SAR图像MAP降噪的精细研究

本文推导出基于最大后验概率(MAP)滤波的一般形式,给出不同噪声分布和真实图像先验分布条件下的MAP滤波方程.从滤波方程在特定区间上解的分布情况以及区域统计特性分类两方面分析了MAP降噪性能,由此给出了MAP滤波的阈值表达形式.最后给出合成孔径雷达(SAR)图像的MAP降噪试验以及噪声滤除能力的量化指标.为了消除噪声强度对试验结果的影响,全面反映MAP降噪性能,本文给出了降噪能力随噪声大小的动态变化关系.结果表明,真实图像的先验分布对MAP滤波性能有着直接的影响,不合理的先验分布假定会严重降低MAP滤波的降噪能力.     

结合降噪卷积神经网络和条件生成对抗网络的图像双重盲降噪算法

针对图像降噪中降噪效果差、计算效率低的问题,提出了一种结合降噪卷积神经网络(DnCNN)和条件生成对抗网络(CGAN)的图像双重盲降噪算法.首先,使用改进的DnCNN模型作为CGAN的生成器来对加噪图片的噪声分布进行捕获;其次,将剔除噪声分布后的加噪图片和标签一同送入判别器进行降噪图像的判别;然后,利用判别结果对整个模...     

盲环境下稀疏编码监控视频图像降噪仿真

针对盲环境监控视频图像降噪问题,以及当前图像降噪方法中存在的运行效率较低、降噪图像失真度较高等不足之处,结合稀疏编码技术,提出盲环境下稀疏编码监控视频图像降噪方法。根据稀疏表示理论,将其扩展应用到监控视频图像中,利用正交匹配追踪算法对待处理图像进行稀疏编码;采用自适应方式从含噪图像块样本中获取字典,结合自变量分解及拉格朗日算法进行相关问题求解,并据此对图像稀疏编码系数进行优化;结合噪声模型与图像系统的观察模型,对待处理图像进行噪声估计,根据全部噪声估计均值进行图像降噪处理。仿真结果表明,所提盲环境下稀疏编码监控视频图像降噪方法的图像降噪效果优于实验对比方法,且降噪处理时间更短,具有较好的鲁棒性。     

密度先验引导的无监督深度点云降噪算法

为了提高无监督深度点云降噪算法的性能,提出密度先验引导的无监督深度点云降噪算法.基于现有的网络框架,首先设计了密度先验,通过噪声点云的整体分布计算每点位于真实底层曲面的概率;然后利用深度网络,通过上采、下采等策略克服大噪声点的影响,得到降噪点云;最后利用密度先验优化干净点的条件概率分布,设计无监督损失函数对网络进行优化,得到最终算法.此外,基于密度先验还提出低噪声点筛选方法和滤波算法.所提算法在PyTorch上实现,以基于ModelNet-40构造的仿真数据库及真实扫描数据PERL为例,以倒角距离及点到曲面的距离为评价指标.与DMR等算法相比,倒角距离平均降低0.35～1.34,点到曲面的距离平均降低0.68～1.94.实验结果表明,所提算法降噪结果优于现有算法,且具有较强的鲁棒性、普适性和泛化能力.     

基于多图像先验知识的噪声水平评估算法

为解决基于单图像噪声水平评估算法抗干扰能力低和执行效率不高的问题,提出一种基于多图像先验知识的噪声水平评估算法.首先,在具有广泛代表性且未受噪声干扰图像集合上添加已知噪声水平的高斯噪声构建失真样本图像集合,并提取每幅样本图像中的若干统计特征值构成描述他们噪声水平值高低的噪声水平感知特征矢量.然后,利用样本图像上所提取的特征矢量及对其所施加的噪声水平值构成样本库.在评估时,先提取待评价噪声图像的特征矢量并在样本库中检索出与之类似的若干特征矢量及它们所对应的噪声水平值, 之后基于这些样本信息以加权均值法估算待评价图像的噪声水平值.实验数据表明：较现有的噪声水平评估算法,新算法不仅在高、中、低噪声水平下都具有稳定的预测准确度,而且评估速度快.尤其是对于高斯噪声中伴有脉冲或者泊松噪声情况,具有较好的抗干扰能力.     

