基于分数阶微积分的噪声检测和图像去噪

目的 提出一种利用分数阶微分梯度检测图像中的噪声点,并用于改进基于分数阶积分的图像去噪算法性能的算法。方法 该算法首先使用不同方向的分数阶微分梯度模板与含噪声图像进行卷积,计算出图像在不同方向上的分数阶微分梯度,依据预先设定的阈值获得不同方向的分数阶微分梯度检测图,将在所有选定方向上梯度都发生跳变的像素点判定为噪声点;然后只对被检测出的噪声点,在8个方向上进行分数阶积分运算完成去噪处理。结果 通过在人工图像中分别添加高斯噪声和椒盐噪声以及在自然图像中分别添加高斯噪声和椒盐噪声的去噪对比实验得出相同结论,即只对图像中检测出的噪声点使用分数阶积分运算进行去噪有更好的去噪性能,获得了更好的视觉效果和更高的峰值信噪比。结论 实验结果表明,基于分数阶微分梯度的噪声检测算法对解决图像去噪和保留图像纹理细节之间的矛盾有所帮助。随着对基于分数阶微分梯度噪声检测方法研究的深入,对图像中噪声检测的准确度会进一步提高,这将提供一种用于改进目前去噪算法性能的研究方向。     

基于分数阶Riemann-Liouville积分的图像去噪

为了在获得更好去噪性能的同时更多地保留图像纹理信息,介绍了分数阶Riemann-Liouville(R-L)积分算子在信号滤波中的作用,将分数阶R-L积分理论引入到数字图像去噪中,并利用阶梯逼近方法来实现数值计算。模型通过设定微小的积分阶次来构建相应的图像去噪掩模,由此实现噪声图像的局部微调,并利用迭代的思想来控制模型的去噪强度,从而获得较好的图像去噪效果。实验结果表明,基于分数阶R-L积分的图像去噪算法较传统的去噪方法不仅可以提高图像的信噪比(SNR),所提出的算法去噪后图像的信噪比为18.3497dB,较传统去噪方法最低也提升了大约4%,而且可以更好地保留图像的弱边缘和纹理等细节信息。     

基于有理数阶微分的图像去噪新方法

针对现有的全变分(TV)去噪方法效果不太理想,在去噪的同时不能较好地保持图像的边缘和纹理细节,提出了一种基于有理数阶微分的图像去噪新方法。首先详细地讨论了现有的全变分去噪方法和分数阶微分去噪方法各自的优缺点;然后将全变分去噪模型与分数阶微分理论相结合,获得有理数阶微分图像去噪新模型,并推导了相应的有理数阶微分模板。实验结果表明:与改进前的方法相比,信噪比(SNR)提高了接近2个百分点,较好地传承了全变分去噪方法对图像高频部分大幅改善及分数阶微分去噪方法能够很好地保留图像纹理细节的优点,是一种有效的图像去噪方法。     

基于有理数阶微分的图像去噪新方法

针对现有的全变分(TV)去噪方法效果不太理想,在去噪的同时不能较好地保持图像的边缘和纹理细节,提出了一种基于有理数阶微分的图像去噪新方法。首先详细地讨论了现有的全变分去噪方法和分数阶微分去噪方法各自的优缺点;然后将全变分去噪模型与分数阶微分理论相结合,获得有理数阶微分图像去噪新模型,并推导了相应的有理数阶微分模板。实验结果表明：与改进前的方法相比,信噪比(SNR)提高了接近2个百分点,较好地传承了全变分去噪方法对图像高频部分大幅改善及分数阶微分去噪方法能够很好地保留图像纹理细节的优点,是一种有效的图像去噪方法。     

