一种无抽样Contourlet变换的图像去噪方法

提出一种基于Contourlet变换的图像去噪方法,Contourlet变换采用无抽样形式,系数萎缩处理阈值门限与尺度相关。通过模拟产生不同方差噪声信号进行Contourlet变换,确定各尺度子带系数阈值,得到噪声方差与各尺度子带阈值对应表。对噪声污染图像进行Contourlet变换并估计噪声方差,查表得到各子带阈值,进行系数萎缩处理。实验表明提出的处理方法简单有效,去噪结果具有良好去噪视觉效果和较高峰值信噪比。     

一种基于Canny的自适应图像边缘提取方法

针对传统Canny算子需要人为指定高斯滤波参数和高低阈值的问题,提出一种自适应方法,采用基于非下采样Contourlet变换的自适应阈值去噪算法代替高斯滤波对图像去噪,同时保持图像的边缘信息,然后采用最大类间方差的方法进行高低阈值的自适应设定,并用此高低阈值对经过非极大值抑制后的图像进行检测及连接边缘。理论和实验结果表明,与传统Canny算子相比,该算法在滤除图像噪声、保留细节边缘方面获得了不错的效果,并且提高了边缘的自动化检测能力。     

基于自适应阈值的改进Canny边缘检测方法

传统的Canny边缘检测算子采用全局阈值选取方法,当图像的背景和目标灰度变化比较大时,采用全局阈值法将丢失一些局部边缘信息。针对该问题,提出了一种自适应求取动态阈值的改进Canny边缘检测方法。该方法利用图像的梯度方差作为判据对图像进行分块,继而对各子块运用最大类间方差法求得相应的阈值,并通过插值得到阈值矩阵,最后结合改进的边缘连接法对图像进行边缘检测。实验结果表明,该算法在具有良好的抗噪性能同时,具有很好的检测精度。     

基于边缘检测的Contourlet变换图像去噪

为了实现较好保留图像边缘特征的有效去噪,提出了一种基于边缘检测的Contourlet变换去噪方法.该方法先用LOG算子提取图像边缘,进而在Contourlet变换域上对图像的边缘部分和非边缘部分分别选取不同阈值进行最佳软阈值去噪处理.实验表明,与采用Donoho软阈值的Contourlet变换去噪方法相比,该方法可有效地保留图像的边缘信息,达到了更好的去噪效果.     

基于边缘检测的Contourlet变换图像去噪

为了实现较好保留图像边缘特征的有效去噪,提出了一种基于边缘检测的Contourlet变换去噪方法。该方法先用LOG算子提取图像边缘,进而在Contourlet变换域上对图像的边缘部分和非边缘部分分别选取不同阈值进行最佳软阈值去噪处理。实验表明,与采用Donoho软阈值的Contourlet变换去噪方法相比,该方法可有效地保留图像的边缘信息,达到了更好的去噪效果。     

基于Contourlet变换的多方向织物疵点边缘检测

基于小波的多尺度织物疵点边缘检测算法只能在水平、垂直和对角方向获取边缘信息,容易造成方向性边缘的丢失。提出一种基于Contourlet变换的多方向织物疵点边缘提取算法,对织物疵点图像Contourlet分解后多个方向上的高频子带系数进行自适应阈值去噪,求取各方向子带系数的模极大值,将高频模极大值系数与低频系数进行反变换,通过直方图统计及去除孤立点的细化方法得到织物疵点边缘。仿真结果表明,该方法得到的疵点边缘信息更加丰富,尤其对棉结等区域类疵点能得到更加逼近疵点真实边缘的检测结果。     

基于多尺度自适应扩散方程的边缘检测方法

针对Canny算法对较高密度椒盐噪声和双阈值选取方面存在的不足,提出一种改进方法,采用多尺度自适应各向异性扩散方程对图像进行平滑,有效去除较高密度脉冲信号的同时又可以更好地保留边缘轮廓信息。在双阈值门限的选取上采用最大类间方差法根据图像的灰度信息自适应地选取,可以更好地满足实时性要求。为验证其性能,在不同噪声浓度情况下进行实验,结果表明,改进的边缘检测算法可以更完整地保留边缘信息,提高边缘检测的准确性,得到较理想的边缘轮廓信息。     

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。     

自适应多结构元形态学边缘检测方法

对自适应选取结构元权值以及如何有效去除混合噪声是多结构元形态学边缘检测中尚待解决的两个问题,在深入研究各种形态学边缘检测方法的基础上,提出了基于灰度距离逻辑函数和基于边缘方差两种自适应多结构元形态学边缘检测方法。首先对原始图像进行最优阈值分割二值化,其次从灰度距离和边缘方差两个角度分别实现结构元的自适应选取,最后选择形态算子进行边缘检测。方法具有更好的抗噪性和灵活性,能更加精确的体现原有图像的边缘方向信息。通过仿真实验,验证了方法的可行性和有效性。     

邻域窗能量平均的Contourlet变换自适应阈值去噪算法

针对Contourlet多尺度阈值去噪算法中阈值的选取忽略了方向信息影响的问题,提出一种基于邻域窗能量平均的自适应阈值去噪算法。根据Contourlet系数能量分布特点,将系数划分到三个不同的区域,对三个区域的阈值采用不同的因子进行调整,从而得到更好的去噪效果。实验结果表明,与小波阈值去噪、Contourlet阈值去噪以及Contourlet多尺度阈值去噪相比,该算法在峰值信噪比以及视觉效果上都有明显的提高,且能够有效地保留图像边缘细节信息。     

