自适应非局部3维全变分彩色图像去噪

目的 许多彩色图像去噪算法未充分利用图像局部和非局部的相似性信息,并且忽略了真实噪声在彩色图像不同区域内分布的差异,对不同图像块和不同颜色通道都进行同等处理,导致去噪图像中同时出现过平滑和欠平滑现象。针对这些问题,本文提出一种自适应非局部3维全变分去噪算法。方法 利用一个非局部3维全变分正则项获取彩色图像块内和块间的相似性信息,同时在优化模型的保真项内嵌入一个自适应权重矩阵,该权重矩阵可以根据每次迭代得到的中间去噪结果的剩余噪声来调整算法在每个图像块、每个颜色分量以及每次迭代中的去噪强度。结果 通过不同的高斯噪声添加方式得到两个彩色噪声图像数据集。将本文算法与其他6个基于全变分的算法进行比较,采用峰值信噪比(peak signal-to-noise ratio,PSNR)和结构相似性(structural similarity, SSIM)作为客观评价指标。相比于对比算法,本文算法在两个噪声图像数据集上的平均PSNR和SSIM分别提高了0.161.76 dB和0.12%6.13%,并获得了更好的图像视觉效果。结论 本文去噪算法不仅更好地兼顾了去噪与保边功能,而且提升了稳定性和鲁棒性,显示了在实际图像去噪中的应用潜力。     

基于稀疏表示与非局部相似的图像去噪算法

针对受加性高斯白噪声(AWGN)与椒盐噪声(SPIN)以及随机值冲击噪声(RVIN)组成的混合噪声污染的图像进行去噪的问题,提出一种在现有加权编码算法的基础上将图像稀疏表示和非局部相似先验融合的改进算法。首先,利用基于字典的图像稀疏表示构建去噪变分模型,对模型中的数据保真项设计一个权重因子来抑制冲击噪声的干扰;其次,利用非局部平均思想对混合噪声图像进行初始去噪,在得到的图像中构建掩膜矩阵将冲击噪声点排除进而求取非局部相似先验知识;最后,将非局部相似先验与稀疏先验融合进变分模型的正则项中,求解变分模型得到最终去噪图像。实验结果表明,在不同的噪声比率下,所提算法与模糊加权非局部平均算法相比,峰值信噪比(PSNR)提高了1.7 dB,特征相似性指数(FSIM)提高了0.06;与加权编码算法相比,PSNR提高了0.64 dB,FSIM提高了0.03。该算法对于纹理较强的图像可以显著提升去噪效果,能有效地保留图像的本真信息。     

自适应Shearlet域约束的全变差图像去噪

采用传统非线性扩散图像去噪方法得到的图像边缘模糊,为此,提出一种有限自适应Shearlet域约束的极小化变分图像去噪算法。通过自适应阈值收缩Shearlet系数,保留图像纹理与边缘空间,利用全变差极小化平滑空间,建立全变差正则化的能量泛函去噪模型。实验结果表明,该算法能在减少图像噪声的同时,保留图像边缘信息,对含有丰富纹理结构的图像,去噪性能更佳。     

多阶导数自适应视频超分辨率重建

传统视频超分辨率重建算法在去除噪声的同时,很难有效保持图像边缘细节信息。针对该问题,构建了一种结合多阶导数数据项和自适应正则化项的视频超分辨率重建算法。在正则化重建模型的基础上,该算法对数据项进行改进,引入能更好描述噪声统计特性的噪声多阶导数,并利用去噪效果较好的全变分(TV)和非局部均值(NLM)正则化项对视频超分辨率重建过程进行约束。此外,为了更好地保持图像细节信息,采用区域空间自适应曲率差分算法提取结构信息,从而对正则化系数进行自适应加权。实验结果表明:在噪声方差为3时,与核回归算法和聚类算法相比,该算法重建视频主观效果边缘更加锐化,局部结构更加正确、清晰;重建视频的均方误差(MSE)平均下降幅度分别为25.75%和22.50%;峰值信噪比(PSNR)分别平均提升了1.35 dB和1.14 dB。所提算法能够在去除噪声的同时有效保持图像的细节特征。     

