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。     

结合FT与NSCT的自适应阈值去噪算法

为更好地对图像进行稀疏表示,以改善去噪效果,提出一种傅里叶变换与非下采样轮廓波变换(NSCT)相结合的自适应阈值去噪算法。在傅里叶域中对含噪图像去噪,在NSCT域中利用分层噪声估计的贝叶斯阈值算法,结合多尺度多方向的能量阈值修正方案自适应地滤除剩余噪声。实验结果表明,该算法的去噪性能较好。     

小波阈值的改进及在遥感图像去噪中的应用

在遥感图像降噪过程中，小波域阈值算法可以有效地降低图像的噪声，但阈值选取往往是固定的，如Donoho给出了基于小波变换的通用阈值去噪公式，由于该阈值不具备尺度间的自适应性，致使图像细节丢失。通过改进Donoho通用阈值和阈值函数，提出了阈值系数的自适应确定方法，实验证明该算法能有效地去除噪声，且能够较好地保护图像细节。
     

基于自适应伽马转换函数的遥感图像增强

针对传统的遥感图像增强方法视觉效果不够理想的缺点,提出了一种基于平稳小波变换和分段自适应伽马灰度转换函数的遥感图像对比度增强方法。首先,对遥感图像进行平稳小波变换,接着对得到的最大尺度低频子带图像采用基于核函数的样本加权模糊C-均值聚类算法将该图像分为低、中和高亮度区域,并对各亮度区域依据其各自特点分别采用不同的自适应伽马灰度转换函数进行增强,然后利用贝叶斯萎缩阈值法和非线性自适应增益函数相结合计算高频子带的增益系数,从而得到增强后的高频子带图像;最后,由低频子带图像和高频子带图像重构得到增强后的图像。实验表明,该方法提高了遥感图像的全局对比度,改善了视觉效果,增强了图像的细节并抑制了噪声,获得了较好的图像增强整体效果。     

小波去噪在智能引线键合机图像处理中的应用

针对小波去噪中硬阈值法和软阈值法存在的缺陷,提出了一种新的多尺度自适应阈值选择算法,该方法根据小波变换的特点和噪声信号的3σ,准则,对于不同的小波系数乘以一个与自身小波系数相关的降噪因子.在现有的图像去噪评估算法的基础上,提出了基于图像平滑度和匹配度的去噪效果评估算法.实验结果表明:多尺度自适应阈值选择算法能有效去除图...     

基于小波包变换与自适应阈值的图像去噪

提出了一种基于图像小波包变换及与分解层次相关的自适应阈值的去噪方法。利用小波包对图像进行分解,可以同时对图像的低频和高频部分进行分解,可以更好地保留图像信息,减少噪声对图像的影响。同时对小波包树系数用自适应阈值进行软阈值处理,可以很好地保留边缘等图像信息,这一方法比采用常用的阈值明显提高了去噪图像的信噪比。通过对加噪图像的实验可以看出,本文方法不仅可以有效地去除加性高斯白噪声,而且很好地保留原图信息,对进一步图像处理有所帮助。     

基于3次B样条小波变换的改进自适应阈值边缘检测算法

针对含噪声图像边缘提取问题,提出了一种改进NormalShrink自适应阈值去噪算法。该算法首先通过小波变换和局部模极大值法提取出可能包含图像边缘特征的小波系数,利用边缘像素之间特殊的空间关系以及噪声在各级小波分解尺度下的不同效应,构建适合各个尺度级的改进NormalShrink自适应阈值,并依此对提取出的小波系数进行筛选。实验结果表明,与改进的Candy算子和传统的NormalShrink自适应阈值相比,本方法提取出的图像边缘较为完整清晰,峰值信噪比提升约6 db。     

自适应梯度幅值和形态学组合滤波算法

针对传统梯度幅值滤波算法中阈值需人工确定而无法正确判断噪声点和产生新噪声点的问题,提出了一种自适应梯度幅值和多结构元素形态学组合滤波算法。首先使用梯度幅度均值与方差的和作为阈值,以及Otsu算法自适应阈值两种自适应滤波算法对图像进行滤波,以自动确定滤波阈值,最大限度滤除噪声点,保持图像细节;然后使用多结构元素组成串联形态学复合滤波器对自适应梯度幅值滤波后的图像进一步滤波,以解决在自适应滤波过程中产生的新噪声问题。通过实验结果对比与分析,该算法滤波后的图像视觉效果明显好于传统滤波方法,从而验证了该算法既能保持图像细节,又能实现较好的图像滤波效果。     

一种用细胞神经网提取遥感图像边缘的新方法*

针对灰度遥感图像具有噪声多、图像亮度均匀、边缘模糊等特点,提出了基于细胞神经网遥感图像边缘检测的新方法。该算法主要是利用细胞神经网先后对遥感图像进行图像滤波、灰度阈值化、膨胀腐蚀、边缘检测等模板操作。实验结果表明,与传统的Sobel和Canny边缘检测算法相比,本算法不仅能有效地去除噪声对边缘检测的影响,而且能够快速完整地提取图像边缘。     

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。     

基于小波包变换与自适应阈值的SAR图像去噪

针对SAR遥感图像在探测、传输过程中受到噪声干扰,不利于对其进行处理的问题,提出一种基于小波包和自适应阈值的SAR图像去噪方法.该方法采用小波包对SAR图像进行分解,与传统的小波分析相比,小波包分析能够提供一种更加精细的分析方法;然后采用自适应阈值的方法去除SAR图像中的噪声.实验结果表明,该算法能有效去除SAR图像中的噪声,在信噪比和主观视觉上都要优于小波去噪的方法.     

