小波构造变正则参数变分模型在带噪图像恢复中的应用

在利用正则化方法构造变分模型进行图像去噪时，其正则参数往往选择为恒定值．文中利用小波分解的层次性和带噪图像中噪声所具有的时频特点，构造出变正则参数的变分模型．在不同的小波分解层，通过选择不同的正则参数从而达到自适应去噪的目的．     

基于小波与小波包的变速器故障特征提取

本文结合自适应小波变换滤波去噪方法与小渡阈值去噪方法,提出了一种可用于变速器故障振动信号去噪的双层滤波去噪算法.该算法的滤波过程分为两层,第一层滤波采用自适应小波变换滤波算法;第二层滤波采用经典的小波阈值去噪算法对信号进行二次去噪.最后,将去噪后的故障信号采用小波包进行了分解,并提取了小波包频带能量作为故障特征向量.     

WBCT与变分正则化方法的医学图像去噪

在分析几种变分正则化去噪模型的基础上,改进了变分正则化去噪模型,它是各向异性扩散的,去噪效果好,但计算量较大.由于WBCT的阈值法去噪速度快,本文提出了混合去噪方法,充分利用两种方法的优点,先对噪声图像做WBCT,高频子带用WBCT的阈值法去噪,对低频子带用改进的变分正则法去噪,然后用WBCT逆变换重建图像.实验结果表...     

一种变分自适应中值滤波算法

针对自适应中值和变分滤波方法脉冲噪声去除能力的不足,提出了一种新的变分自适应中值滤波方法。首先采用自适应中值滤波器对脉冲噪点进行标识,然后对标识的噪点构建由逼近条件和边缘保持正则化条件构成的代价函数,通过变分方法对代价函数寻优求解,对噪点进行恢复。最后进行了仿真试验,并与标准中值滤波,开关中值滤波,自适应中值滤波,和变分滤波方法进行了比较。试验结果表明,在信噪比和细节保留方面明显优于上述滤波方法,可以有效去除高达90%的脉冲噪声。     

自适应非局部数据保真项和双边总变分的图像去噪模型

针对常见去噪方法容易造成特定区域过度平滑、奇异结构残余噪声以及产生阶梯效应和对比度损失等问题,提出一种自适应非局部数据保真项和双边总变分的图像去噪模型,建立了自适应非局部正则化能量泛函和相应的变分框架。首先,对噪声图像利用自适应权值的非局部均值求得数据拟合项;其次,引入双边总变分正则化项,利用正则化系数来适度平衡数据拟合项和正则化项的影响;最后,通过能量函数最小化对不同的噪声统计快速求得最优解,从而达到降低残余噪声并纠正过度平滑的目的。通过理论分析和针对模拟噪声图像与真实噪声图像的实验结果表明,所提出的图像去噪模型能够较好地处理具有不同统计特性的图像噪声,与自适应非局部均值滤波去噪相比,所提算法的峰值信噪比（PSNR）值最多可以得到0.6 dB的改善;与全变分正则化图像去噪算法比较,所提算法的主观视觉效果明显更好,在去噪的同时图像纹理和边缘等细节信息保护得更好,PSNR值最多可以提高10 dB,而多尺度结构相似性度（MS-SSIM）指标可以提升0.3。因此,所提出的图像去噪模型可以在理论上更好地探讨如何合理处理噪声和图像内容本身的高频细节信息,在视频和图像分辨率提升等领域也具有良好的实际应用价值。     

自适应Shearlet域约束的全变差图像去噪

采用传统非线性扩散图像去噪方法得到的图像边缘模糊,为此,提出一种有限自适应Shearlet域约束的极小化变分图像去噪算法。通过自适应阈值收缩Shearlet系数,保留图像纹理与边缘空间,利用全变差极小化平滑空间,建立全变差正则化的能量泛函去噪模型。实验结果表明,该算法能在减少图像噪声的同时,保留图像边缘信息,对含有丰富纹理结构的图像,去噪性能更佳。     