基于非局部相似和低秩模型的图像盲去噪

针对目前大多图像去噪算法的性能依赖输入噪声水平参数的问题,为进一步提高去噪效果,提出一种改进的基于非局部相似和低秩模型的图像盲去噪方法。预先估计图像的全局噪声方差,在图像非局部相似和低秩模型的框架下,自适应地估计各图像块的局部噪声方差,确定各图像块奇异值阈值(SVT)的局部阈值参数,运用迭代规则完成去噪。为验证该方法的有效性,与3种目前较成熟的去噪算法进行仿真对比。仿真结果表明,对于噪声方差未知的图像,该方法的去噪效果在视觉、峰值信噪比(PSNR)和结构相似度(SSIM)的数据上更具优势,具有更好的自适应能力,更适合应用于实际图像去噪问题。     

基于改进K-SVD和非局部正则化的图像去噪

K-奇异值分解( K-SVD)算法在强噪声下的去噪性能较差。为此,提出一种新的图像去噪算法。使用相关系数匹配准则和噪声原子裁剪方法改进传统K-SVD算法,提高原算法的去噪性能,将非局部正则项融入图像去噪模型,并采用非局部自相似性进一步改善图像的去噪效果。实验结果表明,与传统K-SVD算法相比,该算法在提高同质区域平滑性的同时,能保留更多的纹理、边缘等细节特征。     

基于非局部总广义变分的图像去噪

针对全变分(TV)模型在去除图像噪声时容易产生阶梯效应的缺点,将二阶总广义变分(TGV)作为正则项应用于全变分模型中可以有效地去除阶梯效应,并且还能够更好地保持图像边缘纹理结构;利用非局部均值滤波算法的思想来构造非局部微分算子,将非局部微分算子应用于总广义变分模型中,综合提出了一种基于非局部总广义变分的图像去噪新模型。新模型充分利用了图像的全局信息进行去噪。实验结果显示了该模型的有效性和优越性。     

改进的曲率滤波强噪声图像去噪方法

目的 医学影像获取和视频监控过程中会出现一些恶劣环境,导致图像有许多强噪声斑点,质量较差。在处理强噪声图像时,传统的基于变分模型的算法,因需要计算高阶偏微分方程,计算复杂且收敛较慢;而隐式使用图像曲率信息的曲率滤波模型,在处理强噪声图像时,又存在去噪不完全的缺陷。为了克服这些缺陷,在保持图像边缘和细节特征的同时去除图像的强噪声,实现快速去噪,提出了一种改进的曲率滤波算法。方法 本文算法在隐式计算曲率时,通过半窗三角切平面和最小三角切平面的组合,用投影算子代替传统曲率滤波的最小三角切平面投影算子,并根据强噪声图像存在强噪声斑点的特征,修正正则能量函数,增添局部方差的正则能量,使得正则项的约束更加合理,提高了算法的去噪性能,从而达到增强去噪能力和保护图像边缘与细节的目的。结果 针对多种不同强度的混合噪声图像对本文算法性能进行测试,并与传统的基于变分法的去噪算法（ROF）和曲率滤波去噪等算法进行去噪效果对比,同时使用峰值信噪比（PSNR）和结构相似性（SSIM）作为滤波算法性能的客观评价指标。本文算法在对强噪声图像去噪处理时,能够有效地保持图像的边缘和细节特征,具备较好的PSNR和SSIM,在PSNR上比ROF模型和曲率滤波算法分别平均提高1.67 dB和2.93 dB,SSIM分别平均提高0.29和0.26。由于采用了隐式计算图像曲率,算法的处理速度与曲率滤波算法相近。结论 根据强噪声图像噪声特征对曲率滤波算法进行优化,改进投影算子和能量函数正则项,使得曲率滤波算法能够更好地适用于强噪声图像,实验结果表明,该方法与传统的变分法相比,对强噪声图像去噪效果显著。     

