基于小波域HMT模型的图像去噪研究

研究小波域隐式马尔可夫模型树(HMT),提出了一种基于小波域HMT模型抑制高斯白噪声的改进图像去噪算法.首先将噪声图像沿水平、垂直及对角方向进行平移变换;然后对平移后的图像进行小波变换,建立其对应的小波域HMT型,分别进行去噪处理.最后取所有去噪图像的均值作为最终的去噪图像.在仿真实验中,对不同程度污染下高斯白噪声的Lena图像分别采用该文算法、小波域硬阈值与软阈值去噪进行比较.结果表明,该文算法很好地保留了图像的细节和边缘信息;提高了图像的峰值信噪比;抑制了Gibbs效应;具有较好的去噪效果.通过实验仿真可以看出,这种方法较好地去除了白噪声;提高了图像的峰值信噪比;较好地保存了图像的边缘和细节信息;抑制了振铃现象.     

一种混合噪声图像的自适应滤除方法

基于小波变换的阈值去噪方法仅适用于去除高斯白噪声,对于脉冲噪声得不到好的去噪效果,正交小波变换由于缺乏平移不变性,在去噪过程中会产生人为的振荡现象,使图像边缘失真,甚至图像模糊,提出了基于平稳小波域自适应阈值算法同中值滤波相结合的去噪方法,该方法能有效地滤除图像中的高斯白噪声和脉冲噪声组成的混合噪声,并验证了该方法的有效性。     

一种基于小波域HMT模型的图像去噪方法研究

小波图像去噪已经成为图像去噪的主要方法之一。利用小波变换在去除噪声时,可提取并保存对视觉起主要作用的边缘信息,但现有的去噪声方法忽略了小波系数之间的相关性。针对这一不足,在小波域隐Markov树模型(HMT) 的基础上提出了一种图像去噪新方法。实验结果表明,与普通的小波去噪方法相比,该方法不但可以保留图像的边缘信息,而且能提高去噪后图像的峰值信噪比。     

在变换域中用HMT图像降噪的研究

研究了HMT(隐马尔科夫树)在变换域中进行图像降噪的应用.就不同复杂程度的图像、不同类型噪声、及用不同的变换域与传统方法进行比较,得到结论变换域中的方法比在非变换域中的传统方法优越,HMT在小波域和DCT域有着近似的效果,在高斯白噪声下HMT方法是最有效的,在相关噪声下,降噪效果与图像纹理的复杂度及噪声的强度有关.     

在变换域中用HMT图像降噪的研究

研究了HMT（隐马尔科夫树）在变换域中进行图像降噪的应用,就不同复杂程度的图像,不同类型噪声,胶用不同的变换域与传统方法进行比较,得到结论,变换域中的方法比在非变换域中的传统方法优势,HMT在小波域和DCT域有着近似的效果。在高斯白噪声下HMT方法是最有效的,在相关噪声下,降噪效果与图像纹理的复杂度及噪声的强度有关。     

一种高效的小波变换去噪方法

小波变换用于图像去噪的思想已经提出了很久,然而前人所提出的这种方法对于去噪的效果并不理想。图 像经这种小波变换去噪后,纹理特征被弱化,图像的边缘出现较明显的Gibbs效应,图像变模糊。针对以上问题,本文提 出了一种高效的小波变换去噪方法(HPID)。此去噪方法是基于小波变换的新方法,与经典的小波去噪方法不同,该方法不 依赖图像大小来判定去噪门限,不需方差信息,且适用于不同类型噪声。采用本方法处理的噪声图像与经典方法相比,不 仅消除了Gibbs效应,而且图像的边缘信息更清晰,纹理特征增强,去噪能力得到改善。     

基于多级中值滤波和小波域HMT的图像去噪

介绍了小波域HMT模型和基于阈值分解的多级中值滤波,提出了一种基于多级中值滤波和小波域HMT模型的混合噪声抑制算法。在仿真实验中,将这种方法应用于混有椒盐噪声和高斯白噪声的Lena图像,并与其他的图像去噪方法相比。试验结果表明,这种方法在去除混合噪声、提高图像峰值信噪比的同时,具有更好的保持图像细节和边缘信息的能力。     

基于图像边缘信息的多小波阈值去噪方法

基于小波变换的图像去噪方法是小波应用较成功的一个方面,阈值大小的确定是该方法最终去噪效果好坏的一个决定性因素.基于图像边缘信息的多小波闽值去噪方法充分研究了信号与噪声在小波变换各分解层上的不同传播特性,在保留代表边缘信息的小波系数的基础上,对不同方向、不同分解层的小波系数分别选取最佳阈值处理.与Donoho等人提出的Visu shrink去噪方法相比,此方法提高了去噪后图像的峰值信噪比(PSNR),使图像更加清晰,去噪效果更好.     

