全变分图像去噪的研究

图像去噪是图像处理中的重要环节之一。本文介绍了保持边缘细节效果较好的全变分去噪方法,分析了全变分法去噪的原理。实验结果表明与中值去噪算法相比,全变分算法能有效抑制图像噪声,并能更好地保持图像边缘细节。     

基于边缘增强和快速非局部均值的边缘图像去噪

针对全变分模型不能很好的保持图像边缘信息这一问题,有学者提出了基于边缘定向增强扩散模型,但该模型对图像细节处理不够.快速非局部均值(Fast Non-local means, FNLM)算法利用图像的自相关性与结构信息的冗余性,提高了去噪效果,但不能同时最大限度保持图像边缘信息又抑制平坦区域噪声.由于通过利用结构张量性质,可获取图像的边界、拐角、纹理等重要信息,本文引入结构张量改进边缘定向增强扩散模型,保持了图像边缘,并在此基础上提出了一种基于边缘增强和快速非局部均值的边缘图像去噪模型.该模型通过选取不同的边缘增强正则化参数,根据图像扩散幅度不同,获取带有纹理及噪声的边缘图像;然后对该边缘图像进行FNLM去噪,即过滤出图像原有的纹理结构信息;最后将之反馈到之前的边缘增强去噪图像中.实验结果表明,该方法不仅能够保留较多的纹理细节信息,而且很好的缓解了图像平滑和细节保持的矛盾.     

微生物图像的非局部主成分分析稀疏泊松去噪

针对微生物显微图像去噪,提出一种基于图像稀疏块表示和字典学习的泊松去噪算法。根据微生物图像内在相关性进行分块处理,采用Poisson K-均值法对图像块进行聚类;运用主成分分析法实现非局部稀疏字典表示,完成簇内去噪;经融合重建,获得完整去噪图像。结果表明:通过稀疏块表示和字典学习直接对泊松噪声去噪,可减少噪声模型转换误差;改进的分块和聚类方法可提高去噪图像的信噪比;与其他去噪算法对比,本文算法不仅取得更好的去噪效果,且可改善去噪后图像模糊现象,最大程度地保留图像细节信息。     

基于稀疏优化字典的图像去噪算法

稀疏表示算法是用过完备字典表示图像信息从而去除图像中的无用信息,达到去噪目的.KSVD字典是过完备字典中的一种,但是KSVD字典过于冗余,导致图像处理过程中冗余无用的图像信息降低算法的效率,为了提高KSVD字典的高效性和稀疏表示算法去噪能力,笔者提出了一种基于稀疏优化字典设计的图像去噪新算法.新算法的去噪步骤为首先运用正交匹配追踪算法求出稀疏系数;其次运用迭代算法用稀疏系数对初始DCT字典进行更新学习,在迭代的过程中逐渐去除噪声,得到去噪后的图像.仿真结果表明:与DCT字典算法、Global字典算法以及原有的KSVD字典算法进行对比,新方法的系数矩阵更加稀疏,去噪效果较好.     

基于非局部正则化的乘性噪声去除模型及Split-Bregman算法

针对全变分去噪模型会模糊图像边缘和纹理部分的问题,提出一种改进的去除乘性噪声的非局部正则化模型,并利用Split-Bregman算法进行求解。对观测图像取对数变换,将乘性噪声转化为加性噪声,利用全变分思想,以非局部TV范数作为正则项,通过图像区域与区域的灰度相似性来确定权重系数,进而更好地保持图像的纹理结构;在模型中加入紧凑项来保证去噪图像的紧凑性。对模型求解并进行数值仿真实验,结果表明:改进的去除乘性噪声的非局部正则化模型能够去除图像噪声且较好地保持其纹理部分。     

小波各向异性模型肺部CT图像去噪

在获取肺部CT图像过程中不可避免地要受到噪声污染,使用传统的去噪算法不能在对肺部CT图像有效去噪的同时很好地保持边缘、纹理等有用信息。为在肺部CT图像去噪时很好地保持边缘、纹理等细节信息,提出一种新的小波各向异性模型肺部CT图像去噪算法。算法首先对含噪的肺部CT图像进行Daubechies小波(dbN)软阈值去噪,然后在此基础上利用各向异性模型去噪。实验结果表明,与传统去噪算法相比,所提算法不仅去噪后的肺部CT图像噪声点较少而且具有更好的边缘、纹理等细节信息保持性。     

一种改进的基于偏微分方程图像的降噪算法

针对图像去噪过程中存在边缘保持与噪声抑制之间的矛盾,提出了一种改进的基于偏微分模型的图像去噪算法.引入了正则化、绝对差值排序检测法,结合Chao和Tsai模型,构造了一种新的扩散系数函数,兼具了正则化解决方程病态问题和绝对差值排序检测法有效区分噪声与边缘的优点.实验结果表明:与其他基于常用偏微分模型的去噪算法相比,所提算法能更加有效地去除噪声,保留了更多的细节信息,提高了图像去噪的信噪比.     

