二维小波收缩与各向异性扩散等价性框架及在图像去噪中的应用

图像去噪是图像处理中的一种重要技术。小波收缩根据噪声的小波系数幅值较小的特征通过收缩达到去噪目的。各向异性扩散在尽可能保持图像特征的同时,根据梯度方向及幅值去噪。该文首先证明二维小波收缩与各向异性扩散的等价性框架,对等价性给予验证,进而根据等价性提出综合利用两种方法优势的各向异性小波收缩去噪算法。对比实验结果表明,此算法综合利用了小波收缩与各向异性扩散的优势,去噪效果更加理想。     

基于二维小波收缩与非线性扩散的混合图像去噪算法

研究自适应滤波算法对改善图像质量具有重要意义.本文分析了非线性扩散和二维Haar小波收缩去噪方法之间的关系,从本质上说明了非线性扩散方法优于Haar小波收缩去噪方法.然后,给出了一种基于图像全变差(TV)模型的非线性扩散与二维Haar小波收缩相结合的混合图像去噪算法.该算法在图像小波分解的低频部分采用全变差扩散,在高频部分采用小波收缩方法.实验结果表明,混合去噪算法在计算复杂性与滤波效果上具有更好的综合性能.     

多小波域上各向异性扩散在纹理图像去噪中的应用

去噪是图像处理中的一个重要技术,一般的去噪算法会造成图像边缘信息被平滑,为了有效地抑制噪声而同时又保护好边缘信息,在多小波变换的基础上,提出了一种新的去噪算法,它结合了多小波变化和各向异性扩散(P-M扩散)两者的优点,利用多小波变换把纹理图像分解为高频子带和低频子带,然后根据子带图的特点分别采用不同的各向异性扩散方法,实验结果表明,该算法去噪效果好,改善了图像的峰值信噪比(PSNR)和最小均方误差(MSE),同时更好地保留了图像的纹理和细节.     

一种自适应小波域图像降噪方法

Donoho所提出的去噪算法由于没有考虑到图像的局部特征,而滤除了过多的小波系数,影响了图像的去噪效果。本文介绍了一种自适应阈值的小波系数收缩算法,该算法利用邻域小波系数与噪声方差关系,同时根据小波分解级数的不同而动态地改变小波系数收缩的幅度。由于阈值的自适应性。从而可以利用更多小波分解级数而不会滤除过多的小波系数,因此在去噪方面达到了更好的效果。本文还讨论了如何选取合适的小波分解级数、窗口大小、以及算法的复杂性。通过大量的实验结果可以看出,本算法在去噪的视觉效果和峰值信噪比(PSNR)指标上,优于其他去噪算法,同时,算法的执行和原理非常简单。     

基于小波域上各向异性扩散的图像去噪算法

给出一种将小波阈值和偏微分方程相结合的去噪算法。首先对图像进行小波分解,在小波域上用改进的Perona Malik模型进行各向异性扩散,保留或较小程度的伸缩幅值大的系数,平滑幅值小的系数,较好地保留自然图像在小波域上的非线性相关性的同时实现小波系数伸缩,然后进行小波重构。仿真实验表明,该算法能获得较高的信噪比和较好的主观质量,且运算量比Perona Malik方法要小。     

一种有效的各向异性去啴模型

基于经典的模型,提出一种新的扩散模型。该模型在第一阶段利用小波域wiener滤波时图像进行消噪,之后通过各向异性扩散去除伪。噪声图像经过方法处理后,既消除了小波去噪经常出现的伪效应,又避免了偏微分方程方法去噪中出现的阶梯效应,较好保存了细节,提高了峰值信噪比,大量实验表明它是一种有效的去噪方法。     

去除脉冲噪声的小波阈值去噪算法

为了克服现有脉冲噪声去除算法的缺陷,进一步提升算法的去噪性能和鲁棒性,提出了一种去除脉冲噪声的小波阈值去噪算法.首先,根据脉冲噪声的灰度特征、分布的随机性及近似均匀性,用统计方法识别噪声像素.然后,用基于信噪强度的自适应阈值和可微收缩函数的小波去噪方法恢复噪声像素.实验结果表明,相比现有算法,本算法去噪得到的图像视觉感知效果、峰值信噪比和边缘保持指数均有较大提升,且具有更好的鲁棒性.     