基于小波变换的图像去噪方法

针对传统小波去噪时图像边缘被破坏因而丢失有用细节信息的问题,基于小波去噪的优点,研究了几种改进的基于小波变换的图像去噪方法。分别是基于小波变换和中值滤波的去噪方法,雏纳滤波和小波域滤波相结合的方法,小波变换去噪与高阶统计量滤波法去噪相结合的方法等。经过大量的计算机仿真试验,最后所得结果表明这几种改进后的基于小波变换的去噪方法均可以有效地降低图像的噪声干扰,比较好地保留图像中重要的细节信息,具有一定的实际应用价值。     

基于双正交小波和边缘加权的图像去噪算法

文中针对现有去噪算法存在的问题,提出了一种基于双正交小波和边缘加权的新的图像去噪算法.该算法对图像进行基于图像移位相关性的自适应二叉分解,研究了白高斯噪声在双正交小波分解下的功率谱,并结合图像的边缘信息,对不同区域的去噪阈值以不同权重加权.实验结果表明,文中算法去噪所得图像的MSE优于小波变换全局阈值去噪,视觉效果明显优于维纳滤波去噪.     

基于Contourlet域HMT模型的Cycle Spinning去噪方法

为了提高图像去噪效果,提出了基于Contourlet域HMT模型的Cycle Spinning去噪方法。首先将待去噪图像进行循环平移,使用Contourlet域HMT模型对平移后的图像进行降噪处理,然后将降噪后的图像进行循环反平移,最后将不同循环平移量下的降噪图像进行平均处理,以减少去噪后图像的失真。实验结果表明,该方法不仅可以提高降噪后图像峰值信噪比,而且可以提高降噪后图像的视觉效果。     

Bayesian tree-structured image modeling using wavelet-domain hiddenMarkov models

Wavelet-domain hidden Markov models have proven to be useful tools for statistical signal and image processing. The hidden Markov tree (HMT) model captures the key features of the joint probability density of the wavelet coefficients of real-world data. One potential drawback to the HMT framework is the need for computationally expensive iterative training to fit an HMT model to a given data set (e.g., using the expectation-maximization algorithm). We greatly simplify the HMT model by exploiting the inherent self-similarity of real-world images. The simplified model specifies the HMT parameters with just nine meta-parameters (independent of the size of the image and the number of wavelet scales). We also introduce a Bayesian universal HMT (uHMT) that fixes these nine parameters. The uHMT requires no training of any kind, while extremely simple, we show using a series of image estimation/denoising experiments that these new models retain nearly all of the key image structure modeled by the full HMT. Finally, we propose a fast shift-invariant HMT estimation algorithm that outperforms other wavelet-based estimators in the current literature, both visually and in mean square error.     

Dual-tree complex wavelet hidden Markov tree model for image denoising

A new non-training complex wavelet hidden Markov tree (HMT) model, which is based on the dual-tree complex wavelet transform and a fast parameter estimation technique, is proposed for image denoising. This new model can mitigate the two problems (high computational cost and shift-variance) of the conventional wavelet HMT model simultaneously. Experiments show that the denoising approach with this new model achieves better performance than other related HMT- based image denoising algorithms.     

Improved hidden Markov models in the wavelet-domain

Wavelet-domain hidden Markov models (HMMs), in particular the hidden Markov tree (HMT) model, have been introduced and applied to signal and image processing, e.g., signal denoising. We develop a simple initialization scheme for the efficient HMT model training and then propose a new four-state HMT model called HMT-2. We find that the new initialization scheme fits the HMT-2 model well. Experimental results show that the performance of signal denoising using the HMT-2 model is often improved over the two-state HMT model developed by Crouse et al. (see ibid., vol.46, p.886-902, 1998)     

Directional multiscale modeling of images using the contourlet transform.

