基于结构聚类的图像去噪

为了克服传统BM3D去噪算法的不足,根据图像局部结构相似性提出了基于结构聚类的图像去噪算法。首先根据均值进行粗聚类构成块群;其次利用鲁棒数据归一化构造结构相似子群;最后对子群进行去噪,如果子群容量大于1,运用BM3D对该子群进行去噪处理,反之,运用基于阈值的DCT去噪算法对该块进行去噪。实验结果表明,该算法保护了图像的结构信息,相对于传统BM3D算法提高了图像的视觉效果。     

小波域三维块匹配图像去噪

提出了一种关于图像去噪的三维块匹配算法（BM3D算法）的改进算法。它不仅保留了三维块匹配算法好的性质,而且最大的优点是能大大减少计算量,缩短运算时间。算法包括三个步骤：首先,对含噪图像进行小波分解;其次,对小波分解后的高频分量用三维块匹配（BM3D）算法进行去噪处理;最后,用处理后的结果进行小波重构得到去噪图像。给出了该算法的详细实现过程,并把它与以前的三维块匹配算法进行了比较。结果表明,改进后的算法,不但保留了三维块匹配算法在去噪方面好的性质,而且大大减少了运算量。     

矿区遥感图像去噪方法研究

去噪是矿区遥感图像得以有效应用的重要预处理步骤。现有的基于统计、基于域变换、基于学习等遥感图像去噪方法普遍存在细节过度平滑、纹理保持不足等问题。基于引导滤波良好的边缘保持特性,提出了迭代引导滤波方法,通过对残差信息进行引导映射,并迭代进行引导滤波及超参数收缩,增强了遥感图像边缘特征提取效果;将迭代引导滤波与传统的小波软阈值、非局部均值(NLM)滤波、三维块匹配(BM3D)滤波等去噪方法结合,有效提高了传统方法的峰值信噪比,其中NLM滤波、BM3D滤波的去噪性能提升效果最明显;将迭代引导滤波与BM3D滤波融合,通过BM3D滤波初步获取去噪图像,得到残差数据,然后采用迭代引导滤波对残差数据进行处理,在提升图像去噪效果的同时,很好地保持了图像细节特征;将迭代引导滤波与BM3D滤波融合方法用于矿区遥感图像的煤矸石场识别及滑坡区域边缘识别,取得了较好的效果。     

基于BM3D的复杂纹理区域图像去噪

纵观图像去噪领域,目前也出现了一些效果较好,并且应用广泛的图像去噪算法,例如频域滤波中的小波分解、遗传算法(GA)、字典学习算法(K-SVD)、非局部滤波(Non-Local Means,NLM)等等,可以说在单图像去噪上效果最被认可的还是块匹配3D去噪(BM3D)。但在该方法应用的过程中,还是出现了一些需要改进的实际问题。特别是在图像复杂纹理区域的去噪上,由于BM3D去噪的结构特性,导致了在该区域上并没有得到较好的效果。所以在该文提出了一种结合TV模型和改进的Prewitt边缘检测的混合去噪方法。最后的实验结果也表明了改进的BM3D方法相对于原始的方法还是取得了不错的提升。     

基于改进BM3D算法的椒盐噪声去噪

在处理由椒盐噪声污染的高对比度图像时,使用传统的三维块匹配算法（Block-Matching and 3D filtering,BM3D）去噪不能有效保留图像的边缘和纹理细节,在图像的边缘会出现边缘振铃效应。为了改善传统BM3D算法在处理椒盐噪声时的不足,提出了用边缘方向代替水平方向搜索相似块的BM3D改进去噪算法。实验结果表明,改进BM3D算法获得的相似块数量是传统BM3D算法的3倍,峰值信噪比（PSNR）也得到进一步提高,在去除椒盐噪声的同时也使图像边缘得到有效保留。     

基于噪声水平估计的图像盲去噪

三维块匹配(BM3D)去噪是当前去噪性能最好的算法之一。但由于时间复杂度较高,而且需要输入精确的图像噪声水平参数,极大地限制该算法的广泛应用。因此,文中首先采用基于网格的块匹配策略,提出快速三维块匹配(FBM3D)算法。然后提出基于迭代的盲图像噪声水平估计算法,由SVM学习算法确定迭代的初始值,再由图像质量判定迭代是否终止。测试实验表明,与原始的BM3D算法相比,该算法在计算效率、视觉感知效果和定量评测方面均有明显改善。     

基于形状自适应PCA的三维块匹配图像去噪

三维块匹配法中3-D变换真实信号的稀疏表达能力较弱,针对该问题,提出一种关于图像去噪的三维块匹配(BM3D)改进算法。采用形状自适应的图像块(邻域)代替BM3D算法中的平方窗图像块,对3-D变换处理的形状自适应图像块进行PCA变换。实验结果证明,该算法能够有效去除图像的高斯噪声,提高图像的峰值性噪比和结构相似度,且在保持图像的边缘等细节信息方面性能较好,图像视觉效果有明显改善。     

结合视觉显著性的图像去噪优化算法

图像在采样、处理、传输及存储过程中受到噪声干扰,导致图像的视觉信息衰退,而人眼对图像中不同区域噪声的敏感程度不同,因此提出了结合视觉显著性的图像去噪优化算法。首先利用视觉显著性对噪声图像进行预处理,得到噪声图像中人眼感兴趣的区域;然后运用对图像纹理保护较好的BM3D算法对该区域进行去噪处理,对非感兴趣的区域采用运算速度较快的算术均值滤波算法实现去噪处理。结果表明,该方法不仅可以获得较高的主观图像质量评价,而且在客观上相比于单纯地使用BM3D算法去噪,运算时间明显缩短。     

