基于正则化的多光谱图像二值化处理

为了进一步提升传统多光谱图像二值化处理方法的处理速度和抗噪性能,提出基于正则化的多光谱图像二值化处理方法。将正则化约束引入到多光谱图像去噪模型中,对现有的多光谱去噪模型进行改进。并利用正则化框架中的数据正则项对图像的噪声机制以及图像的先验信息进行建模,以实现多光谱图像去噪处理。根据去噪结果采用约束能量最小化方法获取多光谱图像的边缘信息,将最佳全局阈值法和局部阈值自适应方法在边缘信息的基础上相结合,实现对多光谱图像的二值化处理。仿真结果表明,所设计方法具有较强的抗噪能力和较快的处理速度,并且经处理后的图像分辨率较高,充分验证了上述方法的有效性。     

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。     

引入耦合梯度保真项的非线性扩散图像去噪方法

利用二阶的非线性扩散方程进行图像去噪易产生具有"阶越效应"的去噪结果,也即使分段光滑的图像变为分段常量的.针对低阶非线性扩散去噪方法的不足,通过在原有的扩散方程中引入从梯度保真约束项导出的Euler-Lagrange方程,提出了耦合梯度保真项的非线性扩散图像去噪方法.由于梯度保真约束项考虑了去噪前后图像梯度的相似度,利用该模型能够在保持边缘的同时得到分段光滑的结果,使视觉效果更自然.证明了新模型是一个凸函数,从而保证了最优解的存在性和惟一性.还分析了从噪声图像估计梯度时引入空间正则化对最终结果的影响,并且从理论和实验两个角度分析了合理选择正则化参数的重要性.模型在有界变差函数空间中可积,使得新方法克服了高阶非线性扩散去噪方法易造成边界泄漏以及破坏图像中纹理等高频成分的不足.实验结果表明,通过耦合梯度保真项能够很好地防止"阶越效应"的产生,同时保持图像中的边缘、纹理等结构信息.     

基于稀疏表示及正则约束的图像去噪方法综述

数据去噪声是信号和图像处理领域的一个经典问题,广泛应用于各类工程实践中。由于噪声源的多样性,去噪一直是富有挑战性且十分活跃的研究课题,发展了多种经典去噪方法。近年来,随着压缩感知理论的发展,基于稀疏表示及正则化约束反问题求解方法成为图像去噪领域的重要发展方向和技术途径。本文首先回顾和总结图像噪声的来源和类型,然后针对不同类型的图像噪声,重点围绕基于稀疏表示及正则化约束的图像去噪技术进行全面综述,分析和描述了几种主要去噪方法的原理及优缺点。最后,对去噪算法的性能评价指标进行总结。     

小波技术在"数字图像处理"课程中的教学应用

设计了图像尺度模型去噪实验项目.图像噪声的存在严重影响了图像的处理效果,图像去噪有利于图像的后续处理.设计了图像尺度模型去噪实验.利用二维离散小波变换分解含有加性噪声的图像,并尺度模型应用于分解后的各个高频子带中,它能够按照能量分布将区域内的小波系数分成多个子区域.对各部分进行能量估计和多阈值估计,获得去噪最佳阈值,并...     

基于非局部自相似性的谱聚类图像去噪算法

常见的图像去噪方法只是单独地利用了无噪图像或含噪图像的先验信息,并没有将这两种图像的先验信息有效地结合起来。针对这个问题,提出一种 联合无噪图像块的先验信息和含噪图像块的非局部自相似性进行去噪的图像去噪算法。首先,对无噪图像块进行谱聚类,通过谱聚类进行学习,图像中的相似块被聚集到同一类,并将学习得到的聚类信息用于含噪图像块的聚类;然后,向量化同一类中的含噪图像块并聚集形成一个矩阵,该矩阵中包含的原始图像数据构成一个低秩矩阵;再通过一个低秩逼近过程估计出相应的原始图像数据;最后,根据逼近得到的原始图像数据重建图像。实验结果表明,相较于已有的自适应正则化的非局部均值去噪算法以及基于主成分分析和局部像素聚类的两级图像去噪算法,提出的算法不仅可以获得较大的峰值信噪比,而且还能较好地保存图像的细节,取得了更好的去噪效果。     

