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).     

自适应广义全变差的图像泊松去噪算法

针对医学、天文图像中的泊松噪声,基于广义全变差的图像泊松去噪模型,结合交替迭代极小化方法,提出一种自适应广义全变差的图像去噪算法。该算法利用广义交叉验证技术,使得模型中的正则化参数在算法迭代过程中可以自动更新。数值实验结果验证了该算法的有效性与可行性。     

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。     

基于自适应正则化的全变分去噪算法

Stanley Osher和Martin Burger提出的基于Bregman距离的迭代正则化全变分去噪算法运算速度较快,但是应用于图像去噪时,没有考虑不同区域的灰度分布特性,从而容易导致纹理等重要信息丢失或模糊的缺陷.针对这一现象,提出了一种基于自适应正则化的全变分去噪算法.论文对Osher的去噪模型中的全局正则化参数进行改进,给出了一种根据图像中不同区域的灰度分布特性,自适应选取正则化参数的方法.该算法可以保留图像的边缘和纹理细节信息.实验结果证实了所提算法的有效性,其信噪比较原有方法至少提高1.0 dB以上.     

结合波原子和全变差方法的图像去噪*

传统的硬阈值去噪会产生伪吉普斯现象,而波原子本身的周期化过程也会出现新的方向性纹理失真。采用全变差最小化方法来抑制这些失真,提出一种改进的波原子去噪算法。该算法不是直接将低于阈值的小系数置为零,而是对这些系数在全变差最小的意义上作修正迭代,得到最终的去噪图像。数值实验结果表明,波原子去噪保留边缘和纹理的效果优于小波和曲线波,改进算法去噪的视觉质量明显好于传统波原子去噪。最后还指出了进一步的研究方向。     

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.     

自适应全变分图像去噪模型及其快速求解*

在联合冲击滤波器和非线性各向异性扩散滤波器对含噪图像做预处理的基础上,利用边缘检测算子选取自适应参数,构建能同时兼顾图像平滑去噪与边缘保留的自适应全变分模型,并基于Bregman迭代正则化方法设计了其快速迭代求解算法.实验结果表明,自适应去噪模型及其求解算法在快速去除噪声的同时保留了图像的边缘轮廓和纹理等细节信息,得到的复原图像在客观评价标准和主观视觉效果方面均有所提高.     

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。     

双群交换微粒群算法及在Shearlet图像去噪中的应用

分析基于不同进化模型的双群交换微粒群优化算法的不足,提出改进的双群交换微粒群优化算法。算法将微粒分成大小相同的两分群,第一分群采用标准微粒群模型进化,第二分群采用Cognition Only模型进化,当微粒进化到稳定状态,从第一分群随机抽取部分粒子与第二分群适应值最差粒子进行交换,重复上述操作直到找到最优解。实验结果显示：该算法有更好的全局寻优能力和达优率。为验证算法实用性,将改进算法用于Shearlet图像去噪。该方法根据Shearlet变换域不同尺度和方向系数的分布特性,采用改进算法自适应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。实验表明,该方法能有效滤除图像噪声,较好保留图像边缘信息,去噪后图像具有更高峰值信噪比（PSNR）。     

基于滤波器的局部自适应全变分图像去噪模型

综合利用冲击滤波器和非线性各向异性扩散滤波器对含噪图像做预处理,然后基于边缘检测函数建立反映图像局部特征的自适应权函数,构建能同时兼顾图像平滑去噪与边缘保留的局部自适应性的全变分模型,并建议用本原对偶算法快速求解。实验结果表明,同传统的全变分图像去噪模型相比,该局部自适应全变分模型在消除噪声的同时能很好地保持图像的边缘轮廓和纹理等细节特征,得到的复原图像在客观评价标准和主观视觉效果方面均有所提高。     

自适应总体变差图像去噪算法的扩散系数研究

自适应总体变差算法可以解决总体变差算法无法实现去噪的同时保留图像的细节纹理.对该算法的扩散系数研究表明当算法满足如下性质:φ'(|grad(I)|)≥0,φ"(|grad(I)|)≥0;当扩散系数法向量方向的值为'(|grad(I)|)/|grad(I)|,扩散系数切向量方向的值为φ"(|grad(I)|),并且|grad(I)|→ ∞时,法向量方向的值趋于0,法向量与切向量的比值趋于0;当|grad(I)|→0时,法向量方向和切向量方向的值均大于0时可以取得较好的试验结果,并认为最小曲面函数是合适的扩散系数.     

