一种基于Contourlet变换的图像去噪方法

在变换域阚值去噪过程中，阈值的选取和阚值处理方法至关重要。提出一种基于conmurlet变换的图像去噪方法。采用分层阈值，为每一级contourlet系数选取一个阈值。阈值处理中给出一种基于邻域的阈值处理方法，不仅考虑单个系数幅值的大小，而且考虑它的邻域系数幅值的大小。同时为了抑制在去噪图像边缘附近的伪吉布斯效应，引入cycle spinning来抑制这种图像失真。实验结果表明，利用文中去噪方法进行去噪比其他方法得到更好的视觉效果和更高的PSNR值。     

一种基于Contourlet变换的图像去噪方法

在变换域阈值去噪过程中,阈值的选取和阈值处理方法至关重要。提出一种基于contourlet变换的图像去噪方法。采用分层阈值,为每一级contourlet系数选取一个阈值。阈值处理中给出一种基于邻域的阈值处理方法,不仅考虑单个系数幅值的大小,而且考虑它的邻域系数幅值的大小。同时为了抑制在去噪图像边缘附近的伪吉布斯效应,引入cycle spin-ning来抑制这种图像失真。实验结果表明,利用文中去噪方法进行去噪比其他方法得到更好的视觉效果和更高的PSNR值。     

基于小波域加权阈值的图像去噪方法

针对小波全局阈值去噪的缺点,介绍了一种子带自适应的阈值加权算法。通过对图像小波分解系数统计特性的分析,提出了一种近指数模型作为分解层之间小波系数的先验分布。在此基础上,对比噪声图像和无噪图像在各尺度下统计特性,给出了一种子带自适应的加权阈值计算方法,避免了各层子带去噪的不平衡。实验表明,与全局阈值和其它子带自适应阈值去噪方法相比,基于加权阈值的图像去噪方法能获得更高的信噪比和更好的视觉效果。     

一种用于人脸识别的contourlet域稀疏表示分类器

超完备稀疏表示法可以有效解决人脸识别领域中由于光照、表情变化、遮挡和噪声问题等原因造成的性能瓶颈.基于超完备稀疏表示法,将人脸识别问题看作是为多个线性回归模型中的分类问题,提出了一种基于Contourlet域的稀疏表示分类器,改进了利用主成分分析进行数据预处理所造成的鉴别信息丢失,提升了稀疏表示分类器的鉴别能力.在ORL库、Yale库、扩展Yale库和PIE库上大量实验结果验证了算法的有效性.     

基于小波阈值和全变分模型的图像去噪

针对小波阈值函数去噪不彻底并且造成图像边缘模糊的问题,提出一种自适应小波阈值和全变分模型相结合的去噪方法。利用小波变换的时频域特性将含噪图像分解得到各维度小波系数,对低频小波系数利用全变分模型去噪,对于高频系数根据不同分解尺度选择不同的最佳阈值去噪,克服了统一阈值的不足,增强了算法的自适应性。理论分析和仿真实验结果表明,所提方法兼顾了小波变换和全变分模型的去噪优点,在有效去除噪声的同时更完整地保留了图像的边缘和细节信息,有较高的结构相似度和峰值信噪比。     

基于Curvelet域隐马尔可夫树模型的SAR图像去噪

从SAR图像相干斑噪声的统计特点出发,将Curvelet变换与隐马尔可夫树(HMT)模型相结合,提出了一种基于Curvelet域隐马尔可夫树(HMT)模型的图像去噪方法.利用HMT模型捕获Curvelet系数之间的尺度从属性,较好地实现了普通图像去噪和SAR图像的相干斑噪声抑制,同时分析了文中算法的去噪机理和计算复杂度.仿真实验证明,与小波域HMT模型方法和Curvelet变换方法比较,主观视觉效果和数值指标都有明显改进.平滑指数(FJ)值大小适中,水平和垂直边缘保持指数(ESI)平均提高了约0.2～O.3.     