基于非下采样Contourlet变换域

依据非下采样Contourlet分解系数与其父系数之间的相关性,给出非高斯双变量分布模型,并基于该模型提出一种新的非下采样Contourlet变换图像分割方法。用合成纹理图像和实际图像进行仿真实验,并与小波域隐马尔可夫树模型分割及Contourlet域隐马尔可夫树模型分割等方法进行了比较,实验结果表明,在大多数情况下,该算法分割结果要好于相比较的方法,在边缘特征方面保持了良好的视觉效果,并且模型的训练简单快速。     

Contourlet HMT model with directional feature

According to Shanno’s information theory,the directional feature of texture is defined as the value of directional variable when an image signal attains a singularity of random distribution.In terms of this definition,we calculate the texture’s directional features using Tamura’s method and study the directional probability distribution of Contourlet coefficients.Then we find that the directional features tend to be conveyed across parent and child subbands.Based on this conclusion,we establish a novel probability distribution model of hidden direction variables under the condition of hidden state variable’s distribution,named Contourlet HMT model with directional feature.The structure and training method of the model are presented as well.Moreover,an unsupervised context-based image segmentation algorithm is proposed on the basis of the proposed model.Its effectiveness is verified via extensive experiments carried out on several synthesized images and remote sensing images.     

Contourlet变换域中基于矩特征的图像检索

提出一种Contourlet变换域中基于矩特征的图像检索方法。为了提高方法对于噪声的鲁棒性,对图像进行Contourlet变换后,对变换结果进行阈值滤波,计算各子带系数的一阶几何矩作为图像的特征向量,采用欧氏距离进行相似度度量。该方法提取的图像特征能反映子带系数的空间分布特征,无需任何前提假设。实验结果表明,该方法具有较高的查准率,对噪声的容忍度高于现有算法。     

基于奇异谱分析的最优分解层数确定算法

将奇异谱分析理论引入小波阈值算法中实现了一种基于奇异谱分析的自适应最优分解层数确定算法。通过对比不同信噪比下带噪信号的奇异谱分布情况,根据小波系数的奇异谱特性来确定最优分解层数。经测试,该算法可以根据带噪信号受噪声干扰情况自适应地确定最优分解层数,有效提高了语音增强效果并且避免了不必要的硬件资源浪费。     

基于Contourlet域隐马尔可夫树模型的图像融合

基于Contourlet域的隐马尔可夫树模型能反映不同尺度系数之间、不同方向系数之间的相关性,基于此,提出了一种基于Contourlet域隐马尔可夫树模型的图像融合算法。对源图像进行Contourlet变换,并针对高频子带系数建模并训练得到每一系数的后验概率;利用该后验概率指导高频系数融合的规则,对边缘和背景区域进行不同的融合处理,以尽可能保留原始图像的重要特征;进行Contourlet反变换得到最终融合结果。针对多聚焦图像进行了融合实验,采用联合熵、熵、相关系数、清晰度等指标对融合效果进行评价,实验表明了该算法优于基于Contourlet域的常规融合算法以及小波域隐马尔可夫树融合算法。     

Image denoising in contourlet domain based on a normal inverse Gaussian prior

This paper presents a new image denoising algorithm based on the modeling of contourlet coefficients in each subband with a normal inverse Gaussian (NIG) probability density function (PDF). This PDF is able to model the heavy-tailed nature of contourlet coefficients and the local parameters model the intrascale dependency between the coefficients. Within this framework, we describe a novel method for image denoising based on designing maximum a posteriori (MAP). Furthermore, the cycle spinning algorithm is employed to modify the Gibbs phenomenon around edges caused by the lack of translation invariance of the contourlet transform. Experimental results prove that the new method can remove Gaussian white noise effectively, reserve image edges better and enhance the peak signal-to-noise ratio.     

Contourlet变换系数加权的医学图像融合

目的 由于获取医学图像的原理和设备不同,不同模式所成图像的质量、空间与时间特性都有较大差别,并且不同模式成像提供了不互相覆盖的互补信息,临床上通常需要对几幅图像进行综合分析来获取信息。方法 为了提高对多源图像融合信息的理解能力,结合Contourlet变换在多尺度和多方向分析方法的优势,将Contourlet变换应用于医学图像融合中。首先将源图像经过Contourlet变换分解获得不同尺度多个方向下的分解系数。其次通过对Contourlet变换后的系数进行分析来确定融合规则。融合规则主要体现在Contourlet变换后图像中的低频子带系数与高频子带系数的优化处理中。针对低频子带主要反映图像细节的特点,对低频子带系数采用区域方差加权融合规则;针对高频子带系数包含图像中有用边缘细节信息的特点,对高频子带系数采用基于主图像的条件加权融合规则。最后经过Contourlet变换重构获得最终融合图像。结果 分别进行了基于Contourlet变换的不同融合规则实验对比分析和不同融合方法实验对比分析。通过主观视觉效果及客观评价指标进行评价,并与传统融合算法进行比较,该算法能够克服融合图像在边缘及轮廓部分变得相对模糊的问题,并能有效地融合多源医学图像信息。结论 提出了一种基于Contourlet变换的区域方差加权和条件加权融合算法。通过对CT与MRI脑部医学图像的仿真实验表明,该算法可以增加多模态医学图像互补信息,并能较好地提高医学图像融合的清晰度。