一种改进的各向异性扩散超声图像去噪算法

针对传统的各向异性扩散算法中扩散系数函数的平滑效果不好,扩散过程中扩散门限K的选取依靠经验确定,扩散过程对图像细节保护不足的问题,提出了一种改进的各向异性扩散算法。介绍了几种当前比较典型的各向异性扩散去噪算法;在典型算法分析的基础上提出了一种基于自适应中值滤波的改进扩散模型;根据扩散系数应满足的3个条件及经典的扩散系数函数,提出了改进的扩散模型中的改进扩散系数函数;提出了一种扩散门限K的自适应选取的方法。通过在改进的扩散模型中使用改进的扩散系数函数并结合扩散门限K的自适应选取,对超声图像进行去噪。实验结果表明,所提算法优于PM模型、Catte模型、王常虹算法等,去噪后图像的FOM值比PM模型高出3.34%,PSNR值比PM模型高出0.250 6。该算法在去除散斑噪声的同时有效保护了图像的细节及边缘,有助于医务人员对患病区域的准确诊断。     

基于NSCT域各向异性双变量萎缩图像去噪

提出了一种用各向异性双变量拉普拉斯函数模型去模拟NSCT域的系数的图像去噪算法,这种各向异性双边拉普拉斯模型不仅考虑了NSCT系数相邻尺度间的父子关系,同时满足自然图像不同尺度间NSCT系数方差具有各向异性的特征,基于这种统计模型,文中先推导出了一种各向异性双变量收缩函数的近似形式,然后基于贝叶斯去噪法和局部方差估计将这种新的阈值收缩函数应用于NSCT域,实验结果表明文中提出的方法同小波域BiShrink算法、小波域ProbShrink算法、小波域NeighShrink算法相比,能够有效地去除图像的高斯噪声,提高了图像的峰值信噪比;并较完整地保持了图像的纹理和边缘等细节信息,从而明显改善了图像的视觉效果。     

基于NSCT扩散的图像去噪增强方法

本文提出了一种基于非下采样Contourlet变换与非线性各向异性扩散的方法进行含噪图像的去噪和增强。首先对含噪图像进行非下采样Contourlet分解,对每个分解层的各个子带进行非线性收缩和拉伸,以达到抑制噪声和增强图像特征的目的。然后,对去噪增强后图像的Contourlet小系数进行空间域的非线性各向异性扩散,以去除由于进行非下采样Contourlet去噪所造成的为伪Gibbs现象和 side-band效应。实验结果表明,本文方法相比于无扩散的Wavelet和Contourlet方法相比,不仅对图像进行了去噪和增强,而且有效的抑制了伪Gibbs现象和 side-band效应。     

Image denoising with anisotropic bivariate shrinkage

This paper presents a novel image denoising algorithm based on the modeling of wavelet coefficients with an anisotropic bivariate Laplacian distribution function. The anisotropic bivariate Laplacian model not only captures the child-parent dependency between wavelet coefficients, but also fits the anisotropic property of the variances of wavelet coefficients in different scales of natural images. With this statistical model, we derive a closed-form anisotropic bivariate shrinkage function in the framework of Bayesian denoising and a new image denoising approach with local marginal variance estimation based on this newly derived shrinkage function is proposed in the discrete wavelet transform (DWT) domain. The proposed anisotropic bivariate shrinkage approach is also extended to the dual-tree complex wavelet transform (DT-CWT) domain to further improve the performance of image denoising. To take full advantage of DT-CWT, a more accurate noise variance estimator is proposed and the way the anisotropic bivariate shrinkage function applied to the magnitudes of DT-CWT coefficients is presented. Experiments were carried out in both the DWT and the DT-CWT domain to validate the effectiveness of the proposed method. Using a representative set of standard test images corrupted by additive white Gaussian noise, the simulation results show that the proposed method provides promising results and is competitive with the best wavelet-based denoising results reported in the literature both in terms of peak signal-to-noise ratio (PSNR) and in visual quality.     

一种基于小波变换的图像消噪算法

该文在自适应树小波萎缩法的基础上,结合小波系数的零树编码思想和小波变换的信噪分离特性给出了一种新的小波消噪算法。该算法不仅减少了运算量,而且在消噪和保留奇异点信息方面也取得了较好的效果。     

一种自适应多尺度积阈值的图像去噪算法

该文提出了平稳小波变换(Stationary Wavelet Transform, SWT )域自适应多尺度积阈值的图像去噪算法(SWT domain Multiscale Products, SWTMP)。与传统的阈值去噪算法不同,该阈值不是直接作用于小波系数,而是作用于小波系数的空间多尺度积。分析了SWT域含噪图像多尺度积的特点,提出了SWT域自适应多尺度积阈值的计算方法。多尺度积强化了图像的重要结构信息,弱化了噪声,在有效去噪的同时更多地保留了图像的边缘和细节。实验结果表明,所提算法对自然图像去噪后的视觉效果和性能指标均好于二进小波域多尺度积阈值(Adaptive Multiscale Products Thresholding, AMPT)去噪方法。     

一种新的小波图像去噪方法

小波图像去噪已经成为目前图像去噪的主要方法之一，目前的研究主要集中于如何选取阈值使去噪达到较好的效果。边缘信息是图像最为有用的高频信息，在图像去噪的同时，应尽量保留图像的边缘信息，基于这一思想，提出一种新的小波图像去噪方法。用数学形态学算子对图像小波变换后的小波系数进行处理，以去除具有较小支持域的噪声，保留具有连续支持域的边缘。实验结果表明，与普通的小波阈值去噪方法相比，该方法不但可以保留图像的边缘信息，而且能提高去噪后图像的峰值信噪比2～5dB，提高信噪比6～10dB。     