基于分数阶偏微分方程的图像去噪新模型

将分数阶微分理论和全变分方法相结合应用于图像去噪,提出了一种基于分数阶偏微分方程的图像去噪新模型。该模型很好地继承了现有的全变分(TV)模型去噪效果与保持图像边缘细节特征的优点,同时利用分数阶微分运算特有的幅频特性优势,较好地保留了图像平滑区域中灰度变化不大的纹理细节。实验结果表明：一方面,与现有去噪方法相比,新模型不仅具有较强的抑制噪声能力,而且能较好地保持图像边缘特征,还能保留更多的图像纹理细节信息,优于常用的整数阶偏微分图像去噪方法;另一方面,从峰值信噪比的对比实验可以看出该模型去噪效果优于其他方法,较好地达到了去噪目的,是一种有效、实用的图像去噪模型。     

带边缘补偿的分数阶积分图像去噪算法

针对分数阶积分的图像去噪算法容易丢失图像细节特征的问题,提出了一种带边缘补偿的分数阶积分图像去噪算法。介绍了分数阶积分算子具有尖锐的低通性能,将分数阶Cauchy公式引入到数字图像去噪中,并利用斜坡法来近似计算分数阶积分的数值解。在迭代去噪的过程中,该算法在图像信噪比（SNR）上升阶段,设定较高微小积分阶次来构建去噪掩模;在图像信噪比开始下降阶段,设定较低微小积分阶次来构建去噪掩模,并采用边缘补偿机制来部分恢复图像的细节信息。由仿真实验可知,提出的图像去噪算法由于在迭代去噪的过程中采用了不同的分数阶积分阶次和边缘补偿机制,与已有的降噪算法相比,可以在去除噪声的同时适当恢复原始图像的细节信息,由此获得更高的信噪比和更佳的视觉效果。     

基于分数阶变分的图像泊松去噪模型

为了进一步提高图像去噪的效果,针对图像泊松噪声的特点,提出了一种有效的基于分数阶导数的图像泊松去噪的变分模型。该模型继承了全变分模型去噪效果良好的优点,并且很好地利用分数阶微分特有的幅频特性优势,在处理图像细节和纹理特征方面很好的保留了图像的“弱信息”。数值实验结果表明,该分数阶变分方法的去噪效果优于传统的整数阶变分方法,能很好地保留图像的边缘细节特征。     

自适应残差图像的分数阶全变分去噪算法

目的 全变分（TV）去噪模型具有较好的去噪效果,但对于图像的弱边缘和纹理细节的保持不够理想。自适应分数阶全变分（AFTV）模型根据图像局部信息,区分图像的纹理区域和非纹理区域,自适应计算投影算法中的软阈值,可较好地保持图像的弱边缘和纹理细节,但该方法当噪声增大时“阶梯”效应比较明显,弱边缘和纹理细节保持效果不够理想。针对该问题,提出一种改进的分数阶全变分去噪算法。方法 该算法在计算残差图像时,用分数阶全变分模型替代整数一阶全变分模型,并根据较精确的残差图像的局部方差区分图像纹理区域和平坦区域,使保真项参数的自适应选取更加合理,提高了算法的去噪性能。结果 针对3种不同类型的噪声图像,将本文模型与TV模型和AFTV模型进行对比实验,并采用峰值信噪比（PSNR）和结构相似性（SSIM）评定去噪效果和纹理保持能力。对于高斯噪声图像,本文算法在PSNR方面比TV模型和AFTV模型分别可平均提高2.72 dB和1.38 dB,SSIM分别可平均提高0.047和0.020。对于椒盐噪声图像,本文算法结合中值滤波算法在PSNR和SSIM方面比传统中值滤波算法分别可平均提高1.308 dB和0.011。对于泊松噪声图像,本文算法在PSNR、SSIM方面与AFTV较接近,比TV分别可提高1.59 dB和0.005。结论 通过对添加不同类型的噪声图像进行实验,结果表明提出的算法在去噪性能上与TV和AFTV相比均有较大提高,尤其对于噪声较大的图像效果更为显著,在去噪效率上与AFTV的时间复杂度相当,时耗接近略有降低。且本文算法普适性较好,能有效去除多种典型类型的噪声。     

