二进小波变换的图像去噪

由于图像二进小波变换在每次分解时不进行下抽样,所以其表示同小波级数相比是冗余的,且图像二进小波变换的部分系数扰动不会带来重构图像的严重失真。因此,在相同的误判概率下,基于二进小波变换的图像去噪效果会好于基于小波级数变换的图像去噪效果。基于这个思想,该文提出了DWID方法,将基于小波级数的图像去噪方法推广到基于二进小波变换的图像去噪,比较了DWID同基于小波级数去噪效果。实验表明,DWID比小波级数去噪效果有明显改善。     

基于小波变换的图像去噪

与传统的傅里叶变换去噪相比,小波能去噪同时保留图像细节特征。针对较好的小波去噪,本文研究了小波阈值去噪的阈值函数选取,阈值大小确定和小波去噪方法。     

一种新的基于小波变换的图像去噪算法

小波去噪算法的关键是如何处理小波变换系数。把电路中同或的思想引入图像去噪领域,在识别信噪属性时,综合考虑了小波系数的模极大值、相位等因素,提出了小波域同或去噪算法。较之经典方法,此方法在改善去噪效果的同时提高了算法的执行速度。     

一种基于自适应阈值的图像去噪新方法

Selecting threshold is the most important in threshold-based nonlinear filtering by wavelet transform. In this paper, a novel adaptive threshold is proposed by minimizing a Bayesian risk(It is adaptive to subband because it depends on data-driven estimates of the parameters). Combining this thresholding method with Wiener fitting can re-sult a new denoising method. Expermental results show that the proposed method indeed remove noise significantly and retaining most image edges. The results compare favorably with the reported results in the recent denoising liter-ature.     

基于提升的自适应图像消噪

信号经过小波分解后采用软阈值处理具有良好的降噪效果，提升结构是小波技术的新发展。从提升小波出发，通过引入正交性等约束条件得到了具有良好子带分解特性的一族小波；将这些小波应用到软阈值降噪处理中去，依据信号特性自适应的选择滤波器参数，可以明显地提高PSNR．     

信息结构理论在图象去噪中的应用

提出一种基于信息结构的图象法噪新算法,在分析与研究以往图象去噪算法的基础上,开创性地引入了图象信息结构结构的概况,实现二维图像的去噪,实验结果表明这种方法兼顾了去噪和保边界这一平滑降噪中矛盾的两个方面,是一种有效的新的去噪算法。     

基于非局部TV正则化的波原子去噪算法

结合新的多尺度几何分析工具波原子和非局部TV正则化提出了一种新的纹理图像去噪模型。该模型充分利用了波原子对振荡纹理图像的稀疏表示和非局部"I'V能较好地处理纹理图像的优点,使得新方法处理后的纹理图像避免了伪吉布斯振荡现象。实验结果表明,新方法的信噪比有一定提高,在保持图像的细节方面与单纯的波原子阂值和非局部`I'V比较也有明显的改善,取得了比较好的视觉效果。     

小波图象去噪综述

小波图象去噪已经成为目前图象去噪的主要方法之一。在对目前小波去噪文献进行理解和综合的基础上，首先通过对小波去噪问题的描述，揭示了小波去噪的数学背景和滤波特性；接着分别阐述了目前常用的3类小波去噪方法，并从小波去噪中常用的小波系数模型、各种小波变换的使用、小波去噪和图象压缩之间的联系，不同噪声场合下的小波去噪等几个方面，对小波图象去噪进行了综述，最后，基于对小波去噪问题的理解，提出了对小波去噪方法的一些展望。     

基于小波变换气动光学效应模糊图像去噪

采用小渡变换算法用于气动光学效应图像去噪研究。结合气动光学效应的复杂性和小渡变换的特性，小渡变换算法可以有效地应用于气动光学效应图像去噪。去噪图像相对于原图像误差小，去噪效果明显。     

基于小波变换气动光学效应模糊图像去噪

采用小波变换算法用于气动光学效应图像去噪研究。结合气动光学效应的复杂性和小波变换的特性,小波变换算法可以有效地应用于气动光学效应图像去噪。去噪图像相对于原图像误差小,去噪效果明显。     

基于小波域维纳滤波的图像降噪技术

传统的小波域局部维纳滤波器的参数由小波系数的某个邻域上的系数或某个邻域上的系数加上相邻尺度上的对应系数所估计,由于邻域不可能取得很大,这样会导致在某些点上估计精度的下降.对此,该文首先分析了传统的小波域局部维纳滤波器的估计误差,然后根据分析的结果,提出了一种对该算法的改进,即先用适当的门限值对小波系数进行阈值化处理,再进行局部维纳滤波.对不同噪声水平的测试图像的仿真结果表明,该改进措施可以有效地改善小波域局部维纳滤波的降噪性能,而且噪声污染越严重,改善越明显.     