一种改进的双项自适应总体变差去噪模型

研究经典总体变差去噪模型及其改进的自适应去噪模型,提出一种基于预处理图像局部信息的双项自适应模型。利用空间自适应保真项缓解二阶非线性滤波对细节的过度平滑,通过自适应正则化项减少阶梯效应,使数值更稳定和收敛。实验结果表明,与原方法相比,改进方法具有更好的鲁棒性,在噪声较高的情况下仍能取得较好的去噪效果。     

基于小波变换的自适应模糊阈值去噪算法

文章提出了一种适合于消除混合噪声的去噪算法——自适应模糊阈值去噪算法。该算法根据信号和噪声的小波系数在不同分解尺度上的传递性,结合中值滤波和模糊理论,自适应地进行软阈值滤波,然后进行小波重构,得到去噪图像。实验表明,与软阈值去噪和改进软阈值去噪算法相比,该算法具有良好而稳健的去噪效果,能够更有效地去除噪声和保持图像边缘细节。     

基于形态学的ECG小波自适应去噪算法

为了消除心电信号中的噪声,提高心电监护仪的性能和计算机自动诊断效率,已经提出了多种方法来消除这些噪声.针对常规的ECG信号去噪算法存在的缺陷,提出了一种基于形态学的小波自适应去噪算法.该算法利用线性组合形态学滤波器去除基线漂移信号,然后对处理后无基漂的信号送入小波自适应滤波器,选取合适的阚值对其进行二次滤波去噪,最后得到无噪声的ECG信号.实验结果表明,该算法是一种有效的去噪算法.     

基于形态学与小波变换的信号自适应去噪算法

针对常规的ECG（electrocardiogram）信号去噪算法存在的缺陷,提出了一种基于形态学与小波变换的自适应综合去噪算法。该算法利用形态学滤波器去除基线漂移信号,用小波滤波器去除高频干扰信号,并将这两部分所得到的心电噪声分量作为自适应滤波器的参考输入信号,对ECG信号进行自适应滤波处理,最后得到去噪后的ECG信号。实验表明,本算法是一种有效的去噪算法。     

Adaptive total variation denoising based on difference curvature

Image denoising methods based on gradient dependent regularizers such as Rudin et al.’s total variation (TV) model often suffer the staircase effect and the loss of fine details. In order to overcome such drawbacks, this paper presents an adaptive total variation method based on a new edge indicator, named difference curvature, which can effectively distinguish between edges and ramps. With adaptive regularization and fidelity terms, the new model has the following properties: at object edges, the regularization term is approximate to the TV norm in order to preserve the edges, and the weight of the fidelity term is large in order to preserve details; in flat and ramp regions, the regularization term is approximate to the L2 norm in order to avoid the staircase effect, and the weight of the fidelity term is small in order to strongly remove the noise. Comparative results on both synthetic and natural images demonstrate that the new method can avoid the staircase effect and better preserve fine details.     

基于定向双边全变差正则化的文档图像超分辨率算法研究

针对文档图像超分辨率重建问题,在传统双边全变差(Bilateral Total Variation,BTV)正则化超分辨率算法的基础上,提出了一种基于改进BTV的文档图像超分辨率算法。该算法引入一个新的正则项,即笔画宽度的方向,并根据字符笔画的局部宽度和局部方向自适应地进行平滑处理;然后通过分析输入的低分辨率图像及其插值,使输出图像的局部笔画宽度接近于局部的笔画方向。这种信息被压缩到基于笔画宽度的方向全变分正则项中。通过最小化正则项和数据保真项的线性组合,重建了高分辨率的图像。与相关的文档图像超分辨率方法相比,所提方法在视觉图像质量和字符识别精度方面得到了显著的改善。     

空间异常适应性的目标跟踪

针对基于空间正则化的相关滤波算法无法精准控制背景区域权重,同时存在由遮挡、形变等因素导致的异常情况会降低跟踪结果可信度的问题,文中提出空间异常适应性的目标跟踪算法.首先,构造自适应空间正则项,使用显著性检测对其权重进行初始化,实现空间适应性.然后,利用交替方向乘子法,降低算法复杂度.最后,设置置信分数,计算检测结果的可...     

