基于PCA的图像小波去噪方法

目前使用的各种小波去噪方法基本上都是建立在对噪声方差精确估计的基础上，而对噪声方差的精确估计是很困难的．提出了一种采用主分量分析（PCA）提取小波系数的主要特征，通过对小波域中噪声能量的估计来实现去噪的新方法．首先利用PCA对小波高频子带进行局部特征提取；然后以主分量对小波系数进行重建的平均能量作为局部噪声能量的估计；将原小波系数的能量减去噪声能量，就得到去噪后的小波系数；最后用小波逆变换对剔除噪声分量后的小波系数进行恢复得到去噪后的图像．本文算法无需对噪声方差进行估计，因而更具实用价值．本文算法与“软阈值”、“硬阈值”去噪方法相比，峰值信噪比（PNNR）提高了2～8dB．实验证实了本文算法良好的去噪性能。     

基于Contourlet变换的图像DCT去噪新方法

为了改进滤波效果,以提高图像去噪质量,提出了一种通过离散余弦变换对Contourlet域中噪声能量进行估计来实现去噪的新方法.该算法不依赖于对噪声方差进行估计,而是直接利用离散余弦变换来对高频各子带进行局部特征提取,以便估计噪声能量的估计阈值.实验结果表明,与传统的小波软、硬阈值去噪方法和基于小波变换的图像离散余弦变换去噪方法比较,该方法有效地克服了采用硬阈值法引起的伪吉布斯现象和软阈值法因导致过度光滑而使信号失真等缺点.实验表明,该算法不仅可提高处理图像的信噪比,而且图像的视觉效果也明显改善,因此更具有实用价值.     

基于Contourlet变换阈值选取的算法研究

针对CT图像在生成或传输时容易受到噪声影响这一难题,提出了基于Contourlet变换结合PCA阈值的去噪方法。 首先,对噪声图像进行Contourlet变换。然后,对DFB方向滤波后得到的Contourlet系数进行PCA阈值及硬阈值函数去噪。最后,对去噪后的Contourlet系数进行Contourlet逆变换,得到去噪图像。通过对图像添加噪声并与Contourlet结合六种不同阈值去噪方法进行对比,采用PSNR评估去噪优劣。结果表明：贝叶斯阈值方法PSNR值最高PSNR=94.88 dB,然后是PCA阈值PSNR=83.02 dB,最后依次是配套改进阈值PSNR=73.97 dB、3σ阈值PSNR=73.27 dB、统一阈值PSNR=72.33 dB、通用阈值PSNR=71.50 dB。PCA阈值去噪结果整体平滑性较好,视觉效果较好;贝叶斯阈值去噪结果整体平滑性较差,视觉效果不佳。通过将Contourlet 变换框架取代传统小波变换框架并结合PCA 阈值应用在图像去噪中,不仅信噪比有所提高,而且图像视觉效果也明显改善。     

一种无抽样Contourlet变换的图像去噪方法

提出一种基于Contourlet变换的图像去噪方法，Contourlet变换采用无抽样形式，系数萎缩处理阈值门限与尺度相关。通过模拟产生不同方差噪声信号进行Contourlet变换，确定各尺度子带系数阈值，得到噪声方差与各尺度子带阈值对应表。对噪声污染图像进行Contourlet变换并估计噪声方差，查表得到各子带阈值，进行系数萎缩处理。实验表明提出的处理方法简单有效，去噪结果具有良好去噪视觉效果和较高峰值信噪比。     

多变换域马尔可夫树图像去噪算法*

针对图像去噪时单一变换方法的不足,提出了一种新的基于Contourlet变换和小波变换的多变换分级图像降噪算法。根据Wavelet变换和Contourlet变换系数对图像中不同频带信号的稀疏表示特点,利用隐马尔可夫树（HMT）模型可以描述相邻尺度变换域系数的互相关性。首先使用小波域HMT方法进行第一级降噪,然后将其作为先验估计,利用Contourlet变换进行迭代阈值降噪。通过与几种传统的小波域HMT和Contourlet域HMT去噪算法相比,本算法改善了去噪图像的可视性并使PSNR值有所提高。     

