邻域统计检测的双树复小波图像去噪

针对现有的脉冲噪声去除算法在去噪性能和计算效率上的缺陷,提出了基于邻域统计检测的双树复小波图像去噪算法。根据噪声的灰度特征、邻域像素的多数原则以及灰度偏差等统计特性进行噪声检测,充分利用双树复小波变换的优秀特性,在双树复小波域中用光滑可导的阈值函数以及自适应阈值对噪声图像进行去噪处理,最后用去噪图像中的像素,替换噪声图像中对应的噪声像素以得到最终的去噪图像。实验数据证明,所提出的方法优于部分最新提出的算法,具有较好的去噪性能和快速的计算效率。     

双树复小波域的邻域自适应贝叶斯收缩去噪

为了更加高效去除图像采集或传输中引入的噪声,提出了一种基于双树复小波域的邻域自适应贝叶斯收缩的图像去噪方法,利用了双树复小波变换的平移不变性和更多的方向选择性的优点,并考虑了系数间的局部自适应邻域相关性,以尺度适合的窗口为单位估计相应系数的方差,利用滑窗求其平均作为整个子带的图像方差,通过贝叶斯收缩来处理小波系数,从而实现高效的图像去噪。实验结果证明,该方法取得了很高的峰值信噪比和更好的视觉效果,去噪性能优良。     

双树复小波域的MRI图像去噪

目的 噪声会降低磁共振图像(MRI)的质量,影响视觉效果和计算机辅助诊断,针对MRI噪声的莱斯(Rician)分布特性,设计一种有效的MRI去噪算法. 方法 在双树复小波(DT-CWT)域结合双边滤波器(BF)和基于Stein无偏误差估计的邻域收缩法(NeighShrinkSURE)、二变量收缩法(BivariateShrink)设计一种有效的磁共振图像MRI去噪算法.所设计的算法充分考虑了MRI的噪声分布特性以及小波系数的层间和层内相关性,其性能优劣主要取决于平方MRI的双树复小波系数的噪声标准差估计的准确程度,其次和双边滤波器的参数以及两种收缩方法的占比有关.为了使各算法的协同发挥最好的性能,以均方误差(MSE)、峰值信噪比(PSNR)和结构相似度(SSIM)作为图像质量评价指标,修正DT-CWT系数的噪声标准差,确定最佳双边滤波参数以及两种收缩方法的占比.在双树复小波域结合3种方法设计了一种有效的MRI去噪算法.结果 与现有几种算法进行图像去噪比较实验.在视觉效果、去噪指标PSNR和SSIM以及耗时方面,本文算法综合性能优于现有的几种MRI去噪算法,PSNR提高了约0.51~1dB,SSIM提高了约5%~10%.结论 双树复小波域的去噪优于基本小波去噪,利用层内和层间相关性的去噪算法很好去除了噪声,双边滤波器的使用增强了低频部分的图像,使得本文算法在MRI莱斯噪声的去除上获得了较好的表现,在去噪的同时能够保留边缘和细节信息.     

基于复小波噪声方差显著修正的SAR图像去噪

提出了一种基于复小波域统计建模与噪声方差估计显著性修正相结合的合成孔径雷达(Synthetic Aperture Radar,SAR)图像斑点噪声滤波方法。该方法首先通过对数变换将乘性噪声模型转化为加性噪声模型,然后对变换后的图像进行双树复小波变换(Dualtree Complex Wavelet Transform,DCWT),并对复数小波系数的统计分布进行建模。在此先验分布的基础上,通过运用贝叶斯估计方法从含噪系数中恢复原始系数,达到滤除噪声的目的。实验结果表明该方法在去除噪声的同时保留了图像的细节信息,取得了很好的降噪效果。     

基于复小波系数局部方差无偏估计量的图像去噪

为了更有效地去噪,在考虑了图像局部具有不独立性特点的基础上,利用双树复小波变换,提出了一种新的空间适应算法,该算法对于每个系数利用中心方形窗来估计局部方差,克服了以前的去噪方法不能有效地去除图像边缘噪声的弱点,和目前好的实验结果进行的对比结果表明,该方法有效地改善了去噪效果。     

基于双树复数小波变换的切屑图像阈值去噪

由于在金属切削加工时通过CCD相机采集的切屑图像含有大量噪声，因此如何有效地去除噪声，获取切屑边缘信息是分析切屑形态参数，实现切屑控制的关键。目前小波变换图像去噪效果较好，而复数离散小波变换比实数小波变换具有更多优势，如：平移不变性、方向性等。并可提高图像的去噪能力。为了提高切屑图像的去噪能力，提出了一种采用双树复数小波变换进行切屑图像去噪的方法，即在原信号(噪声标准方差)未知情况下，采用GCV准则选取去噪阈值，双树复数小波变换进行去噪。典型图像与切屑图像去噪结果显示，该方法能有效地提高金属切削加工过程中切屑图像的噪声去除及屑形边缘检测的能力。     