基于Context模型的小波变换阈值自适应图像去噪

根据噪声和信号的小波系数在不同分解尺度、不同方向上高频系数的分布不同,结合Context模型,提出基于Context模型的小波变换阈值自适应图像去噪算法。该算法通过对不同尺度和方向的小波分解系数应用不同的阈值方法进行去噪。实验表明,方法能较好地去除图像噪声和保留图像边缘细节信息,在提高去噪图像信噪比值和改善视觉效果方面都表现出了良好的性能。     

基于双树复小波二元统计模型的图像去噪方法

为了更有效地进行图像去噪,提出了一种基于双树复小波二元统计模型的图像去噪方法,该方法先用带参数的二元广义高斯分布(GGD)来模拟原图双树复小波系数的统计分布;然后结合最大似然估计(MLE)得到优化的参数估计;最后在此先验分布的基础上,运用最大后验概率(MAP)来估计从噪声图的小波系数中恢复原图的系数,从而达到去噪的目的。实验表明该新方法不仅可以干净地去除图像的噪声,还可以有效地保留图像细节,取得了良好的去噪效果,尤其是去噪图像的视觉效果要明显优于目前的很多算法。     

基于平稳小波域的各向异性扩散图像去噪方法

针对传统的各向异性扩散去噪方法存在的导致图像细节丢失的问题,提出了一种基于平稳小波域的各向异性扩散图像去噪方法。该方法根据平稳小波变换的特性,通过在高频和低频子带上选用不同的梯度门限进行各向异性扩散,然后进行重构得到去噪后的结果图像。实验结果表明,该方法在有效去除噪声的同时,图像细节保留较好,去噪后的图像具有更好的质量。     

基于NSCT域邻域收缩的SAR图像去噪

针对合成孔径雷达（Synthetic Aperture Radar,SAR）图像受到相干斑噪声的干扰,严重影响了SAR图像的后续处理的问题,提出一种在非下采样轮廓变换（Nonsubsampled Contourlet Transform,NSCT）域将中值滤波和邻域收缩法相结合的SAR图像去噪算法。该算法对原始SAR图像进行NSCT分解,得到低频子带和高频子带图像,对低频子带使用中值滤波处理以去除低频子带中的低频噪声,利用NSCT分解系数之间的相关性,使用邻域收缩法对子带图的系数进行收缩,以消除高频子带中的高频噪声。实验证明,该算法与小波域邻域收缩去噪算法和NSCT硬阈值去噪算法相比,在去噪性能和视觉效果方面均有所提高,在消除噪声同时可以较好地保护纹理细节信息。     

基于Cycle-spinning的多帧图像Contourlet去噪

本文提出一种改进的Cycle-spinning多帧Contourlet域图像去噪算法。根据视频序列连续帧间存在的运动信息,使用帧间位移矢量来代替平移技术对图像进行Contourlet去噪,基于帧间相关性不同的特点,改进Cycle-spinning变换为加权平均以消除伪吉布斯现象。实验结果显示该方法能有效去除各种类型的图像噪声,保留图像的细节和纹理信息,峰值信噪比(PSNR)有显著提高。     

基于贝叶斯估计的Contourlet域图像降噪方法

提出了一种基于贝叶斯估计的Contourlet域图像降噪方法。该方法对输入的带噪图像进行多尺度、多方向的Contourlet稀疏分解,并在Contourlet域利用最小Bayesian风险函数对分解系数进行估计,通过Contourlet反变换得到预降噪图像。实验结果表明,该方法较其他的Contourlet域收缩阈值降噪效果好,进一步提高了PSNR值和降低了MSE值,能获得更好的图像恢复的质量。     

改进结构的Contourlet变换及其图像去噪应用

针对Contourlet变换基图像不具备局部频率特性的缺点,分析了在频域楔形支撑区域外部出现潜在混叠的原因,并结合易操纵金字塔结构的优良特性,提出一种改进结构的Contourlet变换.该变换采用易操纵金字塔替换了原变换的拉普拉斯金字塔,保证了其平移不变性.非线性逼近实验和基图像分析的结果表明,该变换能够稀疏表示图像,避免了频域出现混叠.去噪实验结果表明,改进结构的Contourlet变换可以有效地提高去噪图像的峰值信噪比和去噪图像质量.     