基于生成先验的无监督音源分离

有监督深度神经网络解决音源分离问题的方法获得了很好的分离效果,然而因为有监督方法在训练的过程中需要大量的标签数据,但实际上标签数据并不容易获取。针对无标签音源数据问题,通过利用深度卷积神经网络擅长从大量数据中提取紧凑和稳健的先验信息优势,提出了一种新的基于生成先验的无监督音源分离损失函数。实验结果表明,在信噪比方面比标准基线方法提高1～4dB,能够得到更好的分离后的音频质量。     

基于HVS视觉模型下的图像降噪

描述了构建人类视觉系统(Human vision system，HVS)降噪模型的思想方法及理论依据。为了解决SureShrink及VisuShrink方法对重建图像带来的不良影响，建立了基于HVS模型的适应小波门限降噪模型，提出HVSShrink降噪策略。通过对该算法进行测试和比较，证明了使用本方法可以得到具有较好视觉效果的重建图像。     

深度卷积神经网络降噪模型的技术瓶颈与研究展望

现有的深度卷积神经网络（DCNN）图像降噪模型受其技术路线内在固有特性的制约,降噪性能仍然有待进一步改进。为了推动现有DCNN图像降噪模型技术的发展,需要正视并及时解决制约其进一步完善的瓶颈问题。本文简要概述了传统的基于自然图像非局部自相似性、稀疏性和低秩性这3种先验知识设计的图像降噪算法的技术路线特点和优缺点,从传统图像降噪算法存在的问题中引出基于DCNN构建图像降噪模型的技术优势,并梳理并总结了DCNN降噪模型未来的发展瓶颈,就相应的解决方案（研究方向）进行详细讨论。通过深入分析发现,可以从扩大卷积核的感受野、降低网络参数与训练集之间的依赖关系以及充分利用DCNN网络的建模能力这3个角度入手,突破现有基于数据驱动的DCNN降噪模型的瓶颈制约,把图像降噪算法的研究水平推向新的高度。     

多幅相同场景的图像的降噪

随着数字图像采集设备的发展,利用多幅相同场景的图像以获得更高质量的图像的方法已具有现实意义。文章分析了多幅图像降噪中面临的问题,并以高斯白噪声污染图像为例,论证了多幅图像的最佳线性组合方法,采用自适应维纳滤波与均值滤波相结合的降噪方法,试验证明了多幅图像降噪效果比单幅图像降噪效果明显要好。     

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。     

面向真实图像噪声的两阶段盲去噪

目的 现有的深度图像去噪算法在去除加性高斯噪声上效果显著,但在去除任意分布的真实图像噪声时表现不佳;去噪模型的深度在不断增加,但去噪效果上却并未能显著提高。对此,设计了一种简单有效的两阶段深度图像去噪算法。方法 首先基于注意力机制估计真实图像上的噪声分布水平,然后使用一个混合膨胀卷积和普通卷积的多尺度去噪模块进行非盲降噪。结果 在DND（darmstadt noise dataset）、SIDD（smartphone image denoising dataset）、Nam和PolyU（the Hong Kong Polytechnic University）等4个图像去噪领域常用数据集上进行去噪实验,选择峰值信噪比（peak signal-to-noise ratio,PSNR）和结构相似性（structual similarity,SSIM）作为去噪效果的评价指标,得到的平均PSNR值分别为39.23 dB,38.54 dB,40.45 dB,37.34 dB,并与几种传统去噪方法和基于深度学习的去噪方法进行比较。实验结果表明,本文的去噪算法在去噪效果和视觉质量上有明显提升。同时,在SIDD数据集上进行消融实验以验证算法中模块的有效性。结论 本文算法使用的跳跃连接、噪声水平估计以及多尺度模块均可以有效提升真实图像去噪效果。与现有方法相比,本文算法不仅能有效去除真实图像噪声,而且能通过简单的模块参数设置控制去噪网络的计算效率。     

基于图像分割的非局部均值去噪算法

针对传统非局部均值（NLM）算法的滤波参数非自适应及去噪后边缘易模糊的缺点,提出一种基于图像分割的非局部均值去噪算法。该算法分为两个阶段：第一阶段根据噪声大小及图像纹理自适应确定滤波参数的值,并采用传统非局部均值算法得到去噪结果图;第二阶段根据像素点方差的不同,将该去噪结果图分为细节区域和背景区域,再对属于不同区域的图像块分别去噪,同时为了更有效地去除噪声,还采用了反向投影的方式,充分利用了第一阶段方法噪声中残留的结构信息。实验结果表明,与传统非局部均值算法及其三种改进算法相比,所提算法的峰值信噪比（PSNR）及结构相似性（SSIM）更高,纹理细节和边缘结构更完整,图像更清晰,本真信息保留更完整。     

基于图像分解的多核非线性扩散去噪方法

研究了一种基于图像分解的多核非线性扩散去噪方法,利用两个非线性扩散模型分别提取图像的主信号和细节信息。先建立一个基于边缘定向的非线性扩散模型,实现对图像的主信号的提取。然后利用P—M扩散方程提取残余图像中的高频信号。将两步处理得到的信号进行合成,得到最后的处理结果。该方法能充分利用各个不同模型的优势,在整幅图像上均具有较好的处理效果。仿真计算结果表明,经该方法处理后的图像与现有的非线性扩散去噪方法相比,其噪声抑制更充分、边缘更清晰、峰值信噪比更高。     