基于非抽样Contourlet变换的最佳软阈值图像去噪

研究了小波变换在图像处理中的缺陷,以及Contourlet变换在图像处理中产生伪Gibbs失真的原因。为了在多尺度分析框架下改进图像去噪的效果,提出了一种基于非抽样Contourlet变换的图像去噪算法,利用非抽样Contourlet变换的多尺度多方向性以及平移不变性,对加噪图像进行非抽样Contourlet变换得到变换系数,然后对变换系数采用分层最佳软阈值处理,最后将其反变换得到去噪后的图像。实验结果表明,与Contourlet变换图像去噪算法相比,该算法可以达到更好的效果。     

基于非抽样Contourlet变换的最佳软阈值图像去噪

研究了小波变换在图像处理中的缺陷,以及Contourlet变换在图像处理中产生伪Gibbs失真的原因.为了在多尺度分析框架下改进图像去噪的效果,提出了一种基于非抽样Contourlet变换的图像去噪算法,利用非抽样Contourlet变换的多尺度多方向性以及平移不变性,对加噪图像进行非抽样Contourlet变换得到变换系数,然后对变换系数采用分层最佳软阈值处理,最后将其反变换得到去噪后的图像.实验结果表明,与Contourlet变换图像去噪算法相比,该算法可以达到更好的效果.     

基于提升小波结合DCT变换的图像去噪研究

提出了一种通过提升小波变换结合DCT变换的去噪新方法.该算法不依赖于对噪声方差进行估计,直接利用DCT变换对高频各个子带进行局部特征提取,从而估计噪声能量的估计阈值.实验显示,与传统的软,硬阈值去噪算法相比,该算法不仅提高了图像的信噪比,保留了更多的边缘细节,而且处理时间也将近提高一倍,更具有实用价值.     

基于Kohonen网络的小波阈值在遥感图像去噪中的应用研究

传统Donoho非线性小波阈值去噪方法中,阈值的选取一般是根据噪声方差设置的,但在实际的操作中很难对噪声方差的精确值,这种理论上的局限性使得各种基于方差估计的去噪方法并不能获得实际需要的去噪结果;针对阈值选取的问题,提出一种非线性小波变换阈值的kohonen神经网络的自调整学习训练方法对遥感图像进行去噪,该方法在小波变换的基础上结合了神经网络的非线性阈值自组织特征映射算法,阈值的选择根据训练图像进行学习;可以实现自调整寻找最优值,以满足实际,达到最优的去噪效果。     

基于双树复数小波变换的切屑图像阈值去噪

由于在金属切削加工时通过CCD相机采集的切屑图像含有大量噪声，因此如何有效地去除噪声，获取切屑边缘信息是分析切屑形态参数，实现切屑控制的关键。目前小波变换图像去噪效果较好，而复数离散小波变换比实数小波变换具有更多优势，如：平移不变性、方向性等。并可提高图像的去噪能力。为了提高切屑图像的去噪能力，提出了一种采用双树复数小波变换进行切屑图像去噪的方法，即在原信号(噪声标准方差)未知情况下，采用GCV准则选取去噪阈值，双树复数小波变换进行去噪。典型图像与切屑图像去噪结果显示，该方法能有效地提高金属切削加工过程中切屑图像的噪声去除及屑形边缘检测的能力。     

基于多小波—非采样Contourlet变换的自适应阈值图像去噪方法

为抑制Contourlet变换的非平移不变性和冗余性给图像去噪所带来的图像失真等缺陷,提出一种新的基于多小波—非采样Contourlet变换和基于Bayes Shrink的自适应阈值去噪算法：首先利用多小波对图像进行多尺度分解并结合非下采样方向滤波器组进行方向分解,接着根据分解所得到的各方向子带的关系,改进了Bayes Shrink自适应阈值取值方法,对图像进行去噪处理。实验结果表明：该算法去噪后图像的信噪比(SNR)与已有算法相比,有了明显的提高,有效地抑制了原Contourlet变换所造成的伪Gibbs现象,更好地保留了图像的细节信息。     

