基于奇异值分解和Contourlet变换的图像压缩算法

随着互联网的飞速发展,产生大量的图像信息。为了减小存储并提高图像质量,故提出了一种基于奇异值分解和Contourlet变化结合的有损图像压缩算法。该算法先对图像进行奇异值分解,根据奇异值对图像信号的贡献,选取适当的奇异值,来实现图像压缩,再对图像进行Contourlet 变换和量化,实现图像二级压缩。将该算法和图像奇异值分解直接压缩算法、Contourlet变换压缩算法进行实验比较,试验结果表明,该算法比图像奇异值分解直接压缩算法、Contourlet变换压缩算法有更好的性能,在同样的压缩比的情况下能获得更高的峰值信噪比和SSIM。     

一种旋转机械振动信号的有效消噪方法

提出了一种基于奇异值分解(SVD)、Mallat算法和经验模态分解的信号降噪方法.首先,采用香农熵判据寻求最佳小波分解,对带噪部分小波系数进行经验模态分解,提取出信号趋势分量;其次对小波系数剩余部分采用奇异值分解方法降噪,并根据奇异值差分谱自适应的选择奇异值进行重构,将重构后的信号和趋势项叠加作为新的小波系数;最后进行小波重构得到最终的消噪信号.运用模拟信号和齿轮箱断齿故障信号进行仿真,结果表明该方法能够准确地选择用于重构的奇异值个数,并能有效去除信号噪声,保留特征信号的细节信息,尤其对含有趋势项的故障特征有很大实用性.     

基于小波域奇异值分解的图像压缩算法

提出了基于小波域奇异值分解（SVD）的图像压缩算法,该算法通过对小波分解系数进行奇异值分解,进而对小波系数进行压缩,实现图像压缩。将该算法与图像奇异值分解直接压缩的算法进行了实验比较,实验结果表明,该算法较图像奇异值分解直接压缩的算法具有更好的性能,在同样压缩比的情况下能获得更高的信噪比。     

基于高阶奇异值分解和均方差迭代的图像去噪

目的 图像去噪是图像处理的难题,其难点是在尽量滤除噪声的同时对图像信息进行保持。针对该难点,本文提出了一种将非局部相似性和高阶奇异值分解(HOSVD)相融合,并利用均方差(MSE)迭代对图像进行去噪的iHOSVD算法。方法 首先利用非局部相似块聚类和高阶奇异值分解构建数据自适应的3维变换基及其变换系数;其次,对变换系数进行阈值处理后进行3维反变换,从而达到非局部协同滤波的目的;最后,由于一次去噪操作无法达到理想的去噪效果,采用一种基于均方差最优的迭代方法对图像进行去噪,并证明该迭代是一个权衡偏差和方差使得均方差达到最优的过程。结果 实验结果表明,iHOSVD算法既能够有效地去除噪声,又能够很好地保持纹理细节信息。结论 本文所提的图像去噪iHOSVD算法结合了非局部协同滤波与数据自适应去噪的思想,通过对3种高水平去噪算法BM3D、NCSR和PLOW的比较实验发现,不仅表现了较强的图像去噪能力,而且在图像纹理细节保持方面效果最好,适用于纹理信息较强的图像。     

自适应匹配追踪图像去噪算法

针对目前的稀疏去噪算法分解效率低、去噪效果不理想的问题,提出了一种基于自适应匹配追踪的图像去噪算法。该算法首先通过自适应匹配追踪算法求解稀疏系数,然后利用K奇异值分解算法将字典训练成能够有效反映图像结构特征的自适应字典,最后将稀疏系数与自适应字典相结合来重构图像。在重构过程中,将噪声对应的系数去除,最终达到去噪的效果。算法引入Spike-Slab先验来引导稀疏系数矩阵的稀疏性,并利用两个权重矩阵促使去噪模型更加真实。鉴于字典在稀疏算法中的重要性,将自适应字典与DCT冗余字典、Global字典进行比较。实验结果显示,选择自适应字典的去噪结果比传统字典在峰值信噪比上高出约4.5 dB;与目前6种主流的稀疏去噪方法相比,文中提出的方法在3种评价指标上均有不同程度的提高,其中峰值信噪比平均提高了约0.76~6.24 dB,特征相似度平均提高了约0.012~0.082,结构相似性平均提高了约0.015~0.108。对图像去噪算法进行定性的评价,结果显示所提算法保留了更多的有用信息,视觉效果最佳。实验充分证明了自适应匹配追踪图像去噪算法对图像去噪的有效性和鲁棒性。     