基于Contourlet变换和Wiener滤波的图像降噪

提出一种新的基于Contourlet变换和Wiener滤波的图像降噪方法。该方法充分利用Contourlet变换域系数服从广义高斯分布的特点,在Contourlet域采用Bayes收缩阈值法进行预降噪,采用Wiener滤波法对预降噪图像中的残留噪声进行进一步处理,以提高图像的恢复精度。仿真结果表明,该方法较传统的Contourlet域降噪方法具有更好的降噪效果,进一步提高了PSNR值,降低了MSE值,获得了更好的图像恢复质量。     

基于Contourlet域主成分分析的SAR图像去噪

相干斑噪声是合成孔径雷达图像所固有的,并且严重降低了图像的可编译性,影响了后续图像分割,特征提取,目标分类和识别等工作.因此,SAR图像的相干斑去除问题一直是SAR图像应用研究的重要问题之一.针对SAR图像噪声去除问题,提出了一种基于Contourlet多尺度分解域主成分分析的SAR图像去噪新方法,并且简要归纳了已有的SAR图像去噪方法.方法首先对源图像进行Contourlet分解,在不同频段的子带图像中,利用主成分分析方法进行能量保持,用重构图像来进行子带去噪,最后通过Contourlet逆变换得到去噪之后的图像.在SAR图像上的实验结果表明,方法不仅较好地保持了图像的纹理和细节特征,且信噪比也较高.     

基于非下采样Contourlet和扩散的图像去噪

根据非下采样Contourlet变换同时具有多尺度、多分辨分析和平移不变的性质,提出一种基于非下采样Contourlet变换和P-Laplace扩散相结合的图像去噪方法。该方法不但继承了非下采样Contourlet 变换捕捉边缘信息的能力,而且在P-Laplace扩散去噪时具有保持图像边缘信息的优点。实验结果表明该方法具有较好的图像去噪效果。     

基于层结构的Contourlet多阈值图像去噪算法

研究了多尺度几何分析工具Contourlet，提出了一种基于层结构的Contourlet多阈值去噪算法。该算法将硬阈值算法与基于子带相关的图像去噪方法相结合，根据Contourlet变换后各层分解的系数数目及噪声强度设定阈值，并利用硬阈值函数实现图像去噪。使用该算法去噪后的图像在主观视觉效果和客观质量等方面较小波算法有显著提高。     

基于非下采样Contourlet变换的医学CT图像去噪

为克服Contourlet变换的非平移不变性及频谱混叠等缺陷,提出了一种基于非下采样Contourlet变换的医学CT图像去噪方法。对含噪的CT图像进行非下采样Contourlet变换,得到不同尺度及各个方向上的变换系数,利用Context模型将每个尺度每个方向子带分级,不同分级采用相应的阈值去噪。实验表明,该方法适宜于处理含有更多高斯噪声的医学CT图像,与其他方法相比提高了PSNR值,更好地保留了图像细节,改善了医学CT图像的质量。     

基于Contourlet域的SAR图像去噪算法

从SAR图像斑点噪声特性和Contourlet变换系数的统计特点出发,将Contourlet变换与二元收缩去噪模型相结合,提出一种新的基于Contourlet变换的SAR图像去噪方法。对于高分辨率SAR 图像,该算法能更有效地去除SAR图像上的斑点噪声。     

基于冗余Contourlet变换的图像相关法去噪

Contourlet变换是多尺度几何分析中十分重要的一种方法,可以实现灵活的多分辨、局部、多方向图像表示,但是由于不具有平移不变性,在图像去噪中易产生伪吉布斯现象,这里应用冗余Contourlet变换,具有平移不变性,且能有效表示图像几何纹理信息。在去噪应用中考虑分解系数的层间信息,将BivaShrink方法推广到冗余Contourlet变换中。实验结果表明,本文方法提高了去噪后图像的峰值信噪比(PSNR),同时有效保存了图像纹理信息,视觉效果更好。