滤除椒盐噪声的开关核回归拟合算法

针对椒盐噪声的去噪和细节保护问题,提出一种基于核回归拟合的开关去噪算法。首先,通过高效脉冲检测器对图像中的椒盐噪声像素点进行精确检测;其次,将所检测到的噪声像素点当作缺失数据,应用核回归方法对以噪声像素点为中心的邻域内的非噪声像素点进行拟合,得到符合图像局部结构特征的核回归拟合曲面;最后,以噪声像素点的空间坐标对核回归拟合曲面进行重采样,获得噪声像素点恢复后的灰度值,从而实现椒盐噪声的滤除。与经典的中值滤波器（SMF）、自适应中值滤波器（AMF）、改进型的方向加权中值滤波器（MDWMF）、快速开关中均值滤波器（FSMMF）、图像修补（Ⅱ）等算法进行不同噪声密度的实验对比,所提算法的去噪结果图像的主观视觉质量均为最优;在低密度、中等密度以及高密度噪声场景下,所提算法对不同测试图像去噪结果的峰值信噪比（PSNR）分别平均提高了6.02dB、6.33dB和5.58dB,且平均绝对误差（MAE）分别平均降低了0.90、5.84和25.29。实验结果表明,所提算法不仅能够有效去除各种密度的椒盐噪声,同时具备良好的图像细节保护性能。     

Riemann Liouville分数阶积分的图像去噪算法

传统图像去噪算法易丢失图像边缘和纹理细节,使图像模糊不清,为后续图像分析处理带来困难。为克服传统图像去噪算法的缺点,根据Riemann Liouville分数阶积分,构造一种分数阶积分掩膜算子,对测试图像进行图像去噪仿真实验。同时,引入客观评价标准峰值信噪比和灰度共生矩阵,对分数阶积分掩膜算子的去噪效果进行分析。结果表明,不同于传统图像去噪算法,该分数阶积分掩膜算子可在去除图像噪声的同时,有效保留图像的边缘和纹理细节信息。     

基于稀疏表示与非局部相似的图像去噪算法

针对受加性高斯白噪声(AWGN)与椒盐噪声(SPIN)以及随机值冲击噪声(RVIN)组成的混合噪声污染的图像进行去噪的问题,提出一种在现有加权编码算法的基础上将图像稀疏表示和非局部相似先验融合的改进算法。首先,利用基于字典的图像稀疏表示构建去噪变分模型,对模型中的数据保真项设计一个权重因子来抑制冲击噪声的干扰;其次,利用非局部平均思想对混合噪声图像进行初始去噪,在得到的图像中构建掩膜矩阵将冲击噪声点排除进而求取非局部相似先验知识;最后,将非局部相似先验与稀疏先验融合进变分模型的正则项中,求解变分模型得到最终去噪图像。实验结果表明,在不同的噪声比率下,所提算法与模糊加权非局部平均算法相比,峰值信噪比(PSNR)提高了1.7 dB,特征相似性指数(FSIM)提高了0.06;与加权编码算法相比,PSNR提高了0.64 dB,FSIM提高了0.03。该算法对于纹理较强的图像可以显著提升去噪效果,能有效地保留图像的本真信息。     

基于变指数的片相似性扩散图像降噪算法

针对图像去噪过程中存在边缘保持与噪声抑制之间的矛盾,提出了一种基于变指数的片相似性扩散图像降噪算法。算法基于变指数的自适应降噪模型,引入片相似性的思想,构造出新的边缘检测算子和扩散系数函数。传统的各项异性扩散图像降噪算法利用单个像素点的灰度相似性（或梯度信息）检测边缘,不能很好地保持图像的弱边缘和纹理信息。而所提算法利用邻域像素的灰度相似性,可以在滤除图像噪声的同时,保持更多的细节信息。仿真结果表明,与其他传统的基于偏微分方程（PDE）的图像降噪算法相比,该算法将信噪比（SNR）和峰值信噪比（PSNR）提高至16.602480dB和31.284672dB,具有良好的抗噪性;同时视觉效果较好,保持了更多的弱边缘和纹理等细节特征,在噪声抑制与边缘保持之间取得了较好的权衡。     

