。针对这个问题,提出一种 联合无噪图像块的先验信息和含噪图像块的非局部自相似性进行去噪的图像去噪算法。首先,对无噪图像块进行谱聚类,通过谱聚类进行学习,图像中的相似块被聚集到同一类,并将学习得到的聚类信息用于含噪图像块的聚类;然后,向量化同一类中的含噪图像块并聚集形成一个矩阵,该矩阵中包含的原始图像数据构成一个低秩矩阵;再通过一个低秩逼近过程估计出相应的原始图像数据;最后,根据逼近得到的原始图像数据重建图像。实验结果表明,相较于已有的自适应正则化的非局部均值去噪算法以及基于主成分分析和局部像素聚类的两级图像去噪算法,提出的算法不仅可以获得较大的峰值信噪比,而且还能较好地保存图像的细节,取得了更好的去噪效果。     

噪声方差未知的小波域中非局部均值图像去噪

为了有效地去除噪声,获得细节清晰的图像,提出一种噪声参数未知情况下基于小波分析的图像去噪算法.首先对图像上交互选定的不含细节的样本区域进行小波分解,根据噪声方差在不同尺度、不同方向子带内的映像建立噪声的特征向量;利用此特征向量计算小波分解后高频子带内各小波系数之间的相似度,把该相似度作为权值对当前小波系数进行调整.实验结果表明,文中算法对于噪声方差未知的图像不仅能有效地去除噪声,而且能保持图像的边缘信息,获得较好的去噪效果;对实拍的含噪数码照片进行测试的效果理想.     

基于改进的非局部均值去噪算法

非局部均值(Non-Local Means,NLM)利用图像块之间灰度值的欧式距离确定权重,距离越小权重越大。不过,这种权重计算方法忽略了图像块之间的结构相似性。为解决这个问题,提出了一种结合图像结构信息的非局部均值去噪方法。该方法同时利用图像块之间的灰度距离、结构相似性来确定权重。实验结果表明该方法在PSNR、SSIM标准下均优于NLM及其一些改进算法。     

一种改进的非局部均值图像去噪算法

非局部均值滤波算法（Non-Local Means,NLM）有良好的去噪效果,且能保持图像细节。但其复杂度过高引起效率低下,在噪声增大时去噪精度明显下降。快速非局部均值滤波（Fast Non-Local Means,FNLM）虽然提高了算法的效率,但去噪效果没有明显改善,在噪声增大时去噪效果仍不理想。针对该问题,提出一种新的非局部均值滤波算法,算法将Turky型函数与指数型相结合,提出一种新的指数-Turky型权值核函数,替代原NLM算法和FNLM算法中的指数型核函数,同时综合了结构相似性（Structural Similarity,SSIM）和欧氏距离来衡量图像邻域间的相似性,从而使得权值的选取更加合理,有效排除图像中不相似邻域的干扰,提高了算法的去噪性能。通过对添加不同噪声水平的高斯噪声图像进行实验,结果表明提出的算法在去噪性能上与NLM和FNLM相比有较大提高,尤其对于噪声较大的图像效果更为显著,在去噪效率上与NLM相比有明显提高,与FNLM算法的时间复杂度相当,时耗接近略有降低。     

改进的各向异性复扩散模型的医学图像去噪方法

对医学图像进行有效的去噪并保持边缘信息,有利于图像的后续处理.本文分析P-M模型和Gilboa的复扩散模型以及它们的不足,提出一种改进的各向异性复扩散模型.该方法先用中值滤波对图像进行预处理,去除梯度值大的噪声点,然后用图像的虚部求扩散系数,以此引导扩散模型中的边缘检测函数,再进行八邻域像素的扩散过程.实验表明,该方法能达到较理想的去噪和保持边缘的效果,而且减少了迭代次数,缩短了计算时间.     

一种复合各向异性扩散的图像去噪算法

本文提出一种复合各向异性扩散滤波算法,将降斑各向异性扩散(Speckle reducing anisotropic diffusion,SRAD)模型中对边缘敏感的瞬态系数(Instantaneuos coefficient of variation,ICOV)算子运用到了非线性相干扩散(Nonlinear coherent diffusion,NCD)相干模型中,并基于统计学提出ICOV算子的相关系数矩阵对图像的相关度进行度量,系数矩阵的值是每个ICOV算子与其所在行与列的相关度,此相关度的值在边缘附近会取到极大值,这个对图像的边缘检测有很好的度量,根据每个像素与其周围像素的相关度对边缘附近的扩散的强度进行修改,对图像进行更为之有效、更准确的非线性去噪与边缘加强.实验结果表明,与其他各向异性算法相比,本算法可获得更好的性能指标,具有更好的去噪效果和保留边缘功能.     

