非下采样Contourlet变换自适应图像去噪方法

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去噪阈值。实验表明,与Contourlet多尺度阈值去噪、Contourlet自适应阈值去噪相比,该方法在保留图像边缘细节的同时,能提高图像的PSNR值,减少了Gibbs现象。     

一种无抽样Contourlet变换的图像去噪方法

提出一种基于Contourlet变换的图像去噪方法，Contourlet变换采用无抽样形式，系数萎缩处理阈值门限与尺度相关。通过模拟产生不同方差噪声信号进行Contourlet变换，确定各尺度子带系数阈值，得到噪声方差与各尺度子带阈值对应表。对噪声污染图像进行Contourlet变换并估计噪声方差，查表得到各子带阈值，进行系数萎缩处理。实验表明提出的处理方法简单有效，去噪结果具有良好去噪视觉效果和较高峰值信噪比。     

基于边缘检测的Contourlet变换图像去噪

为了实现较好保留图像边缘特征的有效去噪,提出了一种基于边缘检测的Contourlet变换去噪方法。该方法先用LOG算子提取图像边缘,进而在Contourlet变换域上对图像的边缘部分和非边缘部分分别选取不同阈值进行最佳软阈值去噪处理。实验表明,与采用Donoho软阈值的Contourlet变换去噪方法相比,该方法可有效地保留图像的边缘信息,达到了更好的去噪效果。     

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。     

基于形态成分分析和Contourlet变换的自适应阈值图像去噪方法

针对含有丰富纹理和边缘特征的噪声图像,提出一种基于形态成分分析(MCA)和Contourlet变换的自适应阈值图像去噪方法.该方法首先引入MCA将噪声图像分为低频部分和高频部分,在此基础上设计一种自适应的分层阈值估计处理策略.根据噪声的分布特性,通过阈值估计和Contourlet变换对噪声图像的低频部分和高频部分进行分频带去噪处理,有效去除噪声图像中的噪声.通过对噪声图像的仿真实验表明,文中方法能较好地保留图像纹理和边缘,并且去噪效果优于传统的均值滤波去噪、中值滤波去噪、小波多层阈值去噪和轮廓波多层阈值去噪方法.     

基于Contourlet变换阈值选取的算法研究

针对CT图像在生成或传输时容易受到噪声影响这一难题,提出了基于Contourlet变换结合PCA阈值的去噪方法。 首先,对噪声图像进行Contourlet变换。然后,对DFB方向滤波后得到的Contourlet系数进行PCA阈值及硬阈值函数去噪。最后,对去噪后的Contourlet系数进行Contourlet逆变换,得到去噪图像。通过对图像添加噪声并与Contourlet结合六种不同阈值去噪方法进行对比,采用PSNR评估去噪优劣。结果表明：贝叶斯阈值方法PSNR值最高PSNR=94.88 dB,然后是PCA阈值PSNR=83.02 dB,最后依次是配套改进阈值PSNR=73.97 dB、3σ阈值PSNR=73.27 dB、统一阈值PSNR=72.33 dB、通用阈值PSNR=71.50 dB。PCA阈值去噪结果整体平滑性较好,视觉效果较好;贝叶斯阈值去噪结果整体平滑性较差,视觉效果不佳。通过将Contourlet 变换框架取代传统小波变换框架并结合PCA 阈值应用在图像去噪中,不仅信噪比有所提高,而且图像视觉效果也明显改善。     

基于边缘检测的NSCT自适应阈值图像去噪

为在去噪时能较好保留图像边缘特征,并针对Coutourlet变换缺乏平移不变性和传统阈值法的不足,提出了一种基于边缘检测的非子采样Contourlet变换自适应阈值(AT-NSCT)图像去噪方法.结果不仅能消除因Contourlet变换缺乏平移不变性而产生的图像失真,而且有效地保留了图像的边缘信息,提高了去噪后图像峰值信噪比,视觉效果更好.     

基于边缘检测的Contourlet变换图像去噪

为了实现较好保留图像边缘特征的有效去噪,提出了一种基于边缘检测的Contourlet变换去噪方法.该方法先用LOG算子提取图像边缘,进而在Contourlet变换域上对图像的边缘部分和非边缘部分分别选取不同阈值进行最佳软阈值去噪处理.实验表明,与采用Donoho软阈值的Contourlet变换去噪方法相比,该方法可有效地保留图像的边缘信息,达到了更好的去噪效果.     

基于相关性阈值的NSCT图像去噪方法研究

利用非下采样Contourlet变换(NSCT)平移不变性、多分辨率、多方向的优点,提出一种基于尺度相关与阈值去噪相结合的非下采样Contourlet变换图像去噪方法。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,然后采用相关系数归一的方法,结合Bayesian自适应阈值来达到更好的去噪效果。仿真实验表明,该方法在提高去噪后图像的峰值信噪比的同时,有效保留了图像的纹理信息,避免伪吉布斯现象,改善了图像的视觉效果。     

自适应收缩函数的Contourlet 变换图像去噪方法

针对传统图像在去噪过程中存在丢失细节且去噪效果不理想的情况,提出一种自 适应收缩函数的Contourlet 变换图像去噪方法。该方法利用Contourlet 变换的基本形式,结合 软阈值和硬阈值收缩函数的优点定义自适应收缩函数,并将其应用于图像去噪。实验结果表明, 所提出的方法能有效消除噪点,图像的峰值信噪比及增强因子等图像质量指标有明显地提高, 去噪后图像的视觉效果良好。     