自适应Bandelet框架及其在图像去噪中的应用

在Bandelet变换中噪声影响了对图像实际几何方向的寻找。针对这一问题,提出了一种自适应Bandelet框架——根据图像去噪这一应用目标,重新修定建立四叉树结构和确定图像几何方向的若干规则,从而计算出较为精确的图像几何方向,并且实现了基于自适应Bandelet框架的去噪算法。实验表明同传统的小波子带多阈值去噪法相比,该算法不仅提高了去噪后图像的峰值信噪比（PSNR）,而且更好地保留了图像的细节特征。     

模糊集与非线性增益相结合的自适应图像增强算法*

提出了一种模糊集增强与非线性增益相结合的自适应图像增强算法,使用双正交小波变换对原始图像进行分解,低频子带系数采用改进的模糊集增强算法,以提升图像的整体对比度;对高频子带,先采用贝叶斯萎缩法估计噪声与信号的阈值,再使用一种非线性增益函数增强图像细节并抑制噪声。对算法中影响增强效果的关键参数进行了研究,并提出了一种模糊集增强算子的阈值选取算法,能够实现不同图像自适应参数选择;将信息熵作为非线性增益函数的参数选取准则,并针对算法中排序算法运算量过多导致算法时间过长的情况,提出了一种替代求解方法,极大地提高了算法效率。对算法进行仿真,结果表明：算法能够有效提升对比度、增强图像细节并抑制噪声,可以明显改善图像的视觉效果,具有参数自适应、算法效率高等优点。     

基于形态学和小波的遥感图像边缘检测

针对遥感图像噪声含量大、边缘细节丰富等特点,提出了一种基于形态学和小波分析相结合的遥感图像边缘检测方法,即利用小波变换将遥感图像分解为低频和高频两部分分别进行处理,低频采用形态学锐化算法改善低频边缘清晰度后构造全方位多结构元素进行形态学边缘检测,高频引入小波阈值去噪算法进行预处理后利用小波模极大值进行边缘检测,最后进行边缘图像融合.实验结果表明:该方法在有效抑制噪声的同时,实现了边缘的精确定位,细节提取效果好.     

一种基于小波变换图像去噪的方法

提出了一种基于图像软阈值小波变换的高斯白噪声消除法。该算法根据含噪声图的特点,把信号分成信号象素与可能噪声象素两类,对于可能是噪声的象素,采用图像的小波软阈值去噪方法进行滤波,而对信号象素不产生影响,且能保留更多的图像细节。文中也给出了标准中值滤波,自适应维纳滤波算法和小波软阈值去噪的算法进行比较实验,结果表明用小波软阈值去噪的算法处理高度污染高斯白噪声的图像能力明显强于标准中值滤波,稍微优于自适应维纳滤波算法,且能够比较好保留图像的细节部分。     

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。     

基于修正维纳滤波的小波包变换图像去噪

图像去噪是图像处理中一个非常重要的环节。为了改善降质图像质量,根据Donoho提出的小波阈值去噪算法,分析了维纳滤波原理,提出了一种基于修正维纳滤波的小波包变换图像去噪方法。利用修正维纳滤波对噪声图像进行处理,用处理后的图像计算噪声的标准方差,以此作为小波包的阈值。利用小波包对维纳滤波后的图像进行分解,实现对图像的低频和高频部分分别进行分解,用计算出的阈值对小波包树系数进行软阈值处理。利用小波包逆变换来获取去噪后的图像。结果表明：在噪声方差为0.01时,经该算法去噪后图像的PSNR比小波包自适应阈值去噪后的PSNR高出8.8 dB。该算法不仅能有效地去除加性高斯白噪声,而且能很好地保留边缘信息,极大地改善了图像的视觉质量。     

基于Context模型的小波变换阈值自适应图像去噪

根据噪声和信号的小波系数在不同分解尺度、不同方向上高频系数的分布不同,结合Context模型,提出基于Context模型的小波变换阈值自适应图像去噪算法。该算法通过对不同尺度和方向的小波分解系数应用不同的阈值方法进行去噪。实验表明,方法能较好地去除图像噪声和保留图像边缘细节信息,在提高去噪图像信噪比值和改善视觉效果方面都表现出了良好的性能。     

基于置换群的遥感图像边缘检测

遥感图像在成像过程中会产生噪声,进行滤波去除噪声、从中恢复出有用图像,成为遥感图像进一步研究和应用的基础。在数学形态学的基础上引入置换群的相关理论,提出了一种结构元素变换算法,由传统形态学中单一固定结构元变换出多个形态结构元,不同形状的图像信息可选择不同形态的结构元来处理,适用于含噪遥感图像边缘检测,结果表明,算法与传统算法相比能取得较好的图像边缘处理效果。     

基于Contourlet变换的图像DCT去噪新方法

为了改进滤波效果,以提高图像去噪质量,提出了一种通过离散余弦变换对Contourlet域中噪声能量进行估计来实现去噪的新方法.该算法不依赖于对噪声方差进行估计,而是直接利用离散余弦变换来对高频各子带进行局部特征提取,以便估计噪声能量的估计阈值.实验结果表明,与传统的小波软、硬阈值去噪方法和基于小波变换的图像离散余弦变换去噪方法比较,该方法有效地克服了采用硬阈值法引起的伪吉布斯现象和软阈值法因导致过度光滑而使信号失真等缺点.实验表明,该算法不仅可提高处理图像的信噪比,而且图像的视觉效果也明显改善,因此更具有实用价值.