结合加权核范数与全变分的图像二级去噪

为提升图像去噪后的视觉感受,提出一种加权核范数最小化(WNNM)结合全变分(TV)的二级图像降噪方法。首先对含噪图像进行TV基础去噪,其次用噪声图像与基础去噪结果图做差分运算,并对差分后的结果自适应维纳滤波,然后将滤波后图像与基础TV降噪图像叠加,利用块匹配做相似补丁收集,最后运用加权核范数最小化进行二次去噪,得到最终降噪图像。通过与原WNNM、三维块匹配去噪(BM3D)、漏斗自相似非局部去噪(FNLM)方法对比,该方法不仅对平滑区域有较优的降噪效果,同时处理了漏斗自相似非局部去噪与BM3D在高噪声情况下带来花斑与假条纹状况,并且使结构纹理信息最大化相似。     

基于图结构滤波的图像去噪

在图像处理领域, 图像去噪是一项极具挑战性的任务. 图信号理论的发展为我们解决这一问题提供了新的视角. 本文研究了基于图信号方法的权重矩阵与拉普拉斯矩阵, 将它们用于图像去噪的目标函数, 这两个矩阵可以很好地定义观测图像与期望图像之间的内在联系. 在提出去噪目标函数的基础上, 我们给出了最优解和一种迭代的快速求解算法. 实验表明, 该方法优于BM3D和WNNM等前沿的去噪方法.     

BM 3D 算法在低剂量CT图像去噪中的应用

Low-dose CT not only reduces the radiation to human body, but also affects the image quality. Aiming at the problem of large noise in low-dose CT images, BM3D algorithm is applied to the denoising process of CT images in this paper. Based on the idea of non-local block matching, the algorithm firstly looks for image similarity blocks through block matching, then stacks the im- age similarity blocks into 3D matrix and performs collaborative filtering processing, and then aggregates the processing results into the original image blocks to restore the image. Compared with the traditional denoising algorithms, BM3D algorithm has great ad- vantages, better visual effect and significantly higher PSNR value.     

局部均值噪声估计的盲3维滤波降噪算法

目的 图像在获取和传输的过程中很容易受到噪声的干扰,图像降噪作为众多图像处理系统的预处理模块在过去数十年中得到了广泛的研究。在已提出的降噪算法中,往往采用加性高斯白噪声模型AWGN（additive white Gaussian noise）为噪声建模,噪声水平（严重程度）由方差参数控制。经典的BM3D 3维滤波算法属于非盲降噪（non-blind denoising algorithm）算法,在实际使用中需要由人工评估图像噪声水平并设置参数,存在着噪声评估值随机性大而导致无法获得最佳降噪效果的问题。为此,提出了一种新的局部均值噪声估计（LME）算法并作为BM3D算法的前置预处理模块。方法 本文专注于利用基于自然统计规律（NSS）的图像质量感知特征和局部均值估计技术构建图像噪声水平预测器,并通过它高效地获得噪声图像中准确的噪声水平值。关于自然场景统计方面的研究表明,无失真的自然场景图像在空域或者频率域上具有显著的统计规律,一旦受到噪声干扰会产生规律性的偏移,可以提取这些特征值作为反映图像质量好坏的图像质量感知特征。另外,局部均值估计因其简单而高效率的预测特性被采用。具体实现上,在具有广泛代表性且未受噪声干扰图像集合上添加不同噪声水平的高斯噪声构建失真图像集合,然后利用小波变换对这些失真图像进行不同尺度和不同方向的分解,再用广义高斯分布模型（GGD）提取子带滤波系数的统计信息构成描述图像失真程度的特征矢量,最后用每幅失真图像上所提取的特征矢量及对其所施加的高斯噪声水平值构成了失真特征矢量库。在降噪阶段,用相同的特征提取方法提取待降噪的图像的特征矢量并在失真特征矢量库中检索出与之类似的若干特征矢量及它们所对应的噪声水平值,然后用局部均值法估计出待降噪图像中高斯噪声大小作为经典BM3D算法的输入参数。结果 改进后的BM3D算法转换为盲降噪算法,称为BM3D-LME（block-matching and 3D filtering based on local means estimation）算法。准确的噪声估计对于诸如图像降噪,图像超分辨率和图像分割等图像处理任务非常重要。已经验证了所提出噪声水平估计算法的准确性、鲁棒性和有效性。结论 相对人工进行噪声估计,LME算法能够准确、快速地估算出任意待降噪图像中的噪声大小。配合BM3D算法使用后,有效提高了它的实际降噪效果并扩大它的应用范围。     

侧扫声呐图像的3维块匹配降斑方法

斑点噪声是影响侧扫声呐图像质量的主要因素,降斑处理对侧扫声呐图像的判别与分析非常重要。针对侧扫声呐图像自身特性和斑点噪声分布特点,提出一种基于3维块匹配(BM3D)的降斑方法。根据海底散射模型,得到侧扫声呐图像斑点噪声的瑞利分布模型,然后通过高斯光滑函数幂变换将瑞利分布的噪声转化为高斯分布,通过对数变换将乘性噪声转变为加性噪声,再进行自适应的BM3D滤波,最后采用逆变换得到降斑图像。实验结果表明,该方法在降噪、边缘和纹理保持等方面均优于空间域、小波域、Curvelet域的一些降斑方法。     

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 m...