利用自适应图像块划分的图像噪声强度估计EI北大核心CSCD

传统的基于图像块划分的噪声强度估计方法通常先将图像划分为若干规则矩形图像块,并利用其中平滑的图像块进行噪声强度计算.然而当图像的结构信息比较丰富时,传统的方法往往会出现较大的偏差.为了解决该问题,提出一种基于自适应图像块划分的图像噪声强度估计方法.首先结合图像的空间邻域信息,将含噪图像划分为若干贴合图像局部边缘、纹理等结构信息的自适应图像块;然后根据所划分图像块的统计特性,通过散点图统计法选取出平滑的自适应图像块;最后利用平滑自适应图像块估计图像的噪声强度.实验结果表明,相比于已有的噪声估计方法,该方法在针对不同噪声强度、不同复杂程度的图像时更加准确和稳定.     

利用自适应图像块划分的图像噪声强度估计

传统的基于图像块划分的噪声强度估计方法通常先将图像划分为若干规则矩形图像块,并利用其中平滑的图像块进行噪声强度计算.然而当图像的结构信息比较丰富时,传统的方法往往会出现较大的偏差.为了解决该问题,提出一种基于自适应图像块划分的图像噪声强度估计方法.首先结合图像的空间邻域信息,将含噪图像划分为若干贴合图像局部边缘、纹理等结构信息的自适应图像块;然后根据所划分图像块的统计特性,通过散点图统计法选取出平滑的自适应图像块;最后利用平滑自适应图像块估计图像的噪声强度.实验结果表明,相比于已有的噪声估计方法,该方法在针对不同噪声强度、不同复杂程度的图像时更加准确和稳定.     

基于小波系数层间相关性的图像噪声方差估计

噪声的方差估计是含噪图像处理中的常见问题之一,其基本思想是通过某种方法寻找含噪图像中的"纯"噪声子图像来估计原噪声方差.传统方法是通过空域或频域采样,得到该子噪声图像,然后直接对其估计方差,它对图像信息的分布有要求.在传统频域采样方法的基础上,提出一种结合图像小波变换系数层间相关性的新方法.其过程是:对第一级有效小波分解的斜向子块进行分析,利用小波变换系数的层间相关性,去除其中的图像信息,得到更"纯"的子噪声块,再估计其方差.通过仿真实验和实际4f系统输出图像实验证明,该方法比传统方法的估计结果更准确,更适合带宽较低的系统图像和图像本身高频信息较丰富的场合.     

运动模糊图像的噪声功率的精确估计

由运动模糊图像复原出原图像关键问题是获取点扩展函数和噪声信息,其中噪声通常假设为高斯白噪声。针对匀速直线运动模糊图像,提出一种差分噪声功率估计方法,该方法对模糊图像的差分图进行叠加,放大噪声,并保持每列的噪声互不相关,叠加后的图像的方差与原始噪声方差存在一个数量关系,通过该数量关系来估计出原始噪声方差。实验证明该方法能够相当准确地估计出噪声功率。     

拉普拉斯与双边滤波的图像去运动模糊算法

运动模糊图像盲复原是图像复原中的关键问题之一,由于模糊信息的复杂性以及图像噪声的影响,导致复原的结果有振铃效应.为解决这些问题,提出基于拉普拉斯先验的改进算法.在原有的模糊核估计过程中,引入拉普拉斯锐化增强,增强图像的边缘信息,达到改善模糊核估计结果的目的.在复原时,针对图像振铃噪声,引入了双边滤波,抑制该噪声对复原结果的影响,进一步改善复原图像的质量.与三种现有图像去模糊算法相比,该方法能更准确地估计模糊信息,对图像复原具有更好的鲁棒性.     

基于同质区域分割的高光谱图像混合噪声估计

降低高光谱（Hyperspectral, HS）图像中的噪声以提高图像质量一直是遥感图像处理领域的研究热点,而HS图像带有的混合光电噪声却难于准确估计,为此提出一种基于同性质区域（Homogeneous Region, HR）分割的HS图像混合噪声估计方法。首先结合HS图像的空间和光谱特性进行HR分割,然后在HR内通过多元线性回归（Multiple Linear Regression, MLR）方法去除区域相关性从而得到混合噪声,最后引进比例因子对混合噪声的内部参数进行估计。通过在仿真HS数据和真实AVIRIS数据上进行实验表明,该方法能够有效地进行HR分割,且对混合噪声的估计结果要优于其它传统噪声估计方法。     

噪声模糊图像盲目反降晰的模糊核准确估计

针对大多数先进的单幅图像盲目反降晰技术在噪声无法忽略时,仍不能很好地处理模糊核估计质量退化严重的问题,提出一种利用图像显著结构从单幅噪声模糊图像中准确估计模糊核的方法.首先通过降噪预处理对图像噪声进行抑制,利用基于全总变分模型的方法提取模糊图像的显著结构,进而运用梯度选择方法移除不利于模糊核估计的显著边缘,提高模糊核估计的鲁棒性;然后采取两阶段模糊核估计策略,运用基于图像显著结构模糊核估计方法和迭代支持域检测技术实现模糊核的准确估计;最后通过稀疏先验约束的非盲目图像解卷积方法完成最终的图像恢复.实验结果表明,与已有方法相比,该方法在合成和真实图像上都能更准确地估计出噪声模糊图像的模糊核,获得更好的复原图像质量,可有效地处理图像反降晰对图像噪声敏感问题,实现了噪声模糊图像模糊核的准确估计.     