Relations Between Regularization and Diffusion Filtering

Regularization may be regarded as diffusion filtering with an implicit time discretization where one single step is used. Thus, iterated regularization with small regularization parameters approximates a diffusion process. The goal of this paper is to analyse relations between noniterated and iterated regularization and diffusion filtering in image processing. In the linear regularization framework, we show that with iterated Tikhonov regularization noise can be better handled than with noniterated. In the nonlinear framework, two filtering strategies are considered: the total variation regularization technique and the diffusion filter technique of Perona and Malik. It is shown that the Perona-Malik equation decreases the total variation during its evolution. While noniterated and iterated total variation regularization is well-posed, one cannot expect to find a minimizing sequence which converges to a minimizer of the corresponding energy functional for the Perona–Malik filter. To overcome this shortcoming, a novel regularization technique of the Perona–Malik process is presented that allows to construct a weakly lower semi-continuous energy functional. In analogy to recently derived results for a well-posed class of regularized Perona–Malik filters, we introduce Lyapunov functionals and convergence results for regularization methods. Experiments on real-world images illustrate that iterated linear regularization performs better than noniterated, while no significant differences between noniterated and iterated total variation regularization have been observed.     

基于自适应分数阶全变分的超分辨率图像重建

超分辨率图像重建在各领域有重要的应用价值,具有广阔的应用前景。超分辨率图像重建是一个病态求逆问题,最有效的解决方法是添加正则化项进行处理。本文在传统的全变分的基础上,添加分数阶全变分作为正则化项约束解空间,并利用纹理检测函数判断图像中不同位置的局部特征,自适应地选择其合适的阶次。采用交替方向乘子算法(ADMM)将优化函数划分为多个子问题进行求解,降低运算的复杂程度。本文全变分和自适应分数阶全变分的双正则化约束,在去除噪声锐化边缘的同时,根据图像的特征,自适应地重建出了纹理细节信息。实验结果表明,与其他方法相比,本文方法提高了图像的重建质量,且峰值信噪比（PSNR）和结构相似度（SSIM）值都有一定提高。     

Multiplicative noise removal via adaptive learned dictionaries and TV regularization

Multiplicative noise removal is a key issue in image processing problem. While a large amount of literature on this subject are total variation (TV)-based and wavelet-based methods, recently sparse representation of images has shown to be efficient approach for image restoration. TV regularization is efficient to restore cartoon images while dictionaries are well adapted to textures and some tricky structures. Following this idea, in this paper, we propose an approach that combines the advantages of sparse representation over dictionary learning and TV regularization method. The method is proposed to solve multiplicative noise removal problem by minimizing the energy functional, which is composed of the data-fidelity term, a sparse representation prior over adaptive learned dictionaries, and TV regularization term. The optimization problem can be efficiently solved by the split Bregman algorithm. Experimental results validate that the proposed model has a superior performance than many recent methods, in terms of peak signal-to-noise ratio, mean absolute-deviation error, mean structure similarity, and subjective visual quality.     

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.     

基于非局部总广义变分的图像去噪

针对全变分(TV)模型在去除图像噪声时容易产生阶梯效应的缺点,将二阶总广义变分(TGV)作为正则项应用于全变分模型中可以有效地去除阶梯效应,并且还能够更好地保持图像边缘纹理结构;利用非局部均值滤波算法的思想来构造非局部微分算子,将非局部微分算子应用于总广义变分模型中,综合提出了一种基于非局部总广义变分的图像去噪新模型。新模型充分利用了图像的全局信息进行去噪。实验结果显示了该模型的有效性和优越性。