图拉普拉斯正则化稀疏变换学习图像去噪算法

从噪声图像中恢复干净的图像是对图像进行有效处理与分析的首要前提之一,而去除噪声的同时保持图像的特征则是图像去噪的一个具有挑战性的问题。为了在去除噪声的同时尽量保持图像的局部结构特征,提出了一种基于图拉普拉斯正则化稀疏变换学习的图像去噪算法。通过引入图拉普拉斯正则化对邻域像素进行约束,可以较好地保护相邻像素之间的相关性,从而增强图像的局部平滑性。并且,为了更好地利用图像的非局部信息,在相似图像块度量中引入优化后的稀疏编码,从而寻找到更准确的相似图像块。实验结果表明,无论是在量化指标还是视觉质量上,所提算法均能取得较好的去噪性能。     

小波构造变正则参数变分模型在带噪图像恢复中的应用

在利用正则化方法构造变分模型进行图像去噪时，其正则参数往往选择为恒定值．文中利用小波分解的层次性和带噪图像中噪声所具有的时频特点，构造出变正则参数的变分模型．在不同的小波分解层，通过选择不同的正则参数从而达到自适应去噪的目的．     

基于高斯加权和流形的高保真彩色图像降噪

针对用矢量法对彩色图像进行降噪处理,算法复杂度较高,无法达到实时处理的问题,提出了基于改进高斯加权和自适应流形的高保真彩色图像降噪方法。首先,将彩色图像用非局部均值算法得到高维数据,使用改进的高斯内核对彩色图像进行加权计算;然后,采用抛雪球方法处理这些高维数据,以高斯距离为权值,投影每个像素点的颜色到自适应流形;接着,对流形进行平滑降维,采用迭代法实现图像平滑;最后,收集流形中的平滑值,将平滑值对所有像素进行插值,得到降噪后的图像数据。实验证明,该方法对彩色图像进行降噪处理后,能够很好地保留原图像的细节,不会掺杂周围像素的颜色,算法处理速度较快,能够达到实时处理效果,降噪效果与原算法相比峰值信噪比(PSNR)提高近2.0dB,结构相似度提高了1百分点以上。     

自适应残差图像的分数阶全变分去噪算法

目的 全变分（TV）去噪模型具有较好的去噪效果,但对于图像的弱边缘和纹理细节的保持不够理想。自适应分数阶全变分（AFTV）模型根据图像局部信息,区分图像的纹理区域和非纹理区域,自适应计算投影算法中的软阈值,可较好地保持图像的弱边缘和纹理细节,但该方法当噪声增大时“阶梯”效应比较明显,弱边缘和纹理细节保持效果不够理想。针对该问题,提出一种改进的分数阶全变分去噪算法。方法 该算法在计算残差图像时,用分数阶全变分模型替代整数一阶全变分模型,并根据较精确的残差图像的局部方差区分图像纹理区域和平坦区域,使保真项参数的自适应选取更加合理,提高了算法的去噪性能。结果 针对3种不同类型的噪声图像,将本文模型与TV模型和AFTV模型进行对比实验,并采用峰值信噪比（PSNR）和结构相似性（SSIM）评定去噪效果和纹理保持能力。对于高斯噪声图像,本文算法在PSNR方面比TV模型和AFTV模型分别可平均提高2.72 dB和1.38 dB,SSIM分别可平均提高0.047和0.020。对于椒盐噪声图像,本文算法结合中值滤波算法在PSNR和SSIM方面比传统中值滤波算法分别可平均提高1.308 dB和0.011。对于泊松噪声图像,本文算法在PSNR、SSIM方面与AFTV较接近,比TV分别可提高1.59 dB和0.005。结论 通过对添加不同类型的噪声图像进行实验,结果表明提出的算法在去噪性能上与TV和AFTV相比均有较大提高,尤其对于噪声较大的图像效果更为显著,在去噪效率上与AFTV的时间复杂度相当,时耗接近略有降低。且本文算法普适性较好,能有效去除多种典型类型的噪声。     