一种图像噪声的形态学多尺度去除方法

提出了一种基于形态学多尺度的图像噪声去除方法，该方法首先利用形态学多尺度开闭重建运算对噪声图像进行多尺度重建，将噪声图像分解为一系列尺度不同的特征图像叠加，然后对叠加特征图像进行尺度模式谱分析，确定图像中噪声对应的尺度范围，最后将噪声尺度对应的特征图像从噪声中去除，达到同时消除噪声和保持图像目标信息完整及准确定位的目的。仿真实验表明，该方法能够有效地去除不同类型的图像噪声，具有较高的输出信噪比，同时保持了图像信息的完整和图像目标的准确定位。     

SVD域的图像高斯噪声强度估计

精确估计图像或视频中的噪声强度对于后续的信号处理是至关重要的先决条件。通过对含噪图像的奇异值特性的研究,提出一种精确的SVD域的图像噪声强度估计算法。该算法对噪声强度估计提出了创新的解决方法:1)利用奇异值的尾部数据进行噪声强度估计,这样达到尽可能地降低图像信息对噪声估计的干扰;2)对含噪图像加入已知强度的高斯白噪声,以计算噪声估计时需要设置的与图像内容相关的参数,因此该算法可以自适应图像的结构,能够广泛地适应各种类型的图片。实验结果表明SVD域噪声强度估计算法适用于各种图片类型,而且在极大的噪声强度范围内都能够稳定精确地估计噪声强度。     

基于加权联合导向矢量模型的InSAR干涉相位估计

基于干涉图的传统干涉相位估计方法,当由于图像配准误差而导致的干涉图质量较差时,就难以恢复出准确的真实干涉相位.本文提出了一种基于加权联合导向矢量模型的InSAR干涉相位估计方法.该方法构造最优联合观测矢量和加权联合导向矢量,同时利用相邻像素的相干信息,并采用波束形成技术,因此具有自适应图像配准和降低相位噪声的功能,因而可以在SAR图像配准精度很差(可以允许达到一个分辨单元)的条件下准确地估计相应像素间的干涉相位.仿真及实测数据的处理结果证明了此方法的有效性.     

一种新的指纹图像合成分割法

在研究和分析传统方差法和最大类间方差法的基础上,提出了一种传统方差法和最大类间方差法相结合的分块处理分割算法。该算法首先求出整个指纹图像的方差,然后计算每一子块的方差。若方差小于整个图像的方差则用方差法对图像进行分割,否则用最大类间方差法进行分割。最后再对图像进行平滑处理。实验结果表明,相对于传统分割方法,该方法无需根据经验选取阈值,能较准确地分割出前景和背景,抗噪能力强,对高对比度和低对比度的图像均具有很好的分割效果。     

改进的多层次模糊增强算法应用研究

在工业上由CCD相机拍摄的图像,因一些不利的因素,会产生斑点噪声且使待检测的目标间强度对比比较明显。对这一问题,目前常用的传统边缘检测和基于模糊理论的边缘检测方法存在着各种缺陷,由此提出了一种多层次模糊增强边缘检测算法。该算法首先使用Valley-emphasis算法来计算阈值参数,根据阈值定义的凸非线性隶属函数对待测灰度图进行模糊特征平面映射,再对模糊域进行平滑处理和模糊增强。在此基础上,提出了基于模糊熵的边缘检测方法。实验结果表明该算法有效,检测结果为工业上质量控制提供了重要依据。     

A fast parallel algorithm for blind estimation of noise variance

A blind noise variance algorithm that recovers the variance of noise in two steps is proposed. The sample variances are computed for square cells tessellating the noise image. Several tessellations are applied with the size of the cells increasing fourfold for consecutive tessellations. The four smallest sample variance values are retained for each tessellation and combined through an outlier analysis into one estimate. The different tessellations thus yield a variance estimate sequence. The value of the noise variance is determined from this variance estimate sequence. The blind noise variance algorithm is applied to 500 noisy 256×256 images. In 98% of the cases, the relative estimation error was less than 0.2 with an average error of 0.06. Application of the algorithm to differently sized images is also discussed     

