一种基于小波-Contourlet变换的图像去噪算法

提出了一种基于小波-Contourlet变换的图像去噪算法.实验证明,该算法相对于小波变换和Contourlet变换能更稀疏的表达图像,并利用此优越性进行图像去噪,可以达到更好的效果和更高的PSNR值.     

基于小波变换的边缘保留图像去噪改进算法

针对在图像去噪过程中,如何有效地保留图像边缘等重要特征信息的问题,提出了一种基于小波变换的图像去噪改进算法。对图像进行多尺度小波分解,将各子带小波系数进行自适应阈值化处理,边缘成分的阈值由子带阈值和给定的相关权重计算得到,从而有效保留图像边缘信息。分别对Tracy和Building图像进行处理,实验结果表明,与BayesShrink等4种传统方法相比较,改进算法不仅可以有效去除不同程度的加性高斯白噪声,很好地保留图像边缘等重要特征信息,而且具有较高的峰值信噪比。     

基于小波变换的图像去噪算法研究

小波变换作为一种重要的工具,已经在图像处理中得到了广泛的应用。我们所获得的图像一般信噪比比较低,噪声密度大,且含有混合噪声,而现有算法大多只针对单一噪声进行去除。文章提出了一种基于小波变换的混合噪声的去除方法:首先使用改进的中值滤波算法去除脉冲噪声,然后采用小波去噪方法去除高斯噪声。通过Matlab仿真得出去噪效果。     

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。     

一种基于小波变换的自适应阈值图像去噪方法

0 引言 由于小波变换有良好的局部特性,作为一种信号和图像处理工具,它得到了广泛应用。1995年,Donoho首次提出了小波阈值,小波阈值是一种非线性的方法,它是在小波域内通过对小波系数进行处理来达到去噪的目的,其理论前提是认为图像的小波系数是服从广义高斯分布且绝对幅值较大的小波系数主要由信号变换后得到,而绝对幅值较小的小波系数则主要是由噪声变换后得到的,这样就可以通过设定阈值将较小的噪声系数清除来达到去噪的目的。     

基于正交小波变换的图像去噪算法研究

提出了一种基于正交小波变换的图像去噪方法,首先利用离散小波对图像信号按Mallat算法进行分解,然后采用软闽值与小波重构的算法进行去噪。深入研究了小波变换中的图像分解与重构的Mallat算法,详细介绍了正交小波变换中阈值的选取,并进行了实验研究。实验结果表明,该方法可以有效去除噪声,并保留了图像细节部分的有用信息。     

基于Contourlet变换自适应阈值的图像去噪算法

综合利用Contourlet变换和图像在各个尺度各个方向上的轮廓细节的大小,一定程度上改进了Donoho阈值"过扼杀"其分解系数的缺点,同时还考虑图像的轮廓细节.实验结果表明,与小波阈值,Contourlet阈值和多尺度Contourlet阈值相比,这两种方法更好的提取了图像的轮廓细节,提高了图像的PSNR值.     

基于多小波变换及综合阈值的图像去噪方法

提出了一种基于多小波变换的综合阈值图像去噪方法。该方法通过对含噪图像进行多小波变换,克服了单小波变换中无法同时满足正交性和对称性的缺点。同时,在两种经典的硬、软阈值处理方法基础上,提出了一种综合阈值处理方法。将该阈值方法和多小波变换相结合,根据多小波分解后的能量分布特性,在不同尺度的子带选择不同的最佳阈值,有效地提高了重构图像质量。并且对阈值进行向零收缩处理,防止有用信息当作噪声滤除。实验结果表明, 相对于传统的硬、软两种阈值处理方法,文中的去噪方法在输出信噪比和主观视觉效果上都有明显改善。     

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。     

一种基于小波变换的自适应图像降噪法

提出了一种基于二进小波变换的图像降噪方法,通过对小波变换系数进行阈值处理实现降噪。该方法结合图像的自身邻域信息,具有一定的自适应性。实验结果证明能够产生较好的效果。     

基于加权自适应方向提升小波的图像去噪研究

本文介绍了一种基于加权自适应方向提升小波(WADL,Weighted adaptive directional lifting)和普通提升方法相结合的图像去噪方法,此方法能够较好地对噪声进行抑制,同时保护图像的纹理边缘较少受到损失。在仿真试验中我们通过对噪声图像进行分类,对属于纹理密集区域采用WADL方法去噪,对平滑区域采用普通提升去噪,得到了比较好的去噪结果。     

基于小波变换的红外图像去噪

小波图像去噪已经成为目前图像去噪的主要方法之一。本文介绍了小波阈值去噪的基本原理,并将其应用于红外图像去噪。实验结果表明,该算法优于传统滤波去噪方法,能有效地抑制噪声,可用来对红外图像做进一步的分析与处理。     

一种基于子波变换的信号滤噪改进方法

对子波变换多尺度下信号与噪声的不同性质进行了研究,提出了一种在子波域不同尺度上选取不同的滤噪方法,该方法将经典的软阈值滤噪与子波变换的模极值传播特性在一定尺度上有机结合起来处理信号.在改善信噪比的同时,也尽可能地保持原信号的边缘信息和精细特征.通过仿真验证了该方法的实用性和优越性.     

子波变换去噪的一种新算法

在图象平滑中，经常采用均值滤波和中值滤波。然而均值滤波对高斯白噪声比较有效而中值滤波对脉冲噪声比较有效。因而寻求对两种噪声都有效的去噪算法是我们所希望的。本文在概要介绍子波变换的基础上，首先从理论分析和实验计算两个方面详细讨论了脉冲信号和高斯白噪声的子波变换特性。然后说明了一种对脉冲噪声和高斯白噪声同时有效的新的去噪算法。最后利用改进的去噪算法对一维信号和二维信号进行了实验，并给出了数字仿真的结果。     

基于小波分解的计算机图像去噪算法

计算机图像在形成过程中较易受到外界因素的干扰而形成噪声,对图像质量噪声较大的影响,小波分解可对图像信号在频域中进行细致的划分,选择合适的阈值可实现图像去噪的目的。文中分别对图像质量,小波分解、Mallat算法和小波阈值去噪进行阐述,并利用Matlab仿真软件对应用小波分解的图像信号进行去噪。仿真结果表明,该方法具有较好的图像去噪效果。     

基于Curvelet变换与小波包变换联合的图像去噪算法

小波包变换在处理图像中的平滑区域时能够起到较好的效果,而Curvelet变换可以更好地逼近线性奇异高维函数,对图像的边缘区域有最稀疏的表示.在此基础上提出了基于二者联合的图像去噪算法,在对含噪图像进行分割后,分别对线性区域和平滑区域采用Curvelet阈值去噪处理和小波包阈值去噪处理.该方法充分发挥了二者各自的优势,实验表明,它对图像的去噪效果要优于单纯的Curvelet或小波包去噪方法.     

基于M带小波变换与模糊聚类的图像去噪算法

M带小波变换是标准二带小波变换的自然推广,能够分析具有相对窄带的高频信号,而且能更好的集中信号能量,因此在信号处理中应用广泛.本文结合模糊聚类算法,提出了一种新的基于M带小波变换的图像去噪算法,利用模糊聚类算法把小波系数划分成两类:包含信号的小波系数与只包含噪声的小波系数,对只包含噪声的小波系数置为零,将包含信号的小波系数进行利用软阈值法进行收缩,最后对处理后的系数进行M带小波逆变换,得到去噪后的图像.对SAR图像的实验结果表明,该算法有效,而且能较好地保留边缘信息.