Contourlet相关性和PCA的图像融合算法

Contourlet变换克服了小波变换在处理高维信号时的不足,它比小波变换具有更好的方向性和更好的稀疏表达性能。将Contourlet变换应用于图像融合领域,能更好地提取图像边缘特征,为融合提取更多的特征信息。基于Contourlet变换系数相关性的图像融合算法是将图像进行Contourlet变换分解后,针对高频分解系数尺度内以及尺度间像素点具有的相关性设计图像融合规则,低频信息选择PCA的方法进行融合,最后通过重构得到融合图像。实验结果表明Contourlet能够为融合图像保留更全面的原始图像信息,基于相关性的图像融合算法能够更加有效、准确地提取图像中的特征,是一种有效可行的图像融合算法。     

基于Contourlet变换的图像压缩感知重构

根据图像信号在Contourlet变换域的稀疏特性,分析Contourlet变换的基本原理,提出一种基于Contourlet变换的压缩感知重构方法。针对Contourlet变换的基函数并不严格规范正交、无法构造正交变换矩阵的问题,采用改进梯度投影算法恢复稀疏处理后的系数,在保证图像质量的情况下,实现图像的低速率重构。实验结果表明,该算法的鲁棒性较好。     

基于Contourlet变换和DCT量化的零水印算法

提出一种基于Contourlet变换和DCT量化的数字图像零水印算法。对原始载体图像进行Contourlet变换,对其低频逼近子图进行分块DCT变换,并将系数值的量化结果和置乱后的水印图像进行一定运算得到构造图像,再加密成密钥图像。密钥图像被用来提取水印。实验仿真结果表明,该算法比较简单,不可觉察性很好,有较强的鲁棒性。     

基于无下采样Contourlet变换的图像融合算法

针对目前最新发展的无下采样Contourlet变换,同时具有方向性、各向异性和平移不变性的特点,提出了一种新的基于无下采样Contourlet变换图像融合算法。首先对原始图像进行无下采样的Contourlet变换,得到高频和低频图像系数;然后根据它们的系数特性,采用一种新的加权融合规则对其进行融合。实验证明,此方法相对于传统的变换法,取得更优的融合结果。     

Contourlet域中邻域窗最优阈值滤噪算法

提出一种基于Contourlet变换域的图像滤噪算法,对带噪图像进行多尺度、多方向的Contourlet分解,依据Contourlet变换域系数的估计损失期望最小化准则,在Contourlet域中得到各子带内邻域系数的滤噪最优阈值与最优窗口尺寸,利用Contourlet变换域系数的萎缩实现滤噪。仿真结果表明,与现有的Contourlet变换域图像滤噪算法相比,该算法能有效保护图像的细节和纹理,具有较好的视觉效果和较高的峰值信噪比。     

无下采样Contourlet变换在图像边缘检测中的应用

传统图像边缘检测不能同时实现边缘检测需要的各向异性和多尺度性,小波虽然可以做到,但是小波在表现多方向性时,不能以最稀疏的方式表示。Contourlet变换正是解决这些问题的一种新的分析工具。目前将Contourlet变换用于图像边缘检测的方法还很少见,该文在各向异性的感受野模型可以很好用于图像高通滤波的思想上,提出一种利用无下采样Contourlet变换进行图像边缘检测的方法。实验结果证明,该方法可以较好地用于图像的边缘检测。     

火炮内膛全景图像增强方法研究

为了提高内膛全景图像对比度,本文基于Contourlet变换,提出一种新的内膛全景图像增强方法。该方法在图像空间域增强的基础上,通过对图像Contourlet变换系数的调整,进一步增强了内膛图像。实验结果表明,本文算法在增强内膛图像对比度的同时,减少了图像细节的丢失,改善了图像质量。     

基于Contourlet域的SAR图像去噪算法

从SAR图像斑点噪声特性和Contourlet变换系数的统计特点出发,将Contourlet变换与二元收缩去噪模型相结合,提出一种新的基于Contourlet变换的SAR图像去噪方法。对于高分辨率SAR 图像,该算法能更有效地去除SAR图像上的斑点噪声。     

基于Contourlet的图像PCA去噪方法

提出了一种通过主分量分析(PCA)对Contourlet域中噪声能量的估计来实现去噪的新方法。Contourlet变换是一种结合多分辨率分析和方向性滤波的小波变换,它除了具有一般小波变换的多尺度、时频局域性外,还具有多方向性、各向异性等特征。因此,Contourlet能有效地捕获到自然图像中的轮廓,并对其进行稀疏表示。目前使用的小波去噪方法基本上都是建立在对噪声方差估计的基础上,而在Contourlet变换系数中,通过建立数学模型对噪声方差进行精确的估计是很困难的。算法无需对噪声方差进行估计,更具有实用价值。实验结果显示,与小波软、硬阈值去噪算法和基于小波的图像PCA去噪方法比较,该算法不仅提高了图像的信噪比,而且图像视觉效果也明显改善。