自适应Shearlet域约束的全变差图像去噪

采用传统非线性扩散图像去噪方法得到的图像边缘模糊,为此,提出一种有限自适应Shearlet域约束的极小化变分图像去噪算法。通过自适应阈值收缩Shearlet系数,保留图像纹理与边缘空间,利用全变差极小化平滑空间,建立全变差正则化的能量泛函去噪模型。实验结果表明,该算法能在减少图像噪声的同时,保留图像边缘信息,对含有丰富纹理结构的图像,去噪性能更佳。     

Besov空间下迭代全变差正则化的图像恢复模型

在Besov空间下,提出了一种用于图像恢复领域的迭代全变差正则化模型。通过使用一个加权的参数序列,给出了一个迭代正则化的变分问题,这个变分问题实际上是一个小波软硬阈值结合的迭代程序。给出了新模型的停止标准和一些好的性质,如单调性和收敛性等。数值实验表明与传统去噪方法相比,新方法不仅能较好地恢复图像,而且收敛速度较快。     

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.     

WBCT与变分正则化方法的医学图像去噪

在分析几种变分正则化去噪模型的基础上,改进了变分正则化去噪模型,它是各向异性扩散的,去噪效果好,但计算量较大.由于WBCT的阈值法去噪速度快,本文提出了混合去噪方法,充分利用两种方法的优点,先对噪声图像做WBCT,高频子带用WBCT的阈值法去噪,对低频子带用改进的变分正则法去噪,然后用WBCT逆变换重建图像.实验结果表...     

基于多小波域Besov球映射的SAR图像去噪算法

针对单小波域难以准确描述SAR图像不同平滑区域特征的不足,提出一种基于多小波域Besov球映射去噪算法。首先利用统一小波隐马尔可夫树模型和Besov标准求一组小波基Besov球半径,然后交替使用基于不同小波基的Besov球映射算法估计原始图像信息。实验结果表明,该算法具有很好的去噪效果和边缘结构保护能力,大大优于其他单一小波去噪算法。     

基于分数阶变分的图像泊松去噪模型

为了进一步提高图像去噪的效果,针对图像泊松噪声的特点,提出了一种有效的基于分数阶导数的图像泊松去噪的变分模型。该模型继承了全变分模型去噪效果良好的优点,并且很好地利用分数阶微分特有的幅频特性优势,在处理图像细节和纹理特征方面很好的保留了图像的“弱信息”。数值实验结果表明,该分数阶变分方法的去噪效果优于传统的整数阶变分方法,能很好地保留图像的边缘细节特征。     

一种结合小波阈值滤波的自适应整体变分方法

在整体变分方法去噪原理的基础上,通过引入小波阈值滤波,用自适应正则项代替整体变分模型中的正则项,提出了一种依赖于信号的局部信息进行滤波的自适应整体变分方法,自适应地在整体变分正则化和各向同性光滑化之间调整滤波强度。为求解整体变分极小化问题,采用了滞后扩散定点迭代的方法。数值计算结果表明：提出的方法有效地减少了传统整体变分方法去噪后恢复信号中所出现的阶梯效应,很好地抑制了小波变换中固有的伪Gibbs现象,重构信号的边缘、不连续点位置十分精确,信噪比也得到明显改善。     

广义齐型Besov范数约束下的图像分解

为了将图像分解为分片光滑的结构部分和振荡部分,提出一种新的变分图像分解模型.该模型利用第二代曲波和局部余弦基分别表征含噪图像中的结构分量和纹理分量,并采用全变差半范约束分片光滑部分的结构性;同时利用 Meyer 所建议的广义齐型 Besov 范数对噪声分量进行约束;最后利用基追踪去噪算法对新模型进行迭代求解.理论分析和实验结果表明,该算法对噪声具有较强的鲁棒性,并使边缘和细小的纹理信息保持稳定.     

基于形态成分分析和Contourlet变换的自适应阈值图像去噪方法

针对含有丰富纹理和边缘特征的噪声图像,提出一种基于形态成分分析(MCA)和Contourlet变换的自适应阈值图像去噪方法.该方法首先引入MCA将噪声图像分为低频部分和高频部分,在此基础上设计一种自适应的分层阈值估计处理策略.根据噪声的分布特性,通过阈值估计和Contourlet变换对噪声图像的低频部分和高频部分进行分频带去噪处理,有效去除噪声图像中的噪声.通过对噪声图像的仿真实验表明,文中方法能较好地保留图像纹理和边缘,并且去噪效果优于传统的均值滤波去噪、中值滤波去噪、小波多层阈值去噪和轮廓波多层阈值去噪方法.     

