小波阈值图像去噪研究与应用

目前,对于图像去噪的理论和应用都已基本完善,但是对于保留图像边缘的图像去噪的研究仍然有很多学者专家在研究。小波域阈值图像去噪是能够保留图像边缘及其他特征的去噪方法之一。本文系统地研究了最常用的几种小波阈值去噪方法及阈值函数,然后在MATLAB环境下对几种小波阈值方法进行了试验,最后对各种阈值去噪方法的去噪效果进行了比较。     

基于小波自适应阈值图像去噪方法的研究

利用小波变换对图像去噪是一种非常有效的方法。传统的小波去噪算法对图像去噪后的平滑效果不是很好,图像细节清晰度不够高,甚至会产生伪吉布斯现象。针对这些现象,文中提出了一种改进的基于小波变换的多尺度自适应阈值图像去噪方法。该方法根据图像小波分解的特性,确定适合小波分解后不同层系数去噪的较优阈值,然后结合恰当的阈值函数对各层高频系数进行处理来达到去噪效果。实验结果表明,与传统方法相比,该方法运算量较小,能有效去除高斯白噪声,进一步提高峰值性噪比,同时能够很好地保留图像细节信息。     

基于正则化的多光谱图像二值化处理

为了进一步提升传统多光谱图像二值化处理方法的处理速度和抗噪性能,提出基于正则化的多光谱图像二值化处理方法。将正则化约束引入到多光谱图像去噪模型中,对现有的多光谱去噪模型进行改进。并利用正则化框架中的数据正则项对图像的噪声机制以及图像的先验信息进行建模,以实现多光谱图像去噪处理。根据去噪结果采用约束能量最小化方法获取多光谱图像的边缘信息,将最佳全局阈值法和局部阈值自适应方法在边缘信息的基础上相结合,实现对多光谱图像的二值化处理。仿真结果表明,所设计方法具有较强的抗噪能力和较快的处理速度,并且经处理后的图像分辨率较高,充分验证了上述方法的有效性。     

基于粒子群优化的Shearlet自适应图像去噪

研究Shearlet变换域图像去噪阈值选取的问题,提出Shearlet变换域图像去噪自适应阈值选取方法.该方法根据Shear-let变换域不同尺度和方向系数的分布特性,采用粒子群优化算法自适应地确定各尺度和方向的最优阈值,实现基于图像内容的自适应去噪.仿真实验表明,该方法能有效滤除图像的噪声,较好地保留图像的边缘信息.同时,去噪后图像具有更高的峰值信噪比(PSNR).     

基于多尺度相似先验的非局部图像去噪算法

图像去噪是图像处理领域的一个基础研究课题,利用正则化建模方式解决图像去噪问题的关键在于正则化约束项的选择。通过分析图像结构信息,文章假定图像存在多尺度的结构特征,提出了以多尺度相似先验作为正则化约束项的非局部图像去噪模型。该算法利用奇异值分解和硬阈值方法对获得的多尺度相似矩阵进行协同去噪,通过数值实验表明,可以获得性能较好的去噪效果。     

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。     

基于改进小波阈值法的图像去噪算法

图像去噪是图像处理中最基本、最重要的前期工作,本文提出一种基于衰减法的Garrote阈值函数,并将基于该改进阈值函数的小波阈值法用于图像去噪过程,最后通过MATLAB仿真实验验证了本文所提出算法的有效性.本文在分析小波阈值法对图像去噪效果影响的基础上,针对该去噪算法在去除噪声的同时也损失了一定量的图像细节信息的问题,改进了传统阈值函数未考虑阈值以下的小波系数可能含有图像细节信息而对阈值以下小波系数盲目置零的缺点,对Garrote阈值函数阈值以下的小波系数采取衰减方法,以保留更多的图像细节信息,并加入三个调整因子以提高其性能和灵活度,实验表明本文提出的改进小波阈值去噪算法能够有效地去除噪声,且能够保留大量的图像边缘及细节信息.     

基于小波变换阈值的茶叶病害图像去噪方法研究

茶叶病害图像在实际采集和传输过程中因受到各种噪声的干扰而使图像的质量下降,直接影响后续的图像处理效果.因此图像去噪是图像处理中的一个重要环节.提出基于小波变换阈值的茶叶病害图像去噪方法,对阈值函数和分解层数的选取进行了研究,引入信噪比、均方差和峰值信噪比作为评价去噪效果的性能指标辅助选择小波基函数.为实际使用小波变换阈值去噪方法提供了参考依据.     