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．     

基于自监督约束的双尺度真实图像盲去噪算法

现存的图像去噪算法在处理加性高斯白噪声上已经取得令人满意的效果,然而其在未知噪声强度的真实噪声图像上泛化性能较差.鉴于深度卷积神经网络极大地促进了图像盲去噪技术的发展,针对真实噪声图像提出一种基于自监督约束的双尺度真实图像盲去噪算法.首先,所提算法借助小尺度网络分支得到的初步去噪结果为大尺度分支的图像去噪提供额外的有用信息,以帮助后者实现良好的去噪效果.其次,用于去噪的网络模型由噪声估计子网络和图像非盲去噪子网络构成,其中噪声估计子网络用于预测输入图像的噪声强度,非盲去噪子网络则在所预测的噪声强度指导下进行图像去噪.鉴于真实噪声图像通常缺少对应的清晰图像作为标签,提出了一种基于全变分先验的边缘保持自监督约束和一个基于图像背景一致性的背景自监督约束,前者可通过调节平滑参数将网络泛化到不同的真实噪声数据集上并取得良好的无监督去噪效果,后者则可借助多尺度高斯模糊图像之间的差异信息辅助双尺度网络完成去噪.此外,还提出一种新颖的结构相似性注意力机制,用于引导网络关注图像中微小的结构细节,以便复原出纹理细节更加清晰的真实去噪图像.相关实验结果表明在SIDD,DND和Nam这3个真实基准数据集上,所提的基于自监督的双尺度盲去噪算法无论在视觉效果上还是在量化指标上均优于多种有监督图像去噪方法,且泛化性能也得到了较为明显的提升.     

基于偏微分方程的舌图像去噪研究

在对舌图像的去噪过程中,平滑噪声的同时容易丢失边缘和纹理等细节信息。为此,研究基于偏微分方程的舌图像去噪方法,分别采用中值滤波、高斯滤波、P-M方程、正则化P-M方程以及耦合冲击-复扩散滤波模型,对加噪舌图像进行滤波。比较结果表明,正则化P-M方程更适合舌图像的去噪处理,该方法处理速度快、去噪效果好,且能有效保护图像边缘。     

基于高密度离散小波变换的改进图像降噪方法

为进一步提高图像质量,提出一种基于高密度离散小波变换的改进图像降噪方法。给出二维高密度离散小波变换的分解与重构快速算法,通过该算法对图像进行多尺度分解,利用相邻尺度小波系数相关性对各层小波系数进行双变量收缩阈值处理,重构降噪后的图像。实验结果表明,与其他常用小波降噪方法相比,该方法能进一步提高图像降噪效果,且在降噪过程中较好地保留图像细节。     

一种改进的非局部均值图像去噪算法

非局部均值滤波算法（Non-Local Means,NLM）有良好的去噪效果,且能保持图像细节。但其复杂度过高引起效率低下,在噪声增大时去噪精度明显下降。快速非局部均值滤波（Fast Non-Local Means,FNLM）虽然提高了算法的效率,但去噪效果没有明显改善,在噪声增大时去噪效果仍不理想。针对该问题,提出一种新的非局部均值滤波算法,算法将Turky型函数与指数型相结合,提出一种新的指数-Turky型权值核函数,替代原NLM算法和FNLM算法中的指数型核函数,同时综合了结构相似性（Structural Similarity,SSIM）和欧氏距离来衡量图像邻域间的相似性,从而使得权值的选取更加合理,有效排除图像中不相似邻域的干扰,提高了算法的去噪性能。通过对添加不同噪声水平的高斯噪声图像进行实验,结果表明提出的算法在去噪性能上与NLM和FNLM相比有较大提高,尤其对于噪声较大的图像效果更为显著,在去噪效率上与NLM相比有明显提高,与FNLM算法的时间复杂度相当,时耗接近略有降低。     