基于图像统计信息的去椒盐噪声算法

本文主要介绍一种基于图像统计信息的去噪算法,主要利用图像中心像素邻域的均值和方差来消除图像中椒盐噪声的影响。首先,介绍了这种算法的基本原理;然后,分别应用中值滤波算法、自适应中值滤波算法以及本文的算法对有椒盐噪声污染的图像进行滤波,并对实验结果进行比较和分析;最后,文章对这种算法的复杂度进行了计算分析,并将其和中值滤波算法以及自适应中值滤波算法的复杂度作比较,并对这种算法的合理性进行了分析与总结。     

基于第二代轮廓波变换的消噪方法

提出一种基于第二代轮廓波变换的消噪方法,该方法在阈值选取上采用基于自适应冲激响应的多尺度多方向阈值,在硬阈值处理之后采用自适应维纳滤波。该方法充分利用了第二代轮廓波变换在频域和时域的局部化、多尺度、多方向和低冗余特征;能够利用更多较小的轮廓波变换系数以减轻轮廓波硬阈值消噪带来的纹理效应,并能更好适应人类的视觉特征。实验结果表明提出的消噪方法在峰值信噪比和视觉效果上都优于第一代轮廓波和小波的消噪效果。     

基于多级去噪模型的路面裂缝检测方法

为了去除路面裂缝检测中的各种噪声,在分析对比了目前常用去噪模型优缺点的基础上,根据路面图像中的噪声及裂缝信息的特点,结合已有去噪算法的优点,提出了一种新的基于路面裂缝检测的多级去噪模型。整个去噪模型包括灰度去噪模型、空间滤波去噪模型、裂缝特征去噪模型与几何特征去噪模型。实验结果表明,该模型在路面图像的去噪、裂缝信息提取等方面有较大改进。     

基于分数阶偏微分方程的图像去噪新模型

将分数阶微分理论和全变分方法相结合应用于图像去噪,提出了一种基于分数阶偏微分方程的图像去噪新模型。该模型很好地继承了现有的全变分(TV)模型去噪效果与保持图像边缘细节特征的优点,同时利用分数阶微分运算特有的幅频特性优势,较好地保留了图像平滑区域中灰度变化不大的纹理细节。实验结果表明：一方面,与现有去噪方法相比,新模型不仅具有较强的抑制噪声能力,而且能较好地保持图像边缘特征,还能保留更多的图像纹理细节信息,优于常用的整数阶偏微分图像去噪方法;另一方面,从峰值信噪比的对比实验可以看出该模型去噪效果优于其他方法,较好地达到了去噪目的,是一种有效、实用的图像去噪模型。     

改进的LIP偏微分方程图像去噪方法

针对对数图像处理-全变分(LIP_TV)去噪模型存在的不足,提出一种改进的LIP偏微分方程去噪方法。首先基于LIP数学理论,在LIP梯度算子中,引入四方向导数信息,得到改进的LIP梯度算子以全面客观地度量图像信息,更好地控制扩散过程。然后利用人类视觉系统的结构化特性,用噪声可见度函数构造新的保真项系数,进一步保持了图像的边缘细节并避免了人为估计噪声水平。理论分析和实验结果表明,该改进方法能够更好地去除噪声和保持图像边缘细节特征,在视觉效果和客观评价指标上都明显优于LIP_TV方法。     

基于噪声检测的总变分去噪算法

对受高斯和脉冲混合噪声污染的数字图像去噪方法进行了研究,提出了一种基于噪声检测的自适应总变分(TV)去噪算法。提出的改进算法采用两步迭代框架实现:脉冲噪点检测和全变分图像恢复。第一步中,考虑到脉冲噪声污染的像素点不包含原图像有效信息,采用一种局部统计值,即邻域像素间的随机绝对差排序值(ROAD)估计出噪点的位置;第二步中,采用L2-TV方法进行去噪处理,并对上述过程进行迭代处理,得到去噪图像。在噪点估计过程中引入脉冲噪点水平参数,这样处理的优势在于可更准确地检测出脉冲噪点;而L2-TV去噪方法可很好地去除高斯噪声,两者结合有效地解决了TV算法存在误判图像脉冲噪声为边缘而产生假边缘的问题。与现有典型去噪方法的比较实验表明,该迭代去噪算法,即TV-ROAD算法,既能够去除混合噪声,又可以保留图像细节特征。