基于结构信息的RPCA图像去噪

图像在采集、存储和传输过程中不可避免地受到噪声攻击。鉴于无噪声图像对象形成的物理机理,在灰度图像中不同对象总是通过子块结构及其空间分布特性表征出来。子块结构具有某种规律或周期的像素变化,而噪声的分布表现出随机特性。为了在抑制噪声的同时保护对象结构,文中提出基于结构信息的鲁棒主成分分析(RPCA)图像去噪方法。该方法从高质量的图像集中提取结构信息样本,建立结构信息基元库,对不同结构信息基元集分别进行RPCA变换,挖掘其稀疏表示的变换核函数,用于图像去噪。实验表明,基于结构信息的RPCA图像去噪方法在去除噪声的同时,能有效保护图像的结构信息。     

基于Cycle-spinning的多帧图像Contourlet去噪

本文提出一种改进的Cycle-spinning多帧Contourlet域图像去噪算法。根据视频序列连续帧间存在的运动信息,使用帧间位移矢量来代替平移技术对图像进行Contourlet去噪,基于帧间相关性不同的特点,改进Cycle-spinning变换为加权平均以消除伪吉布斯现象。实验结果显示该方法能有效去除各种类型的图像噪声,保留图像的细节和纹理信息,峰值信噪比(PSNR)有显著提高。     

基于小波域加权阈值的图像去噪方法

针对小波全局阈值去噪的缺点,介绍了一种子带自适应的阈值加权算法。通过对图像小波分解系数统计特性的分析,提出了一种近指数模型作为分解层之间小波系数的先验分布。在此基础上,对比噪声图像和无噪图像在各尺度下统计特性,给出了一种子带自适应的加权阈值计算方法,避免了各层子带去噪的不平衡。实验表明,与全局阈值和其它子带自适应阈值去噪方法相比,基于加权阈值的图像去噪方法能获得更高的信噪比和更好的视觉效果。     

EMD与小波分析结合的特征保持图像去噪方法

图像在获取和传输等过程中伴有各种噪声,而细节与边缘是表征图像信息的重要特征,提出一种经验模式分解(EMD)与小波阈值结合的图像特征保持去噪方法.该方法首先将图像进行EMD分解,分解出内蕴模式分量与剩余分量;然后将内蕴模式分量进行小波分解,采用小波阈值去噪进行滤波、去噪和细节特征保留;最后将小波去噪后的内蕴模式分量图像叠加到剩余分量中,得到最后的去噪图像.实验结果表明,该方法克服了单独使用EMD或小波阈值去噪的不足,在有效去噪的同时还保持了图像的边缘细节信息.     

用定阈值Wiener滤波去除图像噪声

本文介绍了Wiener滤波中的统计误差,提出 Wiener滤波去噪性能可以通过定阈值对图像作预处理得到提高,用标准 Wiener滤波法、逆滤波法及定阈值 Wiener滤波法对退化图像进行处理的结果表明,在进行图像恢复时,标准 Wiener滤波效果比逆滤波好,定阈值 Wiener滤波则优于标准 Wiener滤波和逆滤波。     

基于BM3D的复杂纹理区域图像去噪

纵观图像去噪领域,目前也出现了一些效果较好,并且应用广泛的图像去噪算法,例如频域滤波中的小波分解、遗传算法(GA)、字典学习算法(K-SVD)、非局部滤波(Non-Local Means,NLM)等等,可以说在单图像去噪上效果最被认可的还是块匹配3D去噪(BM3D)。但在该方法应用的过程中,还是出现了一些需要改进的实际问题。特别是在图像复杂纹理区域的去噪上,由于BM3D去噪的结构特性,导致了在该区域上并没有得到较好的效果。所以在该文提出了一种结合TV模型和改进的Prewitt边缘检测的混合去噪方法。最后的实验结果也表明了改进的BM3D方法相对于原始的方法还是取得了不错的提升。     

基于边缘检测的图象小波阈值去噪方法

边缘特征是图象最为有用的高频信息，因此，在图象去噪的同时，尽量保留图象的边缘特征，应是图象去噪首要顾及的问题。基于这一思想，提出了基于边缘检测的图象小波阈值去噪方法。该方法在去噪之前，先通过小波边缘检测方法确定哪些小波系数是图象的边缘特征，这些小波系数将不受阈值去噪的影响，因此，可以只是根据噪声方差来设置去噪的阈值，而不必担心损害图象的边缘特征。理论分析和实验结果都表明，与普通的小波阈值去噪方法相比，该方法不但可以保持图象的边缘信息，而且能提高去噪后图象的峰值信噪比1-2dB。要做到既去除图象噪声，又不模糊图象边缘特征是很困难的。该方法把去噪和边缘检测结合起来，在一定程度上解决了这种两难的问题。     

一种新的非下采样Contourlet域图像去噪算法

作为新型高维奇异性分析工具,非下采样轮廓(Nonsubsampled Contourlet)变换不仅克服了小波(Wavelet)变换的非奇异性最优基缺点,而且提供了优于轮廓(Contourlet)变换的平移不变性.以性能优越的非下采样轮廓变换为基础,提出了一种新的图像去噪方法.该方法首先对图像进行非下采样轮廓变换,以得到不同尺度、不同方向上的变换系数;然后结合噪声分布特点确定多尺度阈值,并依此阚值对高频系数进行去噪处理;最后对去噪处理后的变换系数进行反变换,以得到去噪图像.仿真实验结果表明,该方法不仅拥有较强的抑制噪声的能力,而且具有较好的边缘保护能力,同时消除了图像边缘附近的伪吉布斯(Gibbs)现象,整体性能优于小波变换图像去噪和轮廓变换图像去噪方法.     

基于带权稀疏表示和字典学习的图像去噪模型

利用GMM模型对自然图像块进行学习,对高斯分量的协方差矩阵做PCA,用其特征向量组成的矩阵作为子字典,用特征值 的大小作为对稀疏系数加权的依据,并将该模型应用到CSR模型中得到一种新的去噪模型,并给出模型的优化算法。为了验证提出的模型的有效性,设计了比较的仿真实验,实验表明与一些先进的模型相比,该方法具有优势。