The contourlet transform is a new two-dimensional extension of the wavelet transform using multiscale and directional filter banks. The contourlet expansion is composed of basis images oriented at various directions in multiple scales, with flexible aspect ratios. Given this rich set of basis images, the contourlet transform effectively captures smooth contours that are the dominant feature in natural images. We begin with a detailed study on the statistics of the contourlet coefficients of natural images: using histograms to estimate the marginal and joint distributions and mutual information to measure the dependencies between coefficients. This study reveals the highly non-Gaussian marginal statistics and strong interlocation, interscale, and interdirection dependencies of contourlet coefficients. We also find that conditioned on the magnitudes of their generalized neighborhood coefficients, contourlet coefficients can be approximately modeled as Gaussian random variables. Based on these findings, we model contourlet coefficients using a hidden Markov tree (HMT) model with Gaussian mixtures that can capture all interscale, interdirection, and interlocation dependencies. We present experimental results using this model in image denoising and texture retrieval applications. In denoising, the contourlet HMT outperforms other wavelet methods in terms of visual quality, especially around edges. In texture retrieval, it shows improvements in performance for various oriented textures.     

非高斯双变量模型contourlet图像去噪

Contourlet变换是继小波变换之后的又一新变换.由于contourlet变换的多尺度和多方向特性,能有效地捕获到自然图像中的轮廓,并对其进行稀疏表示.详细分析了图像contourlet系数的统计特性,并利用非高斯双变量分布对系数层间相关性进行建模.最后,将此分布应用于图像去噪,就PSNR、NMSE和视觉质量这三方面的评价指标与contourlet HMT和小波阈值法进行了比较.实验结果表明：算法能获得较好的结果,尤其是对于含有丰富纹理的图像.     

基于小波域统计建模及显著性修正的SAR图像相干斑抑制

该文提出了一种基于小波域统计建模与小波系数显著性修正相结合的斑点噪声滤波方法。这种方法首先通过对数变换将乘性噪声模型转化为加性噪声模型,对对数变换后的图像进行小波变换并对小波域的高频子带系数用混合高斯模型与隐马尔可夫树模型进行建模,并采用EM算法来估计模型参数。在模型参数估计的基础上;利用贝叶斯最小均方误差准则来估计干净的小波系数。在此基础上引入基于显著性准则的小波系数修正,最后通过小波逆变换与指数变换获得抑制斑点噪声后的图像。用真实SAR图像实验表明,该文提出的方法能够有效地抑制斑点噪声,同时能够很好地保存边缘细节结构与强散射中心。     

基于HMT模型层间映射的图像邻域去噪算法

本文提出了一种以图像分割为基础的图像去噪算法.本文算法根据图像自身的性质,利用脉冲耦合神经网络模型自适应地将小波分解后的低频图像分割成不同的区域,并且利用简化的HMT层间模型在离散和平稳小波分别处理的情况下,将得到的连通区域邻域映射到各个不同的高频子带上.进一步结合固定的窗口,作为邻域去噪算法中的邻域.实验结果表明,该方法在降低了图像噪声的同时又尽可能地保留了图像的边缘信息,是一种有效的去噪方法.     

基于稀疏分解的指静脉图像去噪

手指静脉识别技术因其独特的优势,受到广泛的关注。然而由硬件系统获取的手指静脉图像常常含有严重的噪声、阴影等问题,所以对低质量的静脉图像的去噪成为了整个识别过程的关键。本文提出了一种基于稀疏分解的指静脉图像去噪新方法。基于稀疏分解的图像去噪是将含有噪声的图像信息进行稀疏分解,分解成稀疏成分和其他成分。其中的稀疏部分是有用信息,其他部分被认为是噪声,再由图像的稀疏部分重建原始信号,达到恢复原始信号并去除噪声的效果。本文根据指静脉图像的静脉的特点,应用高斯函数构造了过完备库。用合成图像和真实指静脉图像分别对新算法进行实验验证。实验结果证明,与传统的去噪算法相比,峰值信噪比提高1-2dB。