分数阶图像去噪变分模型及投影算法

在图像去噪同时保持图像的纹理等细节是非常重要的。首先利用分数阶导数定义了新的分数阶有界变差函数空间,然后利用分数阶有界变差空间及负指数Sobolev空间,提出了分数阶变分图像去噪模型,最后提出了求解分数阶变分模型的投影算法并证明了算法的收敛性。实验结果表明,分数阶变分模型在提高峰值信噪比和保持图像纹理细节两个方面都非常有效。     

改进的小波域耦合偏微分方程图像去噪模型

针对全变分及四阶偏微分方程图像去噪模型的不足,利用小波变换能够聚焦到图像细微变化的优势,提出一种基于小波域的偏微分方程图像去噪算法。并通过对小波的阈值和阈值函数做适当的改进以及利用加权函数将全变分和四阶偏微分方程去噪模型相结合的方法,得到一种改进的小波域耦合偏微分方程图像去噪模型。MATLAB仿真结果表明,该模型和小波软阈值去噪、全变分模型以及四阶偏微分方程图像去噪模型相比,峰值信噪比有明显的提高,而且能够在很好地保留图像的边缘和细节信息的同时提高处理噪声的效率。     

基于稀疏分解的Besov空间上的医学图像反卷积

在稀疏分解框架下, 建立在Besov光滑空间上的图像变分泛函反卷积模型。在负Hilbert-Sobolev空间上约束数据项,正则项用稀疏性和光滑性来约束,冗余字典的L1范数作为稀疏性度量, 用Besov空间上的半范数作为图像光滑性度量, 保证稀疏性的同时也兼顾光滑性。 该模型直接求解很困难,文中采用分裂算子的方法,把原模型分裂成图像域反卷积和稀疏表示这两个模型,交叉迭代求解,并给出模型求解的详细伪代码。 实验验证算法的收敛性,并和其它模型进行比较,结果表明本文模型反卷积效果较好。     

图像小波阈值去噪方法研究

该文介绍了小波阈值去噪的基本原理,描述了图像小波阈值法去噪的过程,并通过仿真实验结果比较了小波阈值去噪方法在选取不同阈值函数下的去噪效果,证明了小波阈值去噪法是一种非常有效的变换域图像去噪方法。     

一种改进的各向异性全变差去噪模型

全变差（TV）正则化模型是最经典的去噪模型,利用分裂的Bregman迭代算法可以简单有效地求解该模型。结合TV-L1模型和OSV模型,提出了一种改进的各向异性全变差去噪模型,并且利用分裂的Bregman迭代算法进行求解。通过数值实验可以看出改进的模型保护了恢复图像的边缘,突出了几何特征和纹理,使其更加清晰,去噪效果比原模型有所提高。     

基于变分模态分解的直肠压力信号预处理研究

针对依托于人工肛门括约肌系统的直肠功能诊断模型中采集信号存在大量干扰噪声的问题,提出了一种基于变分模态分解(VMD)算法与小波加权平均阈值去噪结合的预处理方法。利用VMD算法对原始直肠压力信号进行分解,对各模态分量进行小波阈值去噪,提取出有用信号进行重构。通过仿真比较分析该方法与EMD、小波阈值去噪等方法的去噪效果。实验结果表明,该方法在不同噪声水平下均显著提高输出信号的信噪比,同时避免原始信号中有用信息的丢失,具有良好的去噪效果,对直肠功能诊断的准确性具有重要意义。     

基于软门限去噪的图象压缩编码研究

在详细地分析了Donoho提出的子波域软限去噪方法的基础上,给出了含噪图象信号噪声水平的估计及门限值随尺度变化的规律。采用可分离的二维子波滤波器,方便地将Donoho的软门限去噪方法应用于图象信号处理,从而对含噪图象,在去除噪声的同时,又最大限度地进行了压缩。针对含噪的自然景物图象和合成孔径雷达图象的不同特点,分别提出了这在图象的压缩方案。对于SAR图象的压缩编码,通过一个自然对数变换,使得乘性噪声转变为适于软门限去噪的加性噪声。模拟结果显示,用软门限方法处理的解压缩图象比硬门限方法具有更好的视觉质量,因而该方法是解决含噪图象压缩编码的有效技术。     

A Combined First and Second Order Variational Approach for Image Reconstruction

In this paper we study a variational problem in the space of functions of bounded Hessian. Our model constitutes a straightforward higher-order extension of the well known ROF functional (total variation minimisation) to which we add a non-smooth second order regulariser. It combines convex functions of the total variation and the total variation of the first derivatives. In what follows, we prove existence and uniqueness of minimisers of the combined model and present the numerical solution of the corresponding discretised problem by employing the split Bregman method. The paper is furnished with applications of our model to image denoising, deblurring as well as image inpainting. The obtained numerical results are compared with results obtained from total generalised variation (TGV), infimal convolution and Euler’s elastica, three other state of the art higher-order models. The numerical discussion confirms that the proposed higher-order model competes with models of its kind in avoiding the creation of undesirable artifacts and blocky-like structures in the reconstructed images—a known disadvantage of the ROF model—while being simple and efficiently numerically solvable.     

基于小波熵自适应阈值的语音信号去噪新方法

针对语音信号去噪问题, 提出小波熵自适应阈值去噪法。首先利用小波变换分解带噪语音信号, 计算小波分解后信号子带区间的小波熵, 然后将小波熵和自适应阈值相结合确定各层高频系数的阈值门限, 采用折中指数阈值函数对各层高频系数进行去噪处理, 重构降噪后的语音信号, 最后对比小波熵自适应阈值、极大极小阈值、固定阈值和无偏风险阈值去噪方法的性能。实验结果表明, 当输入信噪比为5 dB时, 小波熵自适应阈值去噪法的输出信噪比是最大的, 且其输入输出信噪比曲线高于其他三种阈值去噪法的输入输出信噪比曲线, 从而证实该算法具有更好的去噪性能。