基于贝叶斯估计的杂交小波图像降噪新算法

针对传统图像去噪算法易丢失细节特征、峰值信噪比低等问题,受杂交育种学启发,借鉴遗传算法思路,提出了一种基于贝叶斯估计的杂交小波变换图像去噪算法。该算法以贝叶斯小波去噪后的图像作为父本,维纳滤波处理后图像作为母本进行杂交,对挑选出的个体进行逐代杂交和变异生成子代,将最优子代作为算法的最终解,对其解码还原为去噪后的图像。本算法去噪后的图像峰值信噪比远高于传统算法;去噪后的视觉效果也好于传统方法。实验结果表明该方法不仅能有效消除图像噪声,还能较好地保留图像边缘等细节特征。     

Contourlet收缩和全变差相结合的图像去噪

充分保持细节的图像去噪在图像处理领域具有重要的意义。一种新的将Contourlet收缩和全变差相结合的混合去噪算法被提出。利用空域自适应的全变差,对含噪图像与Contourlet硬阈值收缩图像的差值图像进行滤波。再和收缩图像相叠加,从而得到最终的去噪图像。实验结果表明,和现有的典型去噪方法相比较,所提出的算法在有效去除噪声和Gibbs伪影的同时,更好地保持了边缘和纹理等重要的细节信息。     

基于非局部自相似的Shearlet自适应收缩图像去噪

针对Shearlet收缩去噪引入的Gibbs伪影和"裂痕"现象,提出一种结合非局部自相似的Shearlet自适应收缩图像去噪方法.首先,对噪声图像进行多方向多尺度的Shearlet分解;然后,基于高斯比例混合(GSM)模型的Shearlet系数分布建模,利用贝叶斯最小二乘估计对Shearlet系数进行自适应收缩去噪,重构得到初始去噪图像;最后,利用非局域自相似模型对初始去噪图像进行滤波处理,得到最终的去噪图像.实验结果表明,所提方法在更好地保留边缘特征的同时,有效地去除噪声和收缩去噪引入的Gibbs伪影,该方法获得的峰值信噪比(PSNR)和结构自相似指标(SSIM)比基于非抽样剪切波变换(NSST)的硬阈值去噪方法提高1.41 dB和0.08;比非抽样Shearlet域GSM模型去噪方法提高1.04 dB和0.045;比基于三变量模型的剪切波去噪方法提高0.64 dB和0.025.     

一种基于边缘检测的改进的中值滤波去噪方法

中值滤波是一种去除椒盐噪声的有效算法,在现实生活中应用相当广泛。传统的中值滤波在去噪的同时很容易丢失图像的边缘信息。本文提出一种基于边缘检测的改进的中值滤波去噪算法。它先将含噪图像的边缘信息检测出来,然后将边缘信息保存下来,再对原含噪图像用中值滤波进行图像去噪,然后对于保存下来的边缘信息用小模板进行去噪,再用该小模板去噪后的边缘信息区替换中值滤波后的边缘信息。最后通过实验验证,此去噪算法可以在去噪的同时更好地保护图像的边缘信息。     

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。     

参考曲率的双线性插值滤波

为了在滤除椒盐噪声的同时尽可能地保留图像细节,提出了一种基于曲率的双线性插值滤波算法。该算法鉴于双线性插值的低通滤波固有特性,引入像素值的变化以构造类双线性插值模型;为了获得相邻像素的方向趋势,引入曲率信息;以曲率信息为参考,选择最接近原始图像变化规律的方向进行双线性插值滤波。实验结果表明,该方法在滤除噪声的同时有效地保留了图像的细节,且滤波效果优于传统的滤波算法。