曲波变换尺度和方向准则图像去噪算法

为在图像去噪时很好地保持边缘、纹理等细节信息,提出一种新的基于曲线波变换的图像去噪算法。首先对含噪图像进行曲线波变换,然后在曲线波域制定噪声判断的方向准则和尺度准则,并对含噪图像进行去噪。最后,进行曲线波反变换,得到去噪后的图像。仿真实验结果表明,与传统去噪算法相比,所提算法不仅去噪效果好并且具有更好的边缘、纹理保持特性。     

改进全变分的图像去噪

为了弥补各向同性扩散去噪的非保边性、异性扩散的耗时性,分析了各向同性和异性扩散的机理,根据噪声对像素变化的影响,设计了新的扩散函数,理论上分析了该函数的扩散性能:对平滑区各向同性扩散,边缘区实现各向异性扩散。在传统全变分去噪的基础上,提出了改进全变分的图像去噪模型,运用固定点代算法设计了相应的离散迭代函数。实验结果表明,该算法在图像平滑区进行各向同性扩散,继承了各向同性的优点,降低了传统全变分的运行时间;在边缘区实现了各向异性扩散保护了图像边缘,提高了图像的峰值信噪比和视觉效果。     

基于余弦相似度的非局部均值滤波方法

为了解决非局部均值滤波(N L M)中会出现过度滤波,模糊了边缘结构信息等问题,提出了一种基于余弦相似度非局部均值滤波方法.该方法用余弦相似度改进非局部均值滤波中子块相似度的度量,能利用结构信息,对图像边缘结构信息进行更好的保持,同时可以减少图像明暗程度对去噪效果的影响.通过多个典型图像和不同的滤波参数h的实验表明,该算法与经典非局部均值滤波算法、基于积分图像的非局部均值滤波算法、Adaptive Wavelet Thresh?old算法、2VAR-BMWP-MAP算法、减小斑点扩散算法相比,实验结果表明:该算法能在有效去除噪声的同时更好保持边缘结构信息.另外,针对少有图像评价指标能在反映图像去噪程度的同时反映去噪算法的细节保持程度,在方法噪声的基础上提出了一种新的图像去噪评价指标,定义为方法噪声差(C B).结论表明:方法噪声差的确能反应去噪程度的同时反应图像细节的保持程度,且比误差的均方差(M S E)更符合人的主观视觉感受.     

基于马尔科夫专家场的泊松噪声图像去噪方法

提出一种基于贝叶斯概率模型的泊松噪声图像去噪方法.该方法基于贝叶斯最大后验概率模型框架,结合泊松概率分布,构建图像去噪模型.考虑到马尔科夫随机场不能对复杂自然图像有效表征,引入高阶的马尔科夫专家场作为模型先验正则项,以表征图像自身概率分布.利用二次惩罚函数,优化求解去噪模型,还原清晰图像.将所提方法与其他去噪算法进行仿真实验对比,并采用峰值信噪比和结构相似性2种评价指标对去噪效果进行客观评价.实验结果表明：与传统去噪方法相比,该方法的峰值信噪比至少提升了0.18 dB,去噪性能显著优于其他方法,能更好地保留图像的细节信息.     

基于马尔科夫专家场的泊松噪声图像去噪方法

提出一种基于贝叶斯概率模型的泊松噪声图像去噪方法. 该方法基于贝叶斯最大后验概率模型框架,结合泊松概率分布,构建图像去噪模型. 考虑到马尔科夫随机场不能对复杂自然图像有效表征,引入高阶的马尔科夫专家场作为模型先验正则项,以表征图像自身概率分布. 利用二次惩罚函数,优化求解去噪模型,还原清晰图像. 将所提方法与其他去噪算法进行仿真实验对比,并采用峰值信噪比和结构相似性2种评价指标对去噪效果进行客观评价. 实验结果表明：与传统去噪方法相比,该方法的峰值信噪比至少提升了0.18 dB,去噪性能显著优于其他方法,能更好地保留图像的细节信息.     