一种基于非下采样Contourlet变换的自适应阈值去噪方法

文章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Bayes去噪阈值。实验结果表明：与小波阈值去噪方法对比,非下采样Contourlet自适应阈值去噪算法在保留图像边缘细节的同时,不仅能明显提高图像的SNR值,而且还减少了Gibbs现象。     

自适应扩散系数优化的图像降噪算法

非线性扩散图像在降噪时纹理和细节通常会被削弱,为了解决这一问题,提出一种自适应扩散系数优化的图像降噪算法。利用经典的PM模型处理图像,利用扩散系数基于梯度幅值结合残差局部能量,可精确获取图像的纹理区域;利用绝对差值排序算子,进一步区分纹理部分及其存在的噪声;将图像梯度信息,残差能量及绝对差值排序算子融合到模型中,在去噪的同时很好地保留图像边缘、纹理等细节信息。实验结果表明,所提算法的SNR值为18.4714,RMSE值为15.8373,UQI值为0.8193,在降噪的同时较好地保留图像的纹理和细节,在视觉质量方面具有优越性能。     

基于BEMD与自适应维纳滤波的图像降噪

自适应维纳滤波器是一种经典的线性降噪滤波器,较其他线性滤波器能够更好地解决边界模糊的问题。然而由于含噪图像的噪声主要集中于它的高频部分,而图像的低频部分所含有的噪声较高频部分则小很多。自适应维纳滤波算法对图像中所有频率成份都不加区分地进行滤波降噪处理,因而它不能得到更为令人满意的结果。提出了一种将二维经验模态分解和自适应维纳滤波相结合的图像去噪方法,通过将图像分解为不同频率成份的子图像并对各子图像采用不同的降噪处理,从而更好地对含噪图像进行降噪。实验结果表明,算法相对于自适应维纳滤波算法降噪效果更好。     

基于贝叶斯估计的Contourlet域图像降噪方法

提出了一种基于贝叶斯估计的Contourlet域图像降噪方法。该方法对输入的带噪图像进行多尺度、多方向的Contourlet稀疏分解,并在Contourlet域利用最小Bayesian风险函数对分解系数进行估计,通过Contourlet反变换得到预降噪图像。实验结果表明,该方法较其他的Contourlet域收缩阈值降噪效果好,进一步提高了PSNR值和降低了MSE值,能获得更好的图像恢复的质量。     

基于自适应噪声抵消的MIMO-OFDM信道估计

对多输入多输出正交频分复用系统的信道估计进行了研究,利用自适应噪声抵消的思想,提出了一种基于自适应噪声抵消和奇异值分解的信道估计方法.该方法首先利用自适应噪声抵消对最小二乘(LS)估计进行去噪处理,然后将其结果用于奇异值分解(SVD)的MMSE低阶近似方法中.仿真结果表明,利用此方法有效地抑制了噪声的影响,其系统性能优于利用最小二乘方法所获得的系统性能.     

一种基于领域阈值的小波图像去噪算法

为了去除图像中的噪声,文章利用图像分块的思想,结合阈值去噪法和最小均方误差估计(MMSE),给出了一种基于领域阈值的小波域图像去噪算法。该算法与经典的子带自适应阈值去噪法BayesShrink算法相比,本文算法在峰值信噪比和视觉效果上都好于BayesShrink算法。     

联合矩阵F范数的低秩图像去噪

摘 要：目的：低秩矩阵恢复是通过最小化矩阵核范数来获得低秩解,然而待恢复低秩矩阵相关性低的要求往往会导致求解不稳定的情况。方法：针对该问题,研究一种基于变量分裂的低秩图像恢复去噪算法,引入待恢复矩阵的Frobenius范数作为新正则项,与原有低秩矩阵的核范数组成联合正则化项,对问题进行凸松弛后,采用变量分裂的增广拉格朗日乘子法求解。结果：为考察方法的稳定性和去噪能力,选取了不同参数类型的加噪图像进行仿真,并结合恢复时间、信噪比、差错率等评价标准与现有低秩矩阵恢复算法进行对比。结论：实验结果表明增加Frobenius范数的低秩矩阵恢复模型在保持原有低秩稀疏恢复的前提下,具有良好的去噪性能,对相关性强的低秩图像恢复结果稳定性好,获得了更高的信噪比。     

