Surfacelet联合多向Cycle Spinning的图像去噪方法

为了有效地保留去噪后图像的细节和纹理,综合利用Surfacelet变换和Cycle Spinning,提出一种新的图像去噪方法.Surfacelet具有良好的多维信号处理能力,但是Surfacelet不适宜直接处理二维图像,该文把多幅加噪图像分别进行多个方向的Cycle Spinning并压成图像序列,生成后的多个序列合成一个图像序列,进行Surfacelet变换后,对其系数硬阈值去噪.实验结果显示,去噪后图像无Wavelet的伪吉布斯现象以及Contourlet的划痕效果,该方法能明显改善图像视觉效果,显著提高图像的PSNR值.     

结构相似性灰关联在强噪声图像增强中的应用

为提高强噪声环境下的图像质量,提出一种图像增强新算法．该算法首先对含噪图像进行多尺度小波分解,得到不同尺度、不同方向下的频域信息,然后利用图像中噪声与边缘在不同频带上的分布规律和衰减特性,通过灰色理论中的灰色关联度来区分噪声与边缘,从而在噪声抑制和边缘增强两个方面提高图像的质量．实验结果初步显示,与传统的空域滤波方法和相对较新的小波自适应阈值去噪、Contourlet域自适应阈值去噪等方法相比较,新算法所得图像的视觉效果得到了改善,峰值信噪比最优,可用于强噪声环境下的图像增强预处理．     

小波域隐Markov树模型的图像去噪快速算法

小波域隐Markov树模型(Hidden Markov Tree Model，简称HMT)能充分表现小波系数的统计特征，但模型训练算法计算量大。文中以图像去噪为应用背景，提出了基于HMT粗分类的多树训练算法。该算法通过对不同类型的纹理建立不同的HMT，对小波系数进行粗分类，在此基础上，不同类别的小波系数被分别建模，并将粗分类HMT的参数作为最终模型训练的初始化参数，从而提高了模型的精度，同时减小了训练算法的计算量。对于含复杂场景或纹理的图像，提出了基于方差粗分类的训练算法，也能有效地提高模型精度。对自然图像和SAR图像的去噪实验表明，采用粗分类训练算法的HMT去噪模型的去噪效果在客观指标上优于现有的HMT去噪模型。     

利用方向特性实现非下采样Contourlet变换阈值去噪

系数阈值是流行的去噪方法,其中阈值方式与大小的选择是一个重要的技术问题．依据非下采样Contourlet分解系数尺度内与尺度间的相关性,考虑到相同尺度内不同方向上系数分布的聚集性依赖图像自身发生变化,提出一种利用方向特性实现非下采样Contourlet变换阈值去噪策略．对于被加性高斯白噪声污染的图像,实验中将利用方向特性实现非下采样Contourlet变换阈值去噪策略方法与小波阈值去噪、Contourlet变换去噪方法和非下采样Contourlet变换去噪方法进行了比较,结果表明利用方向特性实现非下采样Contourlet变换阈值去噪策略的峰值信噪比结果相比这些方法平均高出0.5~3.3dB,在边缘特征方面保持了良好的视觉效果．     

图像小波系数的自相似性在图像去噪中的应用

讨论了图像小波系数的四叉树结构及统计规律,指出在四叉树各层节点的小波系数具有自相似性,利用这种自相似性建立混合高斯模型对小波系数进行描述;此外,四叉树层与层间的节点之间具有相关性,利用小波域系数间的自相似性信息和相关性建立隐式马尔科夫树模型(HMT),用于去除图像信号中的高斯白噪声,并利用Lenna图像进行试验仿真;与传统的低通滤波方法相比,该方法在滤除噪声的同时更好地保存了图像的细节和边缘信息.结论表明,隐式马尔科夫树(HMT)模型较精确的体现了图像的特征,具有较好的去噪效果.     