非下采样Contourlet变换自适应图像去噪方法

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去噪阈值。实验表明,与Contourlet多尺度阈值去噪、Contourlet自适应阈值去噪相比,该方法在保留图像边缘细节的同时,能提高图像的PSNR值,减少了Gibbs现象。     

基于小波变换的自适应多阈值图像去噪

小波图像去噪是小波应用较成功的一个方面，其中最重要的一个环节是最优阈值的确定，为此，提出了一种新的基于小波变换的自适应多阈值图像去噪方法——Multi—Threshold shrink去噪法，这种方法是在不同子带和不同方向上选择不同的最佳阈值，而最佳阈值的选取是基于Bayes理论，并认为图像的小波系数是服从广义高斯分布的(generalized Gaussian distribution)。通过实验证明，这种方法能很好地对图像去噪，与Donoho等人提出的Visu shrink去噪方法和Chang等人提出的Bayes shrink去噪方法相比，不仅提高了去噪后图像的信噪比(SNR)和最小均方误差(MSE)，而且也使图像更加清晰，并能更好地适合人眼的视觉特性，从而可在客观和主观上同时获得更佳的去噪效果。     

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。     

结合FT与NSCT的自适应阈值去噪算法

为更好地对图像进行稀疏表示,以改善去噪效果,提出一种傅里叶变换与非下采样轮廓波变换(NSCT)相结合的自适应阈值去噪算法。在傅里叶域中对含噪图像去噪,在NSCT域中利用分层噪声估计的贝叶斯阈值算法,结合多尺度多方向的能量阈值修正方案自适应地滤除剩余噪声。实验结果表明,该算法的去噪性能较好。     

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。     

结合阈值去噪与边缘优化的图像增强算法

针对图像在传输过程中容易出现干扰的问题,该文通过研究图像的增强技术,通 过对比分析,提出了一种结合阈值去噪与边缘优化的图像增强算法,该算法结合小波Contourlet 变换与人眼的视觉固有特性,有效地对分解后的图像系数进行分类,并结合改进边缘优化算法 的增益因子来优化边缘区信号;而非边缘区采用改进后的软阈值去噪算法进行去噪处理。经实 验,该算法具有准确性高与去噪能力强的特性,能够在去噪的同时有效保护边缘信号,与预期 目标相符,具有一定的实用价值。     

拟正态分布扩散的图像平滑

目的在传统的去噪模型中,若仅考虑去噪与边缘保护这两个方面,会导致纹理等细节信息丢失,为解决传统模型这方面的缺陷,提出了一种基于拟正态分布的图像去噪模型。方法提出的模型是以经典的各向异性扩散模型为基础,首先分析了扩散系数在扩散过程中的作用,引入通量函数,做归一化处理,建立新的扩散系数,构造新的扩散模型;然后考虑新模型在去噪过程中,既要有效去噪,又要保护图像的边缘、纹理等细节信息,将扩散系数构造成拟正态分布函数。结果实验结果表明,在同一实验条件下,新模型的峰值信噪比与经典模型相比提高了28 d B左右,均方差大幅度降低,图像的边缘更加清晰,对比度得到显著增强。结论提出的新模型能够较稳定地控制扩散过程,使图像在去噪和保边缘、纹理等细节信息方面都达到令人满意的效果,峰值信噪比有了大幅提高,其去噪性能较经典模型更具优越性。     

特征保留的稀疏表示图像去噪

稀疏表示理论认为在合适的冗余字典下,图像存在最为稀疏的表示,字典的过完备性,使得通过提取很少量的大系数便能捕获到图像中的重要信息,而且对噪声更加鲁棒。针对图像去噪,为了更好地保留图像特征信息,考虑人眼视觉特性,研究过完备字典对噪声图像特征和边缘信息的有效表示,提出以结构相似为信息保真度的特征保留的稀疏表示去噪算法。实验结果表明,该算法能更好地对图像去噪,对特征和边缘等信息的保留能力更强,得到的图像视觉效果更佳。     

基于HVS视觉模型下的图像降噪

描述了构建人类视觉系统(Human vision system，HVS)降噪模型的思想方法及理论依据。为了解决SureShrink及VisuShrink方法对重建图像带来的不良影响，建立了基于HVS模型的适应小波门限降噪模型，提出HVSShrink降噪策略。通过对该算法进行测试和比较，证明了使用本方法可以得到具有较好视觉效果的重建图像。     

基于四阶非线性扩散方程的新型图像去噪方法

提出了一种基于新型扩散系数函数的图像去噪方法,这种扩散系数函数是利用图像特征的一些特殊性质构造出来的。该函数较常用的P-M启发性扩散系数函数,在图像去噪的过程中,不仅能更好地抑制、平滑噪声,较完整保留了图像的细节,使图像更平滑清晰,而且还大大降低了参数的选取难度以及参数对实验效果的影响程度。并通过基于该方法的四阶非线性扩散的图像去噪实验,结果表明了该方法的有效性。     

基于Shearlet变换的图像去噪算法

针对传统变换域去噪算法的不足,提出一种基于Shearlet变换的图像去噪算法。该算法首先在Shearlet变换理论基础上实现了一种分解和重构的方法,然后用Monte-Carlo方法对高频系数进行估计,最后通过阈值函数进行收缩去噪。实验结果表明,该算法在抑噪和保持边缘的同时,取得了较好的视觉效果和更高的PSNR值。     

一种基于小波阈值函数的交通图像去噪算法

针对高速运动条件下交通实时监测图像的失真和去噪问题,介绍小波阈值图像去噪过程和传统GCV阈值的原理,引入整数小波变换和合并递推运算的思想,提出一种快速递推GCV阈值的小波图像去噪方法。仿真实验分析了传统GCV阈值和快速递推GCV阈值去噪的效果,并比较了两种算法的复杂度。结果表明,快速递推GCV阈值算法不仅保留了传统GCV阈值算法去噪效果明显的特点,而且很好地解决了算法复杂度较高的问题,具有良好的应用前景。