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。     

基于稀疏优化lp正则化的光滑化拟牛顿算法

压缩感知被广泛应用于信号恢复和图像重构与去噪,重构算法是压缩感知的关键部分之一。当采样率很低时,重建原始信号是个困难的问题。对此,现有算法普遍表现不佳。采用[p(0相似文献   

加强的低秩表示图像去噪算法

由于低秩表示（Low-Rank Representation,LRR）模型中核范数对非零奇异值的估计不足,所以利用参数化的非凸惩罚函数来估计非零奇异值,同时结合全变差（Total Variation,TV）范数保持图像边缘信息和加强区域平滑性的能力,通过对LRR模型中的系数矩阵施加TV范数约束,提出了一个新的图像去噪算法,并且采取交替最小化方法求解对应模型。利用图像的内在非局部自相似性先验,所提算法能够在有效发现和移除噪声的同时,增强恢复图像的结构和区域平滑性,提高图像的恢复质量。实验结果表明,与其他去噪算法相比,无论是客观评价还是视觉效果,所提算法都实现了具有竞争力的去噪表现,特别是在噪声强度较大时。     

结合分块噪声估计的字典学习图像去噪算法

图像去噪是图像处理领域的重要环节,也是对图像进行后续处理的基础。近年来K-SVD字典学习去噪算法因其耗时短、去噪效果好的特点得到广泛关注和应用。但该算法的适用条件为图像的噪声为加性噪声且噪声标准差已知。针对这一情况,本文先提出一种平滑图像块筛选方法,并将其与奇异值分解(Singular Value Decomposition, SVD)相结合实现对图像的噪声标准差估计。再将得到的噪声估计方法与K-SVD字典学习去噪算法结合起来,提出一种具备噪声估计特性的K-SVD字典学习去噪算法。对多种图像的去噪实验结果表明,与Donoho小波软阈值去噪算法、全变分(Total Variation, TV)去噪算法相比,本文算法不仅能够使去噪后图像的峰值信噪比提升1~3dB,并且能较好地保留图像的细节信息和边缘特征。     

基于小波域加权阈值的图像去噪方法

针对小波全局阈值去噪的缺点,介绍了一种子带自适应的阈值加权算法。通过对图像小波分解系数统计特性的分析,提出了一种近指数模型作为分解层之间小波系数的先验分布。在此基础上,对比噪声图像和无噪图像在各尺度下统计特性,给出了一种子带自适应的加权阈值计算方法,避免了各层子带去噪的不平衡。实验表明,与全局阈值和其它子带自适应阈值去噪方法相比,基于加权阈值的图像去噪方法能获得更高的信噪比和更好的视觉效果。     

结合PCA及字典学习的高光谱图像自适应去噪方法

高光谱图像各波段图像噪声分布复杂,传统去噪方法难以达到理想效果。针对这一问题,在主成分分析（PCA）的基础上,结合噪声估计和字典学习,提出一种新的高光谱去噪方法。首先,对原始高光谱数据进行主成分变换得到一组主成分图像并根据能量比重将其划分为清晰图像组和含噪图像组;然后,根据任一波段图像的信息,利用奇异值分解（SVD）对图像进行噪声估计,再将得到的噪声估计方法与K-SVD字典学习去噪算法结合,提出一种具备自适应噪声估计特性的字典学习去噪算法,并将其应用于信息量较小的含噪图像组进行去噪处理;最后,按各主成分图像对应的信息量比例进行加权融合得到最终的去噪图像。通过对模拟与实际高光谱遥感图像的实验表明,与PCA、PCA-Bish、PCA-Contourlet三种去噪方法相比,所提方法去噪后图像的峰值信噪比（PSNR）可以提升1~3 dB,且具有更多的细节信息和更好的视觉效果。     

基于特征均值的SVD信号去噪算法

根据矩阵奇异值分解原理,提出基于特征均值的信号去噪算法。该算法首先构造出加噪信号的Hankel矩阵,并对其进行SVD变换,再将小于全体特征值的均值的那些特征值置零,最后通过SVD反变换重建出去噪后的信号。通过与传统小波和FFT信号去噪算法进行对比实验。结果表明,该方法具有较强的噪声鲁棒性,同时能更好地保留信号细节,但实现速度有所降低。