自适应单尺度Ridgelet声呐图像去噪方法

声呐图像背景复杂,对比度差,边缘恶化,不易判读图像边缘．对声呐图像执行小波变换能够有效去除噪声,但是由于小波的局限性,其对图像边缘的保持效果不佳．正交有限Ridgelet （FRIT）变换能够有效克服小波变换在处理高维信号时的不足,是一种有效处理二维奇异性信号新方法．针对水下声呐图像特点及噪声分布情况,提出单尺度自适应去噪处理算法,既削弱了单独使用FRIT处理时出现的环绕现象,又克服了单独使用小波去噪时无法保持边缘的缺点,同时提高了图像信噪比．与其他经典方法及单独使用FRIT方法比较,此改进方法在水下声呐图像去噪输出信噪比及边缘保持等方面均获得理想效果．     

基于小波分析的磁共振图像去噪方法研究

小波分析去噪是一种新兴的图像去噪方法。由于小波分析具有多尺度分辨和去相关性等特点，使得小波分析在去除高斯白噪声方面优于传统的图像去噪方法。但是，磁共振图像这种小波变换去噪后，纹理特征被弱化，图像的边缘变得模糊。针对以上问题，提出了基于小波变换的图像去噪新方法。此去噪方法对经典的小波去噪方法进行了改进，使基于阀值的小波分析在阀值处理上更精确，并具有自适应性。采用本方法处理的噪声图像与经典方法相比，图像的边缘信息更清晰，纹理特征增强，去噪能力也得到增强。[第一段]     

基于非线性扩散方程的改进全变分去噪模型

针对传统的全变分(T V)模型因参数选择敏感,导致去噪图像容易在平滑区域产生"阶梯效应"或者虚假边缘的情况,提出一种基于非线性扩散方程的改进全变分去噪算法.在传统的TV算法基础上,提出了一种针对参数的自适应迭代函数,结合P-M算法的非线性扩散方程,使本算法在迭代初期可以看作各向同性去噪模型,有效去除"阶梯效应",随着迭代次数的增加,此模型为各向异性去噪模型,在去除噪声的同时,有效保护图像的边缘细节.实验结果表明,去噪过程中,该算法在扩散系数和自适应迭代函数的共同作用下,消除了阶梯效应和虚假边缘,相比传统TV算法提升了图像3 dB的峰值信噪比(PSRN)和视觉效果.基本满足图像预处理要求.     

全变差曲波变换在医学影像图像去噪中的应用

针对曲波变换算法在医学影像图像去噪中会产生截断伪影和边缘模糊等问题,提出了一种全变差曲波变换算法.该算法首先对含噪医学影像图像分别进行曲波阈值和全变差去噪,然后将得到的去噪结果进行曲波逆变换并生成最终图像.仿真实验结果表明,该算法不仅可有效地降低噪声,还可较好地保持医学影像图像边缘和细节信息,其效果明显优于曲波变换算法和全变差算法.因此,该算法对医学影像图像的噪声滤除具有良好的应用价值.     

基于小世界模型和图论的图像去噪

提出了一种基于图论的偏微分方程(PDE)图像去噪方法。在构造图的拓扑结构过程中,引入了小世界模型,降低图的直径,加快算法的收敛速度。同时,评估了图的权重函数中最优参数的选取。最后,用图的拉普拉斯矩阵和图上的热扩散方程实现图像的去噪。仿真实验结果表明,本文提出的方法能够有效去除高斯噪声,较完整地保持图像中的边缘等细节信息,在去噪性能和算法收敛速率上优于其它的PDE去噪方法。     

基于小波变换与中值滤波相结合的图像去噪处理

尝试利用基于小波变换和中值滤波相结合图像去噪声处理对同时含有高斯噪声和椒盐噪声的图像去噪方法进行了探讨．结果表明，小波变换结合中值滤波方法在去除图像噪声的同时较好地保持了图像所包含的边缘信息，处理效果优于单一的小波变换去噪或中值滤波．     

一种改进BM3D的图像去噪增强方法

针对已有图像增强方法对内核算法要求高、信噪比提升小、增强效果差的问题,提出一种运用改进三维块匹配滤波(BM3D)算法的图像去噪增强方法.该方法以改进图像块搜索方式的BM3D为内核,将去噪后图像加到原始噪声图像上,进行图像去噪增强.仿真结果表明,改进BM3D算法相比BM3D算法,提高了图像的峰值信噪比和降低了图像均方误差;与BM3D算法和改进BM3D算法相比,去噪增强方法具有更好的去噪效果.     

小波变换与中值滤波相结合图像去噪方法

为了很好地保持图像的边缘细节,在对二维图像去噪平滑的过程中,采用基于小波变换和中值滤波相结合的图像去噪处理方法.将含有复杂噪声的图像首先进行小波分解,对各频带的子图像采用不同的阈值(软阈值和硬阈值)进行中值滤波处理,在去除图像噪声的同时,较好地保持了图像所包含的边缘信息.经实验证明,对二维图像的处理效果优于单一的小波变换去噪或中值滤波等方法.在由相干切片数据形成的二维地震图像处理中得到了应用,提高了地震解释的效率.