基于平稳Contourlet变换的自适应阈值去噪

应用平稳Contourlet变换,具有平移不变性,且能有效表示图像几何纹理信息.在去噪应用中采用自适应的Bayes阈值方法,结合硬阈值方法实现图像去噪.试验结果表明,该方法提高了去噪后图像的PSNR,同时有效保存了图像纹理信息,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。     

基于权重粒子群优化阈值的NSCT图像去噪

提出一种基于线性递减权重粒子群优化(LinWPSO)阈值的非下采样Contourlet变换(NSCT)图像去噪方法。在NSCT域通过LinWPSO对广义交叉验证风险函数寻优以确定最佳阈值,通过软阈值函数去噪,利用NSCT的平移不变性抑制伪Gibbs失真效应,从而完整保留图像的纹理和边缘等细节信息。实验结果表明,该方法能有效去除遥感图像的高斯噪声,提高图像的峰值信噪比。     

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。     

一种循环平移的Contourlet变换去噪新方法

与小波变换相比,Contourlet变换等多尺度几何分析方法,可以更好地逼近含线奇异的高维函数。针对Contourlet变换缺乏平移不变性的缺陷,提出了一种基于Contourlet变换以及循环平移的图像去噪方法,即MCT方法。由于阈值去噪会在重构的图像中产生虚假成分（视觉魇像）,尤其是在奇异点附近交替出现较大的上下幅值振动。而循环平移的目的就是在给定范围内寻求最佳平移量（或平均平移量）,通过改变图像的排列次序,从而改变奇异点在整个图像中的位置来达到减小或消除振荡幅度,进而改善由于伪Gibbs现象所导致的蚊状噪声。实验表明,与抽样小波去噪相比,该方法明显可以更好地保持图像边缘;同时也一定程度上改进了传统Contourlet变换去嗓方法所带来的视觉魇像的缺点,较好的保留了图像的细节部分,且峰值信噪比（PSNR）也较高。     

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。     

基于多小波—非采样Contourlet变换的自适应阈值图像去噪方法

为抑制Contourlet变换的非平移不变性和冗余性给图像去噪所带来的图像失真等缺陷,提出一种新的基于多小波—非采样Contourlet变换和基于Bayes Shrink的自适应阈值去噪算法：首先利用多小波对图像进行多尺度分解并结合非下采样方向滤波器组进行方向分解,接着根据分解所得到的各方向子带的关系,改进了Bayes Shrink自适应阈值取值方法,对图像进行去噪处理。实验结果表明：该算法去噪后图像的信噪比(SNR)与已有算法相比,有了明显的提高,有效地抑制了原Contourlet变换所造成的伪Gibbs现象,更好地保留了图像的细节信息。     

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。     

基于非抽样Contourlet变换的最佳软阈值图像去噪

研究了小波变换在图像处理中的缺陷,以及Contourlet变换在图像处理中产生伪Gibbs失真的原因.为了在多尺度分析框架下改进图像去噪的效果,提出了一种基于非抽样Contourlet变换的图像去噪算法,利用非抽样Contourlet变换的多尺度多方向性以及平移不变性,对加噪图像进行非抽样Contourlet变换得到变换系数,然后对变换系数采用分层最佳软阈值处理,最后将其反变换得到去噪后的图像.实验结果表明,与Contourlet变换图像去噪算法相比,该算法可以达到更好的效果.