迭代离散Shearlet变换异类源遥感图像融合

Shearlet变换是一种多尺度几何分析算法,适用于遥感这类纹理丰富、边缘复杂的图像处理。提出了一种基于迭代离散Shearlet变换的图像融合算法,将源图像进行分解,得到图像的多尺度、多方向树型结构表示;对粗糙分量和带通细节分量分别采用不同的融合规,得到融合图像的树型结构表示;最后进行Shearlet反变换得到融合图像。仿真结果表明,提出的算法比基于Contourlet变换的图像融合算法有更好的效果,更有利于保留纹理和边缘信息。     

一种自适应全变分图像去噪算法

针对传统全变分去噪算法存在需要已知噪声方差和阶梯效应的问题,提出一种自适应全变分图像去噪算法。该算法通过修改传统算法中的逼近项,将经模糊处理后的图像代替原含噪声图像,使得在算法的计算过程中不需要已知图像的噪声方差,也减少逼近项因图像噪声所产生的误差影响。并且拉格朗日因子不再是一个全局变量,而是由图像局部信息决定其数值大小,同时用近似的边缘信息对拉格朗日因子进行加权,从而使图像的演化过程可以由统一的演化公式来表示。最后从实验和数据分析的结果可以看出,该算法要明显优于传统的全变分图像去噪算法。     

基于自适应投影算法的分数阶全变分去噪模型*

为了在图像去噪的同时较好地保持图像的弱边缘和纹理细节,提出基于自适应投影算法的分数阶全变分模型.该模型使用Grünwald-Letnikov分数阶微分替代全变分正则项中的一阶导数,通过将图像投影在全变分球体上以解决分数阶全变分的优化问题.并根据图像的局部信息将图像分为纹理区域和非纹理区域,从而自适应计算投影方法中的软阈值.理论分析和实验均表明,文中方法在去除噪声的同时可以消除块效应,并且能有效保持图像的弱边缘和纹理细节.     

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。     

Image denoising in extended Shearlet domain using hidden Markov tree models

Denoising of images is one of the most basic tasks of image processing. It is a challenging work to design an edge-preserving image denoising scheme. Extended discrete Shearlet transform (extended DST) is an effective multi-scale and multi-direction analysis method; it not only can exactly compute the Shearlet coefficients based on a multiresolution analysis, but also can provide nearly optimal approximation for a piecewise smooth function. In this paper, a new image denoising approach in extended Shearlet domain using hidden Markov tree (HMT) model is proposed. Firstly, the joint statistics and mutual information of the extended DST coefficients are studied. Then, the extended DST coefficients are modeled using an HMT model with Gaussian mixtures, which can effectively capture the intra-scale and inter-scale dependencies. Finally, the extended Shearlet HMT model is applied to image denoising. Extensive experimental results demonstrate that our extended Shearlet HMT denoising method can obtain better performances in terms of both subjective and objective evaluations than other state-of-the-art HMT denoising techniques. Especially, the proposed method can preserve edges very well while removing noise.     

Extended Shearlet HMT Model-Based Image Denoising Using BKF Distribution

Images are often corrupted by noise in the procedures of image acquisition and transmission. It is a challenging work to design an edge-preserving image denoising scheme. Extended discrete Shearlet transform (extended DST) is an effective multi-scale and multi-direction analysis method; it not only can exactly compute the Shearlet coefficients based on a multiresolution analysis, but also can represent images with very few coefficients. In this paper, we propose a new image denoising approach in extended DST domain, which combines hidden Markov tree (HMT) model and Bessel K Form (BKF) distribution. Firstly, the marginal statistics of extended DST coefficients are studied, and their distribution is analytically calculated by modeling extended DST coefficients with BKF probability density function. Then, an extended Shearlet HMT model is established for capturing the intra-scale, inter-scale, and cross-orientation coefficients dependencies. Finally, an image denoising approach based on the extended Shearlet HMT model is presented. Extensive experimental results demonstrate that our extended Shearlet HMT denoising approach can obtain better performances in terms of both subjective and objective evaluations than other state-of-the-art HMT denoising techniques. Especially, the proposed approach can preserve edges very well while removing noise.