非下抽样抗混叠Contourlet变换及其自适应阈值去噪

针对Contourlet变换在频谱混叠及平移不变性方面存在的局限性,提出了一种非下抽样抗混叠Contourlet变换(NS-NACT),其由非下抽样抗混叠塔式滤波器组(NS-NPFB)和非下抽样方向滤波器组(UDFB)构成。基于此,研究了一种基于自适应阈值调节的去噪算法。实验研究结果表明,当噪声方差σ=30时,通过本文算法去噪后的图像,不仅峰值信噪比(PSNR)较非抽样小波和Contourlet分别高出0.65dB和3.47dB,而且有效抑制了Contourlet变换去噪后的Gibbs现象,同时还可以更好地保留图像的边缘和细节,去噪效果更佳。     

基于Contourlet变换的图像去噪算法

提出了基于平移不变的Contourlet去噪方法,与平移不变小波去噪相比较,结果表明该算法能有效地消除人为的视觉效果,使去噪后的图像获得更好的视觉效果,同时PSNR也得到了很大的提高.     

改进的BiShrink与DTCWT相结合的遥感图像去噪

基于双树复数小波变换(DTCWT)良好的平移不变性和多方向选择性,以及尺度内DTC-WT系数的领域相关性,提出了一种bivariate shrinkage(BiShrink)的改进算法,对遥感图像进行去噪处理。实验结果表明,经本文算法降噪后,图像的峰值信噪比(PSNR)得到显著提高,较好地保持图像的边缘和细节信息,并抑制混淆现象。     

基于非下采样Contourlet变换的图像相关去噪

针对Contourlet变换不具有平移不变性,在图像去噪中容易产生伪吉布斯现象的情况,本文将具有平移不变性的非下采样Contourlet变换与相关去噪法相结合,采用不同的相关系数归一化方法,用Bayesian阈值代替传统的硬阈值来达到更好的去噪效果。实验表明,该方法提高了去噪后图像的峰值信噪比(PSNR),同时,有效保留了图像的纹理信息,避免了伪吉布斯现象,改善了图像的视觉效果。     

激光主动成像图像噪声抑制方法

针对激光主动成像图像特点及实际应用需要,提出了一种基于同态滤波与双数复值小波变换级联的图像降噪算法。首先通过同态滤波将乘性散斑噪声变换为加性噪声;然后用基于改进Q-shift滤波器的双树复值小波对含噪图像进行分解,通过Bayes自适应阈值法修正小波系数;最后再进行相应的逆变换得到去噪图像。该算法具有近似平移不变性、多方向选择性及精确重构性,采用信噪比（SNR）、峰值信噪比（PSNR）和运行时间作为算法去噪性能的评价标准进行实验。实验结果表明该算法能够有效抑制图像中的散斑噪声,计算效率高,且很好地保护了图像细节。     

HMM-WC-FNM模型在触头表面形貌去噪中的应用

本文提出了一种可靠的图像去噪算法,基于观察图像是期望图像叠加了不规则噪声的假设,用有限高斯混合分布(FNM)描述期望图像分解小波系数(WC)的先验分布,用隐马尔可夫模型(HMM)描述同一方向不同分解级之间的小波系数的依赖关系,采用Bayes准则,根据期望图像的后验分布(以观测图像为条件)所对应的HMM模型的条件概率,用EM(expectation maximization)优化算法,获得MAP(maximization a posteriori)准则下的去噪图像。针对银基触头材料表面形貌去噪对几种算法作定性比较,并对去噪性能给出定量分析,仿真结果表明,此方法有效去除噪声的同时,能保留原始图像的细节信息。     

基于B样条小波的偏微分方程图像去噪方法

提出一种基于B样条小波的偏微分方程图像去噪方法.先对图像进行B样条小波变换,将得到的高频系数采用偏微分方程方法去噪,迭代次数采用去相关最优停止准则进行控制;将得到的低频系数进行阈值处理,阈值选取采用基于信息熵的阈值选择策略,然后对处理后的小波系数进行B样条小波逆变换,得到去噪后的图像.数值实验表明,改进算法能克服B样条小波变换与偏微分方程去噪的不足,增强去噪能力,同时有效保护图像边缘和细节信息.     