一种基于小波域HMT模型的图像去噪方法研究

小波图像去噪已经成为图像去噪的主要方法之一。利用小波变换在去除噪声时,可提取并保存对视觉起主要作用的边缘信息,但现有的去噪声方法忽略了小波系数之间的相关性。针对这一不足,在小波域隐Markov树模型(HMT) 的基础上提出了一种图像去噪新方法。实验结果表明,与普通的小波去噪方法相比,该方法不但可以保留图像的边缘信息,而且能提高去噪后图像的峰值信噪比。     

Image denoising based on iterative generalized cross-validation and fast translation invariant

Wavelet shrinkage is a promising method in image denoising, the key factor of which lies in the threshold selection. A fast and effective wavelet denoising method, called Iterative Generalized Cross-Validation and Fast Translation Invariant (IGCV–FTI) is proposed, which reduces the computation cost of the standard Generalized Cross-Validation (GCV) method and efficiently suppresses the Pseudo-Gibbs phenomena with an extra gain of 1–1.87 dB in PSNR compared with GCV. In the proposed approach, we establish a novel functional relation between the GCV results of two neighboring thresholds based on integer wavelet transform, and combine it with threshold-search interval optimization. As a result, the proposed IGCV reduces the time complexity of original GCV algorithm by two orders of magnitude. In addition, a recursion strategy is applied to expedite the translation invariant. The high efficiency and proficient capacity to remove noise make IGCV–FTI a good choice for image denoising.     

Spectral-spatial adaptive and well-balanced flow-based anisotropic diffusion for multispectral image denoising

Anisotropic diffusion can provide better compromise between noise reduction and edge preservation. In multispectral images, there exist different spatial local structures in the same band. Therefore, the levels of smoothing of anisotropic diffusion process should conform to both of image spectral and spatial features. In this paper, we present an effective denoising algorithm by integrating the spectral-spatial adaptive mechanism into a well-balanced flow (WBF) based anisotropic diffusion model, in which an adjustable weighted function is introduced to perform the appropriate levels of smoothing and enhancing according to different feature scales. Moreover, we make the fidelity term in the model to be adaptive by replacing the original noisy signal with the last evolution of the smoothed image. Consequently, the proposed algorithm can better control the diffusion behavior than traditional multispectral diffusion-based algorithms. The experimental results verify that our algorithm can improve visual quality of the image and obtain better quality indices.     

基于小波前向后向扩散的红外图像降噪与边缘增强算法

针对红外图像特点,该文提出了一种基于小波前向后向扩散的红外图像降噪与边缘增强算法。小波前向后向扩散是建立在小波扩散理论的基础上,其继承了小波扩散迭代降噪与边缘保持特性,在此基础上实现了图像的边缘增强。为了克服传统小波扩散基于小波模值的边缘映射的不足,该文利用小波模值与局部奇异性测度的联合概率分布对边缘映射进行初步估计,结合几何约束进行修正,获得准确的边缘映射,并重新设计了小波前向后向扩散系数方程。实验证明算法能有效实现红外图像降噪的同时增强图像边缘。     

各向异性扩散图像去噪现状研究

介绍了基于偏微分方程(Partial Differential Equations,PDE)各向异性扩散图像去噪的P&M数学模型及各种改进方法,以及引入结构张量的PDE去噪模型和冲击滤波PDE去噪模型,分析各种模型的优缺点,为扩散模型的设计提供了参考。揭示了各向异性扩散去噪与贝叶斯最大后验估计(MAP)去噪的内在联系,通过扩散系数的计算分析几类常用去噪模型的保边性能。阐述了一类特殊PDE去噪模型(总变分去噪模型)与小波阈值去噪之间的相关性,从而可以通过小波系数的范数近似求解一些特殊的变分问题,避免复杂的非线性求解过程。最后对各向异性扩散图像去噪的未来发展进行了展望。     

Spatial adaptive Bayesian wavelet threshold exploiting scale and space consistency

Threshold selection is critical in image denoising via wavelet shrinkage. Many powerful approaches have been investigated, but few of them are adaptive to the changing statistics of each subband and meanwhile keep efficiency of the algorithm. In this work, an inter-scale adaptive, data-driven threshold for image denoising via wavelet soft-thresholding is proposed. To get the optimal threshold, a Bayesian estimator is applied to the wavelet coefficients. The threshold is based on the accurate modeling of the distribution of wavelet coefficients using generalized Gaussian distribution (GGD), and the near exponential prior of the wavelet coefficients across scales. The new approach outperforms BayesShrink because it captures the statistical inter-scale property of wavelet coefficients, and is more adaptive to the data of each subband. The simplicity of the proposed threshold makes it easy to achieve the spatial adaptivity, which will further improves the wavelet denoising performance. Simulation results show that higher peak-signal-to-noise ratio can be obtained than other thresholding methods for image denoising.