高阶各向异性扩散小波收缩图像降噪算法

证明一种高阶各向异性扩散与小波收缩的等价性,并根据等价性利用高阶各向异性扩散与小波收缩的优势,提出高阶各向异性扩散小波收缩降噪算法。该算法在低频部分采用经典的非线性扩散方法进行扩散,在高频部分采用高阶各向异性扩散方法进行小波收缩。实验结果表明,高阶各向异性扩散小波收缩算法的计算复杂性介于高阶各向异性扩散与小波收缩算法之间,降噪能力高于这2种方法。     

基于剪切波和改进P-M扩散的图像去噪

针对多尺度几何分析方法去噪时产生的伪Gibbs效应和各向异性扩散模型产生的阶梯效应,提出一种基于剪切波的改进各向异性扩散图像去噪方法。首先对噪声图像进行剪切波变换得到不同尺度的系数矩阵,然后利用改进的各向异性扩散方程对变换后的系数进行处理,实现建立在对图像精细分析基础上的各向异性扩散模型。实验结果表明,该方法能较好地抑制噪声和保持边缘,同时有效地抑制伪Gibbs效应,取得良好的视觉效果。     

基于各向异性扩散方程的多层次并行图像去噪

针对利用各向异性扩散方程的去噪模型在求解中存在计算量大、耗时长、影响实时性等缺点,本文充分利用并行知识,提出了有效的解决方案。即基于各向异性扩散去噪模型,设计工作站机群平台,对噪声图像进行条状重叠的数据划分,以便实现算法节点内与节点间的两级并行策略:在机群结点内部采用共享内存结构,机群节点间采用分布内存结构,以二者的最优结合实现并行的层次结构化,从而得到一种高效的多层次并行图像去噪算法。实验结果表明,在基于混合模型的并行环境下,该算法能在一定程度上提高原算法的计算效率,不仅有效地缩短了运行时间,而且仍能获得与其相当的图像去噪质量。     

基于模糊异质扩散的图像去噪方法

将模糊思想与Perona-Malik方法相结合,提出一种新的基于模糊理论的图像异质扩散滤波方法。把异质扩散方程中的边界停止函数看作像素梯度对于图像连续平滑区域的模糊隶属度函数,利用模糊熵的概念来确定图像中分片连续区域间的边界阈值σ。本文的模糊方法和其他经典方法的异质扩散比较实验说明,该方法在保持图像的细节方面更具有优越性。     

一种基于各向异性扩散方程的自适应去噪方法

提出了一种基于各向异性扩散方程的图像自适应去噪方法。分析了各向异性扩散方程在图像除噪中的实现原理,将一种改进的图像结构相似度算法与各向异性扩散方程相结合,实现了对图像的自适应滤波。实验结果表明,改进的结构相似度算法在自适应滤波的应用中有一定的优越性和较好的鲁棒性。     

基于方向信息测度的非线性扩散图像去噪方法

在研究非线性扩散方法图像去噪的基础上,针对非线性系数扩散问题,提出了应用图像方向信息控制扩散系数的非线性扩散方法,该方法利用方向信息测度来表征图像的区域性质,不仅降低了噪声的干扰,而且克服了其他方法必须先进行高斯卷积的影响,并有效控制了各点的扩散行为。实验结果证明该方法是可行的,该方法在图像去噪的同时保持了图像的重要特征,取得比较理想的效果。     

一种新型图像噪声抑制各向异性扩散算法

噪声抑制是红外图像处理中一个重要的研究课题,但常用的去噪算法会造成细节的损失。为有效地抑制噪声,同时保护边缘,在P-M扩散模型的基础上,提出了一种新的基于方向信息测度和边缘隶属度的各向异性扩散滤波算法。该算法的核心内容是将图像分为边缘区和非边缘区两个区域,对非边缘区采用常规P-M扩散方程完成噪声的滤除,对边缘区采用基于方向信息测度的非线性扩散方法,在平滑去噪的同时对边缘进行修整、增强。最终的仿真结果表明,该算法的峰值信噪比、均方误差、辐射分辨率等参数均优于常规算法,该算法具有良好的前景和实用价值。