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。  

基于离散小波阈值的偏微分图像去噪

小波方法和偏微分方程方法是图像去噪中的主要方法。该文提出基于离散小波变换对图像进行阈值去噪，得出了小波阈值的偏微分方程表示形式，在此基础上研究偏微分方程的解法，采用分数步的小波阈值方法对图像去噪，得到了较好的去噪效果，同时可以保护边缘。数值试验结果表明，该方法具有比小波方法更好的去噪效果，能获得较高的信噪比。  

自适应的快速非局部图像去噪算法

文章对非局部均值（NL-Means) 图像去噪算法进行了改进，提出一种定量估计算法滤波参数最优值的方法，由噪声图像估计噪声方差，进而由噪声方差与图像方差估计滤波参数h。另外，根据局部区域加权欧氏距离的对称性，将算法中复杂度最高的两像素间距离计算由两次降为一次，从而在不损失性能的条件下使计算复杂度降低到原来的一半左右。在多个典型图像上的实验结果表明，提出的自适应非局部均值算法(ANL-Means)可达到近似最优性能，且处理时间只有标准NL-Means算法的一半左右。  

基于偏微分方程的图像去噪综合模型

介绍了基于偏微分方程(PDE)的两种去噪模型,即ROF模型和LLT模型。根据对这两种模型的比较,提出了应用权函数来合并ROF模型和LLT模型的综合模型。实验表明,综合模型既能克服ROF模型和LLT模型的缺点,又能融合它们的优点,在去噪、保护平滑区域、保护边缘和纹理细节方面都有较好的表现。  

圆对称轮廓波变换的构造

提出了具有类似于视皮层变换频带划分的圆对称轮廓波变换.在该变换中,圆对称滤波器组将图像分解为多个不同分辨率的细节子带和一个低频子带,方向滤波器组再将各细节子带分解为方向子带.文中利用遗传算法设计满足重构要求的圆对称滤波器组,应用伯恩斯坦多项式设计的映射函数将9/7双正交滤波器组映射为扇形滤波器组.利用自适应阈值法对Lena图像去噪的实验结果表明,两种圆对称轮廓波变换（CSCT1和CSCT2）的去噪性能与轮廓波变换相比有显著提高.  

基于改进轮廓波变换的图像去噪算法

在轮廓波变换中进行拉普拉斯金字塔分解时，所得的带通图像在奇异性点附近产生振荡，影响了图像去噪的效果。针对该问题，提出一种改进的拉普拉斯金字塔分解，可消除边缘附近的震荡。利用改进的拉普拉斯金字塔实现轮廓波变换，并对图像进行自适应去噪。实验结果表明，该算法所得的峰值信噪比较轮廓波变换自适应去噪算法有显著提高，且视觉效果有较大改善。  

CUDA架构下的快速图像去噪

图像处理通常需要较大的计算量,其中图像去噪是经常使用的一种预处理算法,研究其快速算法具有重要意义。图形处理器具有强大的并行计算能力,但大部分时间处于闲置状态。统一计算设备架构提供了一种简单易用的开发环境,可利用图形处理器进行通用计算。提出了基于统一计算设备架构的快速图像去噪算法,可以利用GPU的计算能力,加快去噪过程,显著地减少计算时间。  

图像去噪混合滤波方法

传统均值滤波和中值滤波对高斯型噪声和椒盐型噪声有着不同的滤波特性。实际滤波时，由于图像往往会受到两种不同性质噪声的同时干扰，因此，单独采用中值滤波或均值滤波都不会达到最好的去噪效果，为了能同时对两种不同性质的噪声进行滤除，现提出了一种新的混合滤波算法，该算法首先利用局部阈值把受高斯型噪声污染的像素和受脉冲型噪声污染的像素区别开来，然后对受高斯噪声污染的像素采用均值滤波算法，而对受椒盐噪声污染的像素则采用中值滤波算法进行去噪。仿真结果证明，该方法更具有实用性和有效性。  

各向异性扩散平滑滤波的改进算法

图像的噪声过滤和增强是数字图像处理中非常重要的组成部分.在图像处理过程中,为了既有效地去除噪声,又能够较好地保持图像的边缘和重要的细节信息,在Perona-Malik各向异性扩散模型（PM模型）的基础上,通过对变分方法的扩散方程中扩散系数的改进,提出了一个对噪声图像更有效更具有适应性的去噪扩散模型.该模型针对不同的梯度大小采用了不同的扩散系数.在实际处理过程中该模型不仅能够有效地保持图像的边缘,而且还能够克服PM模型对小尺度噪声敏感和部分边缘和细节失真的问题.实验结果表明,改进的扩散模型的性能优于PM模型,是一种较为理想的保边缘平滑模型.  

基于偏微分方程的医学图像去噪

图像去噪是图像处理的重要组成环节,近年来,偏微分方程的图像去噪方法得到了广泛的关注。本文从经典的图像去噪方法入手,引入了基于偏微分方程的正则空间模型,并结合TV滤波器的设计,给出了一种针对医学图像去噪的方法及其实现,最后通过实验对结果加以比较分析,证明这种方法应用于医学图像去噪,得到令人满意的结果。