一种有效保留图像细节的自适应图像消噪方法

针对更多保留图像细节信息有效滤除噪声的问题,分析了双密度双树复小波的变换原理及特点,推导了双变量萎缩函数,提出一种基于双密度双树复小波变换的局域自适应图像消噪算法。首先对含噪图像进行双密度双树复小波分解;后根据小波系数的统计特性以及层内和层间系数的相关性,采用结合局域方差估计的双变量萎缩函数对小波系数进行处理,并用处理后的小波系数重构图像。实验结果表明：该算法在滤除噪声的同时可保留更多的图像细节,极大地改善了图像的视觉质量。     

基于DTCWT方向信息的超声图像斑点噪声消除

针对一般的小波去噪方法在去除超声图像斑点噪声时不能有效保持图像边缘信息的问题,本文提出基于双树复小波变换(Dual tree complex wavelet transform,DTCWT)方向信息的超声图像斑点噪声消除算法.利用双树复小波变换6个方向复小波系数的相对方差来确定该点是否位于边缘或纹理上,对低于门限的像素...     

基于TLS估计的遗传小波红外图像去噪方法

为了更有效地去除红外图像中的噪声,提出一种基于总体最小二乘法(TLS)估计的遗传小波红外图像去噪方法.该方法以TLS小波去噪后图像作为父本并以维纳滤波处理后的图像作为母本来进行选择、交叉和变异,通过提取TLS小波去噪和维纳滤波在图像去噪中的优势基因,获得最优子代并解码还原成图像.实验结果表明,与当前已有的图像去噪方法相比,该方法能更加有效地去除红外图像中的噪声,且去噪后的图像具有更高的信噪比(SNR)和更小的最小均方误差(MSE).     

一种能保留图像边缘信息的去噪新方法

图像处理的目标是消除噪声的同时能保留图像所固有的信息.针对保留边缘信息有效去噪问题,提出了双密度双树复数小波变换的图像去噪方法,该方法综合了双密度小波、双树小波和复数小波的优点,具有更好的方向性,将双树复数小波的6个方向,提高到12个方向,并采用了自适应软阈值对小波变换的系数进行处理,消除图像干扰噪声.本文对加噪图像进行去噪仿真试验,并进一步进行边缘检测,仿真试验结果表明,该方法能有效消除图像噪声并保留图像原有边缘信息,与双密度双树小波相比,去噪效果明显改善,均方误差减小了2.4%.     

基于变系数双变量模型的双变量阈值去噪法

针对不同子带小波系数的父子小波系数联合分布不同的特点,提出可描述这一特征的父子小波系数的变系数双变量分布模型,并使用贝叶斯最大后验估计理论推导出基于新模型的双变量阈值函数。结合具有平移不变性和多方向选择性的双树复小波变换以进一步提高图像的去噪效果。实验结果表明,与Sendur的双变量阈值法相比,新方法去噪后图像的PSNR值有了提高,图像的主观视觉效果也得到改善。     

基于MATLAB的图像小波子带广义高斯模型的研究

图像小波系数的统计分布具有非高斯特性,本文以采用广义高斯分布对图像子带小波系数进行建模为例,研究了广义高斯模型和模型参数的估计问题,介绍了利用MATLAB语言设计概率直方图以及求解模型参数超越方程的方法,最后对实验结果进行了讨论。     

基于四元数小波混合统计模型的图像去噪

图像的去噪和压缩一直是图像处理的经典问题,传统的方法中很难将二者 同时兼顾。四元数小波变换是实小波、四元数理论及二维希尔伯特变换相结合的产物,是一 种新的多尺度分析图像处理工具。图像经四元数小波变换后,其小波系数不仅在尺度内具有 相关性,而且在尺度间也具有一定的相关性。文中提出一种混合统计模型,该模型包括尺度 间的二元非高斯分布模型和尺度内的广义高斯分布模型,然后运用最小均方误差（MMSE） 估计从噪声图中的小波系数恢复原图的系数,从而达到去除图像的噪声的目的。仿真实验表 明,论文方法不仅可以获得信噪比上的提高、视觉上达到明显的去噪效果,而且取得了较高 的压缩比。     

Multivariate Statistical Models for Image Denoising in the Wavelet Domain

We model wavelet coefficients of natural images in a neighborhood using the multivariate Elliptically Contoured Distribution Family (ECDF) and discuss its application to the image denoising problem. A desirable property of the ECDF is that a multivariate Elliptically Contoured Distribution (ECD) can be deduced directly from its lower dimension marginal distribution. Using the property, we extend a bivariate model that has been used to successfully model the 2-D joint probability distribution of a two dimension random vector—a wavelet coefficient and its parent—to multivariate cases. Though our method only provides a simple and rough characterization of the full probability distribution of wavelet coefficients in a neighborhood, we find that the resulting denoising algorithm based on the extended multivariate models is computably tractable and produces state-of-the-art restoration results. In addition, we discuss the equivalence relation between our denoising algorithm and several other state-of-the-art denoising algorithms. Our work provides a unified mathematic interpretation of a type of statistical denoising algorithms. We also analyze the limitations and advantages of algorithms of this type.     