一种基于小波去噪的DFT信道估计改进算法

针对小波去噪与DFT插值相结合的信道估计算法没有对循环前缀内的噪声进行去噪的缺点,提出了一种基于小波去噪与改进的DFT插值相结合的信道估计新算法。该算法首先利用离散小波变换对最小二乘(LS)法估计出的结果进行阈值去噪处理,并根据循环前缀内、外噪声方差的均值在DFT插值的过程中设置相应门限,然后对循环前缀内的噪声再次处理,以进一步减小噪声的影响。仿真实验结果表明,在复杂度基本不变的前提下,该算法能够较好地减小加性高斯白噪声的影响,并有效提升信道估计的准确度,其总体性能较小波去噪与DFT插值相结合的信道估计算法更优。     

强噪声条件下激光光斑图像预处理方法研究

为了研究强噪声光斑图像的抑噪方法,采用基于小波阈值法和形态学滤波的级联算法及小波域中值滤波法进行预处理,以信噪比、均方根误差和光强分布作为评估标准,并将处理效果与其他方法对比。结果表明：小波域中值滤波处理效果优于空域中值滤波;级联法的抑噪和光斑特征恢复效果更优于传统方法,其中对-2.0843dB的原低信噪比图像处理后的信噪比、均方根误差分别约为小波变换和空域中值滤波法的1.34、0.81倍和3.14、0.50倍;且原图像信噪比越低,其处理效果相对于传统方法的优越性越明显。     

基于噪声方差估计的小波阈值图像去噪新方法*

大多数小波阈值去噪方法需要根据噪声方差来计算相应的阈值,所以噪声方差的估计将直接影响阈值去噪的效果。在两种常用的小波域噪声方差估计方法的基础上,提出一种新的阈值求取方法,实验证明这种方法能在一定程度上提高去噪图像的信噪比,并且提高运算速度。     

基于二阶导数算子与小波变换的图像去噪

二阶导数算子噪声定位的图像去噪法对椒盐噪声有很强的去噪能力,但对高斯噪声去噪效果较差,基于小波变换的图像去噪法能有效去除高斯噪声,但几乎不能去除椒盐噪声。针对上述问题,采用二阶导数算子降噪与小波变换去噪相结合的方法对图像去噪,利用2种方法进行优势互补,能较好地去除椒盐、高斯噪声和椒盐-高斯混合噪声,降低选择阈值的难度,有利于提高图像去噪精度。实验结果表明,该算法是有效可行的。     

一种改进的二进小波变换图像去噪方法

本文在分析图像噪声消除与细节保持相矛盾的基础上，提出了一种改进的二进小波变换图像去噪方法。首先用自适应滤波多尺度边缘检测方法检测出图像的边缘；然后用二进小波变换去噪方法进行全局闯值去噪；最后将边缘图像嵌入到二进小波去噪后图像。实验结果表明，该方法不仅能够滤除图像的噪声，而且能够保持图像的边缘信息。     

一种基于非下采样Contourlet变换的自适应阈值去噪方法

文章提出了一种基于非下采样Contourlet变换的自适应图像去噪方法。首先对噪声图像进行非下采样Contourlet变换,得到各个尺度各个方向子带的系数,再根据该系数的能量自适应地调整Bayes去噪阈值。实验结果表明：与小波阈值去噪方法对比,非下采样Contourlet自适应阈值去噪算法在保留图像边缘细节的同时,不仅能明显提高图像的SNR值,而且还减少了Gibbs现象。     

基于贝叶斯估计的改进Contourlet变换的SAR图像滤波

针对小波变换和轮廓波变换在合成孔径雷达(Synthetic aperture radar, SAR)图像中去噪应用的不足,结合小波变换和轮廓波变换的优点,将小波变换与轮廓波变换相结合,提出一种改进轮廓波变换方法。首先将待处理图像进行小波变换,然后对低频子带图像进行重建,得到一个细节子带图像,然后使用方向滤波器组对其进行多方向划分。再采用贝叶斯最大后验概率估计对划分后的方向子带信号进行估计。实验结果表明此方法在抑制图像斑点噪声的同时,很好的保持了均匀区域的辐射特性,保持了图像中的边缘以及细小纹理,且没有人为畸变。此外算法的高频子带图像含有更为丰富的纹理,对于边缘特征的提取非常有益。