基于偏微分方程的混合噪声去噪研究

针对目前图像去噪方法存在的主要缺陷是仅适用于单一噪声的滤除, 无法解决图像混合噪声去噪的问题, 提出一种加权混合噪声模型, 建立其能量泛函表达式, 利用变分法获得其欧拉—拉格朗日方程并给出其显式差分迭代求解算法。通过对其数值算法的改进, 不仅提高了该模型数值算法的速度和稳定性, 而且在一定程度上避免了降噪后图像的阶梯效应。仿真实验表明, 加权混合噪声去噪算法在去除混合噪声的同时更好地保留了图像的细节信息, 其降噪性能相比现有方法有一定程度的改善。     

基于互信息准则的图像平滑和分割

在计算机视觉领域,尺度空间扮演着一个很重要的角色。多尺度图像分析的基础是自动尺度选择,但它 的性能非常主观和依赖于经验。基于互信息的度量准则,文章提出了一种自动选取最优尺度的模型。首先,研究 专注于基于形态学算子的多尺度图像平滑去噪方法,这种技术不需要噪声方差的先验知识,可以有效地消除照度 的变化。其次,通过递归修剪 Huffman 编码树,设计了一个基于聚类的无监督图像分割算法。一个特定的聚类数 从信息理论的角度来看,提出的聚类算法可以保留最大的信息量。最后,用一系列的实验对算法的性能进行了验证, 并从数学上进行了详细的证明和分析,实验结果表明本文提出的算法能获得最优尺度的图像平滑和分割性能 。     

基于核局部线性嵌入算法的图像去噪方法

利用局部线性嵌入算法进行图像去噪时,如果局部近邻样本呈现非线性关系,图像去噪效果会受到影响。针对该问题,提出基于核局部线性嵌入算法的图像去噪方法。通过非线性核函数将样本映射到高维线性空间,在高维空间运用局部线性嵌入算法进行图像去噪。实验结果表明,该方法能有效地对高维非线性图像进行去噪,性能优于中值滤波算法和局部线性嵌入算法。     

图拉普拉斯正则化稀疏变换学习图像去噪算法

从噪声图像中恢复干净的图像是对图像进行有效处理与分析的首要前提之一,而去除噪声的同时保持图像的特征则是图像去噪的一个具有挑战性的问题.为了在去除噪声的同时尽量保持图像的局部结构特征,提出了一种基于图拉普拉斯正则化稀疏变换学习的图像去噪算法.通过引入图拉普拉斯正则化对邻域像素进行约束,可以较好地保护相邻像素之间的相关性,...     

多尺度几何分析的图像去噪方法综述

小波图像去噪已经成为图像去噪中应用最广泛的经典方法,而随之出现的多尺度变换去噪方法也已是当前图像去噪研究的一个热点。在对目前图像去噪的现状以及小波去噪总体概括的基础上,简要介绍了多尺度几何分析的产生和发展,进一步详细分析和总结了基于多尺度变换的图像去噪方法。基于对小波去噪以及多尺度变换图像去噪问题的理解,提出了对多尺度变换图像去噪方法的一些展望。     

基于稀疏优化lp正则化的光滑化拟牛顿算法

压缩感知被广泛应用于信号恢复和图像重构与去噪,重构算法是压缩感知的关键部分之一。当采样率很低时,重建原始信号是个困难的问题。对此,现有算法普遍表现不佳。采用[p(0相似文献   

空间移不变系统图像超分辨复原的快速解耦算法

超分辨率图像复原是当今一个重要的热门研究课题. 本文提出了一种基于全变差模型的超分辨率复原快速解耦算法. 利用半二次正则化思想, 提出了一个新的解耦TV (Total variation)模型. 利用交替最小化方法和线性空间不变模糊的性质将上采样融合、去模糊和去噪分步进行. 算法中对上采样融合采用非迭代的直接计算方法; 去模糊过程采用基于变换的预处理共轭梯度迭代算法, 而去噪过程采用了子空间投影方法. 本文算法降低了算法复杂度; 超分辨率重建图像在去除噪声的同时, 不仅能够保证图像平坦区域的保真度, 较好地抑制阶梯效应的产生, 而且能够保持图像中边缘等重要几何结构的清晰度.