双边非局部均值滤波图像去噪算法

为提高图像去噪的视觉效果,本文根据自然图像通常包含较多的重复性结构这一现象,以及双边滤波器的在图像去噪中所具有的优点,提出了一种新的基于双边滤波与非局部均值（ NLM）的图像去噪算法。利用NLM思想对当前的像素灰度值进行估计。过程中,不仅考虑到了当前像素的灰度值对预测结果的影响,而且考虑到了当前像素的位置与周围像素位置之间的关系,构建了非局部邻域内的位置系数来对预测结果进行约束,最后考虑到非局部邻域内同质像素的相似性,设计了双边NLM滤波器。实验结果表明：本文算法比双边滤波算法运行时间快了0.114 s、峰值信噪比（ PSNR）提高了0.9、图像相似度（ MSSIM）提高了0.181,图像保真度（ VIF）提高了0.2147。本文提出的方法能够更好地保留图片信息的完整性,提高了图像的亮度和图像纹理的清晰度。     

基于统计量的加权函数图像重建方法

针对图像重建的问题,提出了一种基于统计量的加权函数图像重建方法.考虑到退化图像不仅含有高斯噪声,且含有拉普拉斯噪声,利用最大似然估计的思想估计高斯噪声和拉普拉斯噪声的方差构造基于统计量的高斯和拉普拉斯权重函数;由于在图像重建过程中,噪声分布发生变化,整合L1,L2范数,设计了一种自适应加权函数;结合双边全变差(BTV)正则化算法,设计了一种自适应加权函数图像恢复方法.实验结果表明:相比基于L1-L2混合误差模型(HEM),方法的峰值信噪比(PSNR)和结构相似度(SSIM)分别平均提高了约2.07 dB,0.02,对含有多种噪声的退化图像能够取得比较理想的结果.     

图像平滑的自适应保真全变分模型

提出一种自适应保真的全变分平滑模型,证明其解的稳定性。结合各向同性和全变分的优点,利用扩散系数构造保真项,从而增强图像边缘,该模型根据图像的梯度信息确定门限值进而选择合适的图像平滑方法。在去除噪声和保持边缘的同时避免了“阶梯”效应,实验结果表明,该模型能有效地去除噪声,提高图像的峰值信噪比。     

自适应加权编码L1/2正则化的图像重建算法

针对图像重建过程中噪声去除问题,提出一种自适应加权编码L_1/2正则化重建算法。首先,考虑到许多真实图像中不仅含有高斯噪声,而且含有拉普拉斯噪声,设计一种改进的L₁-L₂混合误差模型(IHEM)算法,该算法兼顾了L₁范数与L₂范数的各自优点;其次,由于迭代过程中噪声分布会发生改变,设计一种自适应隶属度算法,该算法可以减少迭代次数和运算时间;利用一种自适应加权编码方法,该方法可以有效地去除含有重尾分布特性的拉普拉斯噪声;另外,设计一种L_1/2正则化算法,该算法可以得到较稀疏的解。实验结果表明,相比IHEM算法,自适应L_1/2正则化图像重建算法的峰值信噪比(PSNR)平均提高了3.46 dB,结构相似度(SSIM)平均提高了0.02,对含有多种噪声的图像处理具有比较理想的效果。     

一种自适应正则化的图像超分辨率算法

提出一种自适应正则化的图像超分辨率重建算法. 首先, 利用局部残差均值自适应地计算各低分辨率图像通道的权值参数矩阵, 可有效地利用各通道对应区域间的交叉信息; 其次, 利用正则项局部误差均值自适应地计算平衡正则项和保真项的正则化参数矩阵, 能较好地保持图像边缘纹理等信息.实验结果表明本文算法不但具有较高峰值信噪比(Peak signal to noise ratio, PSNR) 和结构相似度(Structural similarity, SSIM), 而且在边缘、纹理等细节区域具有更好的重建效果.