基于Contourlet变换的医学图像增强

针对传统算法中存在噪声过增强的问题,给出了一种基于Contourlet变换的乳腺X线照片去噪增强算法。Contourlet变换作为一种多尺度几何分析方法,是一种具有多分辨的、局部化和方向化性质的图像表示方法。以此为基础,算法对图像分解后的Contourlet系数进行Stein阈值去噪,然后对不同子带上的各分解系数用非线性增益函数进行不同程度的增强。实验表明,该算法在去除噪声的同时有效突出了乳腺X线照片中的细微特征,有利于小乳腺癌的诊断。最后,文中还通过客观量化指标比较了不同增强算法的效果。     

基于Contourlet变换的医学图像增强

针对传统算法中存在噪声过增强的问题,给出了一种基于Contourlet变换的乳腺X线照片去噪增强算法。Contourlet变换作为一种多尺度几何分析方法,是一种具有多分辨的、局部化和方向化性质的图像表示方法。以此为基础,算法对图像分解后的Contourlet系数进行Stein阈值去噪,然后对不同子带上的各分解系数用非线性增益函数进行不同程度的增强。实验表明,该算法在去除噪声的同时有效突出了乳腺X线照片中的细微特征,有利于小乳腺癌的诊断。最后,文中还通过客观量化指标比较了不同增强算法的效果。     

基于混沌粒子群优化的Contourlet域红外图像自适应增强

为进一步增强红外图像的对比度、提高清晰度并抑制噪声,提出了一种基于混沌粒子群优化(PSO)的Contourlet域红外图像自适应增强方法。首先对红外图像进行Contourlet变换,调整低通图像和细节图像在原始图像中的比例,并经灰度线性拉伸增强图像对比度;然后通过非线性增益函数调整含噪带通方向子带系数;利用兼顾对比度、清晰度和信噪比3个指标的定量综合评价函数作为混沌PSO的适应度,寻找基于Contourlet的空间域增强和带通方向子带系数调整的非线性增益函数所涉及的最优参数。大量实验结果表明:与近年提出的4种图像增强方法相比,该方法能使红外图像的对比度和清晰度提高,噪声降低,整体视觉效果更佳。     

一种基于多小波变换的自适应图像去噪算法

介绍一种新颖的自适应图像去噪算法.通过将图像变换到多小波域,并利用分形几何和图像的偏微分方程知识,提出一种新的图像软阈值去噪算法.对于欲去噪的图像,该算法能够在多小波域中,自动确定去噪阈值.实验结果表明,该算法不仅去噪效果好,而且运行稳定.     

多光谱图像与全色图像融合

非下采样Contourlet 变换具有多尺度、多方向性、强大的稀疏表达能力,能够有效捕获图像中的纹理信息,文中提出了一种新的基于非下采样Contourlet变换和 HIS变换的遥感图像融合方法。对多光谱图像进行 H IS 变换,将得到的亮度分量和全色图像进行非下采样Contourlet变换,通过融合算法得到新的亮度分量,进行 HIS逆变换得到融合图像。实验结果表明,该方法在保留原图像的频谱信息的同时增强了融合图像的空间细节表现能力。     

一种新的Contourlet变换图像降噪算法

Contourlet变换使用一组类似于线段的基结构来逼近原图像,拥有良好的各向异性特征,非常适用于图像处理的各种方法.针对Contourlet变换的多尺度多方向的特性,提出了一种新的自适应多阈值,软硬阈值函数相结合的图像降噪方法,该方法在不同尺度不同方向下选择不同的阈值,充分考虑了图像的纹理、方向和尺度,保留了两种阈值函数的优点,使得降噪后的图像在信噪比上有所提高,并有效保持了图像纹理信息,得到更好的视觉效果.     