多小波域上各向异性扩散在纹理图像去噪中的应用

去噪是图像处理中的一个重要技术,一般的去噪算法会造成图像边缘信息被平滑,为了有效地抑制噪声而同时又保护好边缘信息,在多小波变换的基础上,提出了一种新的去噪算法,它结合了多小波变化和各向异性扩散(P-M扩散)两者的优点,利用多小波变换把纹理图像分解为高频子带和低频子带,然后根据子带图的特点分别采用不同的各向异性扩散方法,实验结果表明,该算法去噪效果好,改善了图像的峰值信噪比(PSNR)和最小均方误差(MSE),同时更好地保留了图像的纹理和细节.     

一种利用像素分类的自适应小波图像降噪方法

提出了一种结合像素分类与小波变换的图像去噪方法.首先用常用方法获得初步去噪图像,并将其分割为若干图像块,分别计算每个图像块的空间频率.利用归一化的空间频率,对不同的图像块采用不同的阈值进行去噪,空间频率高的图像块采用较小的阈值,反之采用较大阈值去噪.实验结果表明:该方法可在初步去噪图像的基础上进一步提高图像去噪的效果,同时较好地保持图像细节;其去噪效果优于常用的小波图像去噪方法,峰值信噪比(PSNR)相对常用方法最高可提高3.4 dB.     

基于小波变换和均值滤波的图像去噪研究

针对均值滤波现有的缺点和小波变换存在的优势,特提出将小波变换和均值滤波相结合的算法,在该算法中,首先通过小波去噪进行图像处理,将处理后的图像通过小波变换得到近似图像、水平、垂直和对角三个高频细节提取出来,针对含噪图像的特点,对水平、垂直和对角三个高频细节采用不同的滤波模板进行中值滤波变换,最后将近视低频细节和变换后的三个高频信号采用逆小波变换得到再一次去噪后的图像。经过仿真实验结果可知,该算法在有效降低噪声的同时,保留了尽可能多的图像细节信息,其去噪效果优于单一的小波变换去噪、均值滤波去噪。     

Image denoising based on iterative generalized cross-validation and fast translation invariant

Wavelet shrinkage is a promising method in image denoising, the key factor of which lies in the threshold selection. A fast and effective wavelet denoising method, called Iterative Generalized Cross-Validation and Fast Translation Invariant (IGCV–FTI) is proposed, which reduces the computation cost of the standard Generalized Cross-Validation (GCV) method and efficiently suppresses the Pseudo-Gibbs phenomena with an extra gain of 1–1.87 dB in PSNR compared with GCV. In the proposed approach, we establish a novel functional relation between the GCV results of two neighboring thresholds based on integer wavelet transform, and combine it with threshold-search interval optimization. As a result, the proposed IGCV reduces the time complexity of original GCV algorithm by two orders of magnitude. In addition, a recursion strategy is applied to expedite the translation invariant. The high efficiency and proficient capacity to remove noise make IGCV–FTI a good choice for image denoising.     

Image denoising algorithm based on even step-length generalized cross validation model

Generalized cross validation (GCV) is a significant mean square error (MSE) estimator. It is widely used for image denoising because it can provide an optimal denoising threshold for these wavelet coefficients of noise image. However, the computational complexity of GCV is higher than that of the universal threshold denoising algorithm. In this study, an efficient and fast image denoising algorithm is proposed based on even step-length (ESL) GCV model. In ESL-GCV model, only the thresholds on even points are calculated from four to the maximum wavelet coefficient. In addition, the ESL-GCV model is optimized using the integer wavelet transform (IWT). These experimental results show that the IWT-based ESL-GCV model can provide lower computational complexity and the better peak signal-to-noise ratio (PSNR) than those of the traditional GCV. The proposed algorithm has important theoretical and practical value for image denoising in the future.     

基于非局部图像去噪的方法研究

提出了一种利用非局部相似的图像去噪方法,通过非凸函数阈值得到噪声图像的多个初步去噪图像,其参数的选择较接近,并将这些初步去噪的图像选取相似块,利用非局部平均的方法,对图像进行去噪恢复。通过实验可知,文中提出的方法对于噪声图像去噪具有较好的效果,与典型的非局部平均方法相比,该方法能得到更好的峰值信噪比。     

模糊神经网络像素分类的稀疏表示医学CT图像去噪方法

在医学CT成像过程中,由于引入了不可避免的噪声,致使图像质量下降,影响临床诊断。因此,研究医学CT图像降噪方法在诊疗服务中具有重要意义。本文结合图像分割的思想,利用模糊神经网络将图像像素分成边缘区、平滑区与纹理区等不同图像区域,通过小波稀疏表示对不同类型的图像块进行阈值去噪处理,以便更好地保留医学CT图像的细节特征。实验结果表明,本文算法对医学CT图像降噪有一定的效果,峰值信噪比（PSNR）和结构相似性指数（SSIM）都得到了改善,更好并且很好地保留CT图像的细节信息。      

