基于小波变换的图像降噪技术

小坡变换在图像处理中有着重要的应用,在基于小波的图像降噪处理算法中,常常存在着对图像信息的过分滤除和对噪声信息的欠滤出,而使得对图像降噪后不仅没有提高信噪比反而使其降低了,这就不利于对图像进行分析观察。究其原因主要是由于阈值选取和处理方法不恰当引起的。在小波空间Donoho闺值算法的基础上,结合Birge—Massart策略得出的多层阂值图像降噪处理算法,从而达到较好的保留图像的细节有用信息、降低噪声的目的,仿真实验表明对一般受低噪声干扰的图像做降噪处理时,效果较好。     

小波变换在身份证图像降噪中的应用研究

针对非理想身份证图像中存在的斑点噪声,利用小波变换降噪的特点,将身份证图像进行小波分解,然后分别采用硬阈值、软阈值和小波指数函数三种方法进行降噪处理。结果表明小波指数方法是较优降噪方法,可以有效地降低原图像的斑点噪声并保留图像细节。     

一种基于小波的图像降噪方法

通过对图像的小波变换系数进行阈值操作,可有效降低噪声,但还是保留一些噪声。Wiener滤波是一种线性滤波方法,用小波阈值方法结合Wiener滤波,可进一步对图像噪声进行降噪。实验结果表明小波阈值Wiener滤波方法是一种有效的图像降噪方法,其在图像恢复上和人眼视觉上都优于小波阈值方法。     

基于阈值分类的小波域混合模型图像降噪

通过一种自适应阈值分类,小波系数被分为两类:“大”的(重要的)和“小”的(不重要的)。根据不同类小波系数的统计特性分别用不同的模型进行降噪,对于“大”的一类用一种具有尺度间相关性的双变量模型进行降噪,而对于“小”的一类用一种具有强局部相关性的零均值高斯模型进行降噪,最后用Cycle-spinning方法抑制降噪过程中可能存在的震铃和锯齿等失真。实验结果表明了该算法在客观峰值信噪比和主观视觉上都优于一些传统的降噪算法。     

基于高密度离散小波变换的改进图像降噪方法

为进一步提高图像质量,提出一种基于高密度离散小波变换的改进图像降噪方法。给出二维高密度离散小波变换的分解与重构快速算法,通过该算法对图像进行多尺度分解,利用相邻尺度小波系数相关性对各层小波系数进行双变量收缩阈值处理,重构降噪后的图像。实验结果表明,与其他常用小波降噪方法相比,该方法能进一步提高图像降噪效果,且在降噪过程中较好地保留图像细节。     

微光图像的小波降噪方法研究

在微光图像处理系统中,迭加在微光图像上的时空域噪声是影响微光图像系统精度的主要因素之一,如何滤除微光图像上迭加的噪声信号来提高图像质量就显得尤为重要;本文介绍一种在我们实际设计中使用的非常有效小波阈值降噪方法。     

小波分析在图像降噪中的应用

针对图像在采集与传输中受到的噪声污染,为提高图像信噪比,提升图像准确性与实用性,基于小波分析应用在图像降噪领域的原理与优势,在Donoho阈值降噪方法基础上,提出了一种改进的图像降噪方法.应用改进公式,可以根据图像具体情况选择参数,获得更有效的阈值函数.该方法的优势在于计算小波系数方面,尤其是计算大的系数误差比小的系数误差要小,从而提高了降噪水平.通过Matlab仿真和实际图像降噪结果分析,该方法明显优于传统阈值降噪方法,主要体现在阈值选取灵活、边缘信息处理平滑、降噪效果好等方面.     

邻域小波系数自适应的图像降噪

如何去除自然图像中的高斯白噪声是图像处理中的一个经典问题。基于小波收缩的NeighShrink降噪方法取得了很好的降噪效果,但是NeighShrink在所有小波子带上均使用了次优的universal阈值以及固定的邻域窗口尺寸,导致了较大的偏差,而且使得算法不健壮。为此,运用Stein的无偏风险估计改进了NeighShrink方法。该方法能够为每个小波子带确定最优的阈值和邻域窗口尺寸。实验结果显示,该方法取得了比NeighShrink更低的均方误差,也优于当前尖端的图像降噪算法—FeatShrink,其平均MSE大约低6%。     

基于改进阈值函数的小波降噪算法与仿真分析

通过比较分析传统软、硬阈值函数降噪的算法发现:硬阈值函数存在间断点的问题,而软阈值函数在小波系数绝对值较大的区域引起部分高频信息损失。针对以上问题,提出一种新的阈值函数降噪算法。利用传统的阈值降噪步骤,使用新阈值函数将分解得到的小波系数进行保留或者收缩处理,然后将得到的新小波系数进行图像的重构。添加不同类型的噪声对改进的算法进行验证。实验结果表明,新的阈值函数降噪算法比普通算法更有效,通过新的阈值函数降噪得到的图像,有更大的峰值信噪比(PSNR)和更小的均方误(MSE),PSNR的值最大提高了1.97倍,MSE的值最大下降了54.4%。     

一种基于脊波变换的图像去噪方法

Ridgelet是继小波变换(Wavelet)后提出的一种新型的多尺度分析方法,它特别适合于具有直线或超平面奇异性的二维信号的描述,而且具有较高的逼近精度.利用脊波变换的方法,设计了一种基于脊波变换的改进的图像去噪算法,该算法采用指数型阈值函数,利用SureShrink自适应阈值.试验结果表明,该方法比起Wavelet全局硬、软阈值,Ridgelet全局硬、软阈值,具有明显的优越性.     