一种基于自然图像统计模型的图像合成检测方法

Nowadays, digital images can be easily tampered due to the availability of powerful image processing software. As digital cameras continue to replace their analog counterparts, the importance of authenticating digital images, identifying their sources, and detecting forgeries is increasing. Blind image forensics is used to analyze an image in the complete absence of any digital watermark or signature. Image compositing is the most common form of digital tampering. Assuming that image compositing operations affect the inherent statistics of the image, we propose an image compositing detection method on based on a statistical model for natural image in the wavelet transform domain. The generalized Gaussian model (GGD) is employed to describe the marginal distribution of wavelet coefficients of images, and the parameters of GGD are obtained using maximum-likelihood estimator. The statistical features include GGD parameters, prediction error, mean, variance, skewness, and kurtosis at each wavelet detail subband. Then, these feature vectors are used to discriminate between natural images and composite images using support vector machine (SVM). To evaluate the performance of our proposed method, we carried out tests on the Columbia Uncompressed Image Splicing Detection Dataset and another advanced dataset, and achieved a detection accuracy of 92% and 79%, respectively. The detection performance of our method is better than that of the method using camera response function on the same dataset.     

基于小波域广义高斯分布的SAR图像分割算法

针对利用灰度共生矩阵作为纹理特征的传统方法不能够有效表征图像的边缘高频信息的问题,结合小波的多分辨率分析,提出了一种基于小波变换域统计特性的合成孔径雷达（SAR）图像分割算法。图像经过小波变换后,其统计特性服从广义高斯分布（GGD）,利用最大似然（ML）估计,推导出GGD的两个参数[α]、[β],提出了利用Newton-Raphson法对[β]进行快速迭代求解。并将[α]、[β]作为SAR图像的纹理特征,利用K-Means对其进行分割。通过对典型的SAR图像结果分析,表明了该算法的有效性。     

使用统计模型的动态红外和可见光图像融合

针对动态红外和可见光图像融合,提出了一种新的基于统计模型的融合方法,即将图像的小波分解系数用广义高斯分布来建模。首先,源图像分别用双树复小波进行分解;然后,采用加权平均融合规则来进行小波系数的融合,其中加权系数由估计的广义高斯分布参数来计算;最后,将融合后的系数重构为一幅图像。融合图像采用熵、互信息和边缘保持度Q^AB/F来进行质量评价,实验结果表明方法的性能优于其他两种动态图像融合方法。     

基于贝叶斯最大后验估计的局部自适应小波去噪

利用图像小波子带内系数的相关性,提出了一种局部自适应小波去噪方法。首先在贝叶斯最大后验概率准则下推导出基于拉普拉斯先验分布的MAP估计表达式和子带MapShrink阈值。为得到局部自适应的MapShrink阈值和去噪算法,提出将子带内的每个小波系数建模为具有不同边缘标准差的拉普拉斯分布,而边缘标准差又假设为强局部相关的随机变量,可通过邻域局部窗口进行估计。实验结果表明,与经典的子带自适应去噪算法相比较,该方法获得了明显的峰值信噪比增益,主观视觉效果也得到了改善。     

基于先验模型的小波图象降噪方法

本文提出了一种基于小波系数先验模型的小波降噪技术。这种模型认为整个小波系数空间由服从零均值高斯分布的局部区域组成，具有空间自适应和局部化的性质，模型的参数可以利用实际观测数据(包含噪声成分)来估计。基于估计得到的小波系数先验模型可以设计小波域上的经验Wiener滤波器，并应用到图象降噪任务中。实验结果表明，此种
种方法可以取得比较好的降噪效果。     

利用均匀离散曲波域LCHMM的图像降噪算法

提出了一种在均匀离散曲波域中利用局部上下文隐马尔可夫模型进行建模的图像降噪算法。介绍均匀离散曲波变换的特点,分析其系数的统计分布规律,表明适合用隐马尔可夫模型对其进行建模。通过期望最大化训练获取模型的参数,利用参数得到降噪图像的系数估计。分别对光学图像和高分辨率的SAR图像进行了降噪实验,与小波域、轮廓波域的局部上下文隐马尔可夫模型等降噪方法进行比较,结果表明,提出的算法能够有效地去除噪声,具有较强的边缘保持能力。