图像高斯噪声估计的极大似然算法

提出一种图像高斯噪声极大似然估计方法,目的是估计出噪声图像所含噪声大小。首先,根据高斯噪声模型的特点,用极大似然法估计噪声值,对图像所含噪声模型进行分析。其次,把噪声图像用直方图表示,从归一化直方图中选出不同的样本观测值,用极大似然算法对噪声的方差进行估计。最后,用MATLAB对该方法进行了模拟实验,实验结果表明此方法所得的图像噪声的方差与实际图像噪声的方差近似相等。所以,此方法无论是在准确性上还是在可行性上均具有优良的特性。     

边界保存的二进小波图像去噪算法

根据小波变换系数与图像边界的关系,提出了一种基于二进小波变换的图像去噪算法。首先用二进小波在不同尺度上分解图像,在低频部分上提取图像边界,根据图像边界与小波系数的关系,估计对应尺度上高频部分的噪声的方差,用Oracle估计子估计图像的二进小波系数,用估计出的二进小波系数重建图像。实验表明,该算法能够有效地去除各种分布的图像噪声。     

基于噪声方差估计的伪造图像盲检测方法

针对不同来源合成伪造数字图像提出了一种盲检测方法,不同数字图像背景噪声存在差异,因而伪造图像区域噪声方差不同。从待测图像小波分解后的高频子带中去除相应边缘区域的高频干扰,改进了噪声方差估计算法,并对所得噪声图像进行分块处理估计每一个分块的噪声方差,将方差相近的块进行融合,最后比较图像中纹理接近的同质区域,找出方差异常的位置。通过实验研究了方差估计精度,对不同来源的伪造图像进行了检测,结果表明算法提高了图像噪声方差的估计精度,在图像纹理接近的同质区域中可以定位图像的伪造区域。     

结合第二代Bandelet变换分块的字典学习图像去噪算法

针对以往稀疏编码在图像去噪过程中存在的噪声残留和缺乏对图像的边缘与细节的本质特征的保护等问题,提出了一种结合第二代Bandelet变换分块的字典学习图像去噪算法,其更好地利用了图像的几何特性进行去噪。首先,通过第二代Bandelet变换可以灵活地根据图像几何流的正则性特征并能够自适应地获得图像的最稀疏表示来准确估计图像信息,并能自适应地选择最优的几何方向;然后,根据K-奇异值分解(K-Singular Value Decomposition,K-SVD)算法来训练学习字典;最后,通过四叉树分割对噪声图像进行自适应分块,从而去除噪声并保护图像的边缘与细节。实验结果表明,相比于其他学习字典,所提算法能更有效地保留图像的边缘特征与图像的精细结构。     

强噪声下改进Canny算法的边缘检测

针对传统边缘检测算法抗噪性较差、易受噪声影响、误判率高和漏判等问题,提出一种强噪声环境下对传统Canny边缘检测算法的改进算法。该算法选用平滑聚类滤波取代高斯滤波对受噪声图像进行预处理;对滤波窗口内的像素点进行噪声检测,根据检测到的噪声点个数自适应调整滤波窗口的大小,改变窗口中各信息的输出,为图像中的重要信息赋予较大的权值,实现降低噪声影响的同时防止重要信息被过滤;极大值抑制阶段在3×3邻域内使用Sobel算子,额外加入45°、135°方向计算梯度幅值和方向,更全面地检测细节信息;针对图像的灰度变化使用平均方差来计算高阈值。仿真结果表明,在高斯噪声和椒盐噪声的混合强噪声干扰下,该算法得到的边缘提取结果明显优于传统算法得到的结果。     

基于Retinex理论的小波域雾天图像增强方法

针对传统的雾天图像增强方法在增强图像的轮廓和细节的同时不能有效抑制图像噪声这一问题,在Retinex理论基础上,提出了小波域图像亮度与噪声双估计模型的图像增强方法,利用小波变换多分辨率的特点,对小波分解后的低频系数进行波动抑制,对高频系数通过多子带独立系数模型进行亮度估计,同时使用不同的软-硬估计法对图像的噪声进行抑制。实验证明该方法不但能有效地提取图像的亮度信息,而且进行图像增强的同时能有效地抑制图像的噪声,且对于不同的雾天环境也有良好的自适应性。     

基于Mallat-Zhong离散小波变换小波的超声图像各向异性扩散抑噪方法

针对传统各向异性扩散方法在超声图像散斑噪声抑制中存在的噪声抑制不充分与边缘特征保持不足的问题,提出一种基于Mallat-Zhong离散小波变换(MZ-DWT)小波的散斑噪声抑制方法。该方法将MZ-DWT小波分析与期望值最大化(EM)算法作为图像中均匀区域与边缘区域的鉴别因子,使扩散系数能够更准确地控制扩散强度与扩散速度,从而达到充分抑制噪声和保护边缘的目的。实验结果表明,所提方法在有效抑制散斑噪声的同时,更好地保持了图像细节信息,其性能优于传统各向异性扩散方法。