自适应总体变差图像去噪算法的扩散系数研究

自适应总体变差算法可以解决总体变差算法无法实现去噪的同时保留图像的细节纹理.对该算法的扩散系数研究表明当算法满足如下性质:φ'(|grad(I)|)≥0,φ"(|grad(I)|)≥0;当扩散系数法向量方向的值为'(|grad(I)|)/|grad(I)|,扩散系数切向量方向的值为φ"(|grad(I)|),并且|grad(I)|→ ∞时,法向量方向的值趋于0,法向量与切向量的比值趋于0;当|grad(I)|→0时,法向量方向和切向量方向的值均大于0时可以取得较好的试验结果,并认为最小曲面函数是合适的扩散系数.     

具有自适应窗口的双变量模型图像去噪方法

针对小波域去噪方法BiShrink-local(双变量萎缩局部方差估计)会造成图像的细节信息丢失的问题,给出一种具有自适应窗口的双变量模型图像去噪方法.该方法一方面继承原方法的优点,另一方面又利用区域生长原理,通过判断图像的小波系数值是否属于同质,从而更好地区分噪声和细节信息.通过实验表明,该方法能对含有高斯噪声的图像进行较好地去噪,同时在保持细节方面优于原来的方法.     

具有边缘保持特性的零树小波图像压缩算法

基于小波变换的图像压缩算法,在含噪图像和较低码率时出现的边缘模糊现象多年来一直未能得到很好的解决.为了解决这一问题,提出一种具有边缘保持特性的零树小波图像压缩方法.首先,对图像进行小波边缘检测,确定哪些小波系数是图像的边缘特征,将其保护起来;然后,对小波变换域系数采用改进软阈值收缩方法实现去噪;最后,利用SPIHT(Set Partitioning in Hierarchical Trees)算法对图像进行压缩编码.实验结果表明,该方法不仅能获得较高的图像压缩率、较好地去除噪声,而且能在一定程度上解决边缘模糊问题,能较高地恢复图像质量.     

基于小波多尺度积的图像增强新算法

在分析小波变换对噪声影响规律的基础上,结合小波多尺度积的特性,提出了一种基于小波多尺度积的图像增强新算法,利用二进小波变换中各尺度上小波系数间的相关性,有效改善了图像增强过程中噪声放大问题.     

基于小波分析的交通数据自适应消噪算法研究

针对实际采样环境中存在的各种干扰,以及交通数据的非平稳特性,在交通数据小波变换特性分析的基础上,提出基于小波分析的交通数据自适应消噪算法:对交通数据进行小波分解,然后对高频系数的自相关函数进行白噪声检验,从而确定小波分解的层数和阈值。采用实际检测交通流数据,对算法的有效性进行了验证分析。     

基于有限Ridgelet变换的图像去噪

Ridgelet变换是一种新的图像多尺度几何分析（MGA）方法,它能有效地对图像进行多尺度,多方向的描述。M．N．Do提出一种可逆的,正交化的,极好重建性的Ridgelet变换实现一有限Ridgelet变换（FRIT）。本文将有限Ridgelet变换应用到线状边界明显的图像去噪中,实验结果表明,它比小波去噪取得更好的效果。     

基于小波神经网络的图像重构训练算法研究与实现

针对传统的图像重构算法的不足，提出一种基于小波神经网络的图像重建快速学习算法，运用小波神经网络对图像重构进行了仿真研究，实验表明，对于不同的误差模型，小波神经网络采用不同的基函数可以很好地对非线性系统进行逼近，收敛速度快，近似精度高，而且网络规模也较小，计算量少，对计算机视觉和图像处理具有良好的应用价值。     

一种基于提升小波变换的图像融合改进算法

提出一种基于提升小波变换的图像融合算法.对小波分解后的图像低频子带采用平均融合算子处理,在高频子带的融合中依据小波系数树状结构特点提出了一种新的自适应融合方法,最后经过小波逆变换得到融合图像.仿真实验结果表明该算法能有效地减少融合图像的失真,是一种有效的图像融合算法.     

基于模糊聚类的小波变换图像去噪算法改进

介绍一种改进的较优的基于模糊聚类的小波变换图像去噪算法.首先分析了模糊C均值聚类算法中加权指数m的重要性,采用基于模糊决策的方法,分别构造模糊目标和模糊约束,由模糊目标和模糊约束的交集来共同确定最优的加权指数m以获取较为理想的聚类分类结果.再利用该种加权模糊聚类算法把小波系数划分成包含信号与只包含噪声的小波系数两类,将只包含噪声的小波系数置为零,将包含信号的小波系数利用软阈值法进行收缩,最后对处理后的系数根据M带小波变换的局部时频分析能力及其良好的信噪分离能力进行M带小波变换,得到去噪效果较好的图像.