基于非下采样contourlet变换的图像去噪方法

根据非下采样contourlet变换(NSCT)具有多尺度、多方向和平移不变的性质,提出了一种基于NSCT变换的图像去噪方法。首先对图像进行NSCT变换,得到不同尺度、不同方向的信息,然后根据分解所得系数确定阈值,依此阈值进行去噪处理,最后对去噪处理后的系数进行反变换,得到去噪图像。实验表明:该方法比小波变换(WT)及contourle变换(CT)能更稀疏表示图像,可有效消除图像中的伪吉布斯效应及噪声,能达到更好效果及更高的峰值信噪比(PSNR),较好地保持图像细节及纹理。     

基于局部邻域信息的Contourlet变换域图像去噪

分析了Contourlet变换系数间的统计特性,提出了一种新的基于Contourlet变换的图像去噪算法。这种算法考虑相邻Contourlet系数间的相关性,认为某一位置"干净"的Contourlet系数不仅与这一位置本身的含噪系数有关,也与其周围邻域的含噪系数有关。实验结果表明,所提出的算法不仅能得到较满意的"线形结构",而且也能获得比现有方法更高的信噪比。     

基于多个小波基联合去噪方法的研究

图像在形成、传输、存储过程中,不可避免地会受到各种噪声的干扰,极大地影响了人们从图像中提取信息,因此,采用适当的方法尽量减少图像噪声是一个十分重要的处理步骤。小波变换应用于图像去噪领域比较成功,在图像去噪中能更好地保护图像细节。本文提出了一种多个小波基联合去噪的方法,该方法能够很好的去除图像中常见的噪声。     

Contourlet变换的图像分割

针对小波域隐马尔可夫树模型分割的图像结果容易产生方向边缘成分模糊和奇异性扩散现象,根据Contourlet变换可以充分捕捉图像中高维奇异性,提出了一种基于Contourlet变换域的新的多尺度图像分割算法.该算法通过Contourlet域隐马尔科夫树模型获得各尺度上的初始分割,采用自适应的上下文结构对分割后的图像进行多...     

小波和小波包变换在心电信号去噪中的应用

小波（包）变换软阈值去噪方法具有非线性和自适应性,特别适合非平稳微弱的生物医学信号的去噪,而心电信号恰具有该特征。利用MIT／BIH数据库中没有噪声的胎儿心电的信号作为有用信号并混合高斯自噪声作为干扰来验证小波（包）软阈值去噪的效果。验证结果表明小波（包）软阈值算法去噪效果很好,能有效去除干扰。     

全变差曲波变换在医学影像图像去噪中的应用

针对曲波变换算法在医学影像图像去噪中会产生截断伪影和边缘模糊等问题,提出了一种全变差曲波变换算法.该算法首先对含噪医学影像图像分别进行曲波阈值和全变差去噪,然后将得到的去噪结果进行曲波逆变换并生成最终图像.仿真实验结果表明,该算法不仅可有效地降低噪声,还可较好地保持医学影像图像边缘和细节信息,其效果明显优于曲波变换算法和全变差算法.因此,该算法对医学影像图像的噪声滤除具有良好的应用价值.     

粒子群优化Contourlet变换的遥感影像融合算法研究

Contourlet变换能有效地应用在图像增强领域,基于Contourlet变换的遥感影像融合算法常采用高频低频替换和频域线性加权两种融合方法,因此,通过粒子群优化算法对基于Contourlet变换分解不同子带图像所需的不同加权系数进行优化,采用多元回归分析方法设定目标函数,实现了全色影像与多光谱影像的融合,与传统的Contourlet变换、PCA算法、高通滤波遥感影像融合算法相比较,新方法在提高影像清晰度的同时在光谱保真度方面相对于其他算法有明显优势.     

多小波图像去噪算法的研究

尽管多小波相比于单小波,具有正交性、紧支撑、实对称、高阶消失矩等性质,但是多小波进行图像去噪效果并不是很理想,其主要原因是没有充分利用图像在多小波域内所特有的性质.通过将含噪图像变换到多小波域,在小波域内应用Laplace算子的一种特殊差分格式,并考虑小波域内各个子带的分形维数,提出了一种自适应的多小波阈值算法,即AMT算法.对于欲去噪的图像,AMT算法能够在多小波域内自动确定去噪的小波伸缩阈值,而不需要知道图像的任何先验知识,例如图像中噪声的方差等等.仿真实验结果表明,该算法去噪效果好,特别是对于高度污染的图像,AMT算法的去噪效果更加显著.