一种基于小波域HMT模型的图像去噪方法研究

小波图像去噪已经成为图像去噪的主要方法之一。利用小波变换在去除噪声时,可提取并保存对视觉起主要作用的边缘信息,但现有的去噪声方法忽略了小波系数之间的相关性。针对这一不足,在小波域隐Markov树模型(HMT) 的基础上提出了一种图像去噪新方法。实验结果表明,与普通的小波去噪方法相比,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。     

医学图像增强系统设计

为了改善医学图像的视觉效果,提高图像的清晰度,使之更适合于机器的分析处理以及人的视觉特性,并突出病灶点,为病理学诊断和临床诊断提供可靠依据。设计了一个对医学图像十分具有针对性的图像增强系统。针对CT图像的电子噪声提出了基于修正维纳滤波的小波包去噪算法;针对B型超声图像的散斑噪声提出了基于脉冲耦合神经网络(PCNN)模型的小波自适应斑点噪声滤除算法;针对医学图像对比度低,边缘信息模糊等特点,提出了基于小波变换的医学图像增强算法。当噪声方差为0.01时,基于脉冲耦合神经网络(PCNN)模型的小波自适应斑点噪声滤除算法获得的PSNR比经Wiener滤波方法获得的PSNR高出9 dB。系统能快速找到噪声点进行定点去噪,能有效提高医学图像的对比度,增强边缘细节信息,突出病灶点的位置,从而达到较好的处理效果,为医疗工作者观察病症提供更加清晰准确的依据。     

基于稀疏分解的指静脉图像去噪

手指静脉识别技术因其独特的优势,受到广泛的关注。然而由硬件系统获取的手指静脉图像常常含有严重的噪声、阴影等问题,所以对低质量的静脉图像的去噪成为了整个识别过程的关键。本文提出了一种基于稀疏分解的指静脉图像去噪新方法。基于稀疏分解的图像去噪是将含有噪声的图像信息进行稀疏分解,分解成稀疏成分和其他成分。其中的稀疏部分是有用信息,其他部分被认为是噪声,再由图像的稀疏部分重建原始信号,达到恢复原始信号并去除噪声的效果。本文根据指静脉图像的静脉的特点,应用高斯函数构造了过完备库。用合成图像和真实指静脉图像分别对新算法进行实验验证。实验结果证明,与传统的去噪算法相比,峰值信噪比提高1-2dB。      

基于改进生成对抗网络的低剂量CT去噪算法

针对低剂量计算机断层扫描(computerized tomography,CT)在图像采集过程中引入较多噪声,造成图像质量严重下降的问题, 提出一种基于残差注意力机制与复合感知损失的低剂量CT去噪算法。在该算法中,利用生 成对抗网络完成对低剂量CT图像的去噪,在网络框架中引入多尺度特征提取及残差注意力 模块,以融合图像中不同尺度的信息,提高网络对噪声特征的区分能力,避免在去噪过程中 丢失图像细节信息。同时采用复合感知损失函数,以加快网络收敛速度,促使去噪图像在感 知上与原图像更接近。实验结果表明:与现有的算法相比,所提算法能够有效抑制低剂量 CT图像中的噪声,并恢复更多的纹理细节;对比低剂量CT图像,所提算法处理后的CT 图像峰值信噪比(peak signal-to-noise ratio,PSNR) 值提高了31.72%, 结构相似性(structural similarity,SSIM)值提高了13.15%,可以满足更高的医学影像诊断要求 。     

Contourlet域自适应萎缩阈值去噪方法

受到传输距离、电子干扰等多方面因素的影响,在测量船远程故障视频诊断系统中,地面接收到的设备状态图像不可避免地混合有随机噪声,因此图像去噪是设备状态图像预处理阶段重要的任务之一。Contourlet变换是一种优异的图像去噪工具,但固定的萎缩阈值不能自适应于Contourlet系数的邻域信息。构造了一种利用Contourlet系数邻域信息的自适应萎缩阈值,用该阈值结合Contourlet循环平移方法实现图像去噪,实验结果表明,该方法可以提高去噪后图像的峰值信噪比。