基于快速曲波变换的图像去噪算法

曲波(Curvelet)可以很好的表示含曲线奇异的函数的异向性,但传统的曲波99变换采用复杂的参数结构和重叠的窗口,既不利于数学定量分析,也增加数字实现的冗余。采用快速曲波变换,对物体边缘信息具有最优稀疏表示。通过平移不变的曲波萎缩算法,可获得比传统去噪方法更好的均方误差(MSE)。实验结果表明,与传统的MultiVisu,MultiBayes,WHMT去噪算法比较,算法CS-FDCT去噪效果最佳,在噪声方差"=25时,使用该方法的峰值信噪比(PSNR)可高达30.8528,并且去噪后的图像具有最好的视觉效果。     

基于快速曲波变换和独立分量分析的有噪图像盲分离算法

曲波（Curvelet）变换有两种数值实现方法,一种是基于非均匀采样的快速Fourier变换即usfft算法;另一种是基于特殊选择的Fourier采样的卷绕即wrapping算法。将这两种实现方法针对图像去噪性能进行了比较,并且提出将曲波变换的wrapping算法和FastICA算法结合起来,对含有噪声的混合图像进行了盲分离。仿真研究结果表明,对于含有加性观测噪声的混合图像,该方法有更好的去噪分离效果,并且运算速度显著提高。     

一种自适应阈值曲波图像去噪算法

利用曲波变换进行图像去噪能取得较好的效果,但是现有的曲波去噪没有充分利用图像曲波系数的特点,容易过分扼杀图像的细节信息.本文提出了一种基于阈值自适应的曲波图像去噪算法,利用图像经过曲波变换后的能量分布特性选取阈值,以更好地保护图像细节.实验结果表明,该算法可以将每一尺度上的信号与噪声在最大程度上分离,有效去除了高斯白噪声,进一步提高了峰值信噪比,更好地实现了去除噪声与保护图像细节之间的平衡.     

基于边缘检测的NSCT自适应阈值图像去噪

为在去噪时能较好保留图像边缘特征,并针对Coutourlet变换缺乏平移不变性和传统阈值法的不足,提出了一种基于边缘检测的非子采样Contourlet变换自适应阈值(AT-NSCT)图像去噪方法.结果不仅能消除因Contourlet变换缺乏平移不变性而产生的图像失真,而且有效地保留了图像的边缘信息,提高了去噪后图像峰值信噪比,视觉效果更好.     

基于USFFT Curvelet变换图像去噪算法

为了更好地保留图像的高频细节信息,有效地避免图像重构中出现边缘扭曲现象.提出一种基于USFFT Curvelet变换的图像去噪算法.该方法首先对噪声图像进行USFFT Curvelet变换,在变换域计算噪声图像具有的全局阈值,然后采用窗口技术自适应地估计每个处理像素的萎缩因子,通过USFFT Curvelet反变换得到去噪后的图像信号.实验结果表明本文算法取得较高的信噪比,更好地保留了图像中存在的边缘,同时在视觉效果上也取得了较好的效果.     

一种循环平移的Contourlet变换去噪新方法

与小波变换相比,Contourlet变换等多尺度几何分析方法,可以更好地逼近含线奇异的高维函数。针对Contourlet变换缺乏平移不变性的缺陷,提出了一种基于Contourlet变换以及循环平移的图像去噪方法,即MCT方法。由于阈值去噪会在重构的图像中产生虚假成分（视觉魇像）,尤其是在奇异点附近交替出现较大的上下幅值振动。而循环平移的目的就是在给定范围内寻求最佳平移量（或平均平移量）,通过改变图像的排列次序,从而改变奇异点在整个图像中的位置来达到减小或消除振荡幅度,进而改善由于伪Gibbs现象所导致的蚊状噪声。实验表明,与抽样小波去噪相比,该方法明显可以更好地保持图像边缘;同时也一定程度上改进了传统Contourlet变换去嗓方法所带来的视觉魇像的缺点,较好的保留了图像的细节部分,且峰值信噪比（PSNR）也较高。     

基于曲波变换和色度模型的彩色图像去噪

针对彩色图像中高斯噪声难以去除的问题,提出了一种基于色度模型的色度中值滤波与曲波变换域Bayes多阈值滤波相结合的彩色图像去噪方法。该方法首先将RGB图像转换为HSI图像,通过在色度平面搜索色度中值分别消除H和S分量中的噪声,然后采用循环平移的曲波变换域Bayes多阈值对I分量噪声进行消除,最后通过HSI反变换得到去噪后的彩色图像。对比实验结果表明,本文方法对彩色图像高斯噪声去除,在获得较高峰值信噪比的同时,能较好保留彩色图像的色度、亮度和图像纹理细节信息,避免了"伪影"现象的产生。     

基于UWT和独立分量分析的含噪盲源分离

提出了基于UWT（非抽样小波变换）去噪与FastICA（快速独立分量分析）算法相结合的含噪盲源分离方法,采用先去噪后分离的方式实现了在加性高斯噪声环境下混合图像的盲分离。仿真结果表明,该方法能很好地从加性高斯噪声中分离出源图像,与曲波阈值去噪后的FastICA方法相比较,该方法能获得更好的峰值信噪比。     

基于曲波变换和Retinex人脸光照处理算法

针对光照对人脸识别影响问题,提出了一种基于曲波变换和Retinex人脸光照处理的算法。该算法对光照变化人脸对数变化后的图片进行曲波变换(Curvelet);利用Kimmel变分模型作为平滑滤波算子对低频图像进行平滑滤波,对高频系数进行阈值去噪。通过曲波逆变换得到光照亮度成分图像;利用Retinex模型提取光照不变成分。通过Yale B与CMU PIE人脸库的实验结果表明:该算法能有效地消除光照变化对人脸识别的影响并提高人脸识别率。     

基于平稳Contourlet变换的自适应阈值去噪*

应用平稳Contourlet变换,具有平移不变性,且能有效表示图像几何纹理信息.在去噪应用中采用自适应的Bayes阈值方法,结合硬阈值方法实现图像去噪.试验结果表明,该方法提高了去噪后图像的PSNR,同时有效保存了图像纹理信息,视觉效果更好.     

基于分割块的冗余Bandelet图像去噪方法

结合第二代Bandelet变换的特点,提出了基于分割块的自适应多阈值冗余Bandelet图像去噪方法。首先采用冗余的二维小波变换实现图像的多分辨率表示,通过稀疏的观点,而不是率失真的观点而定义拉格朗日函数在各个高频子带进行Bandelet化,在Bandelet化的过程采用没有风险的估计阈值来寻找最佳几何流方向和完成最优四叉树分割,最后通过Bayes软阈值萎缩法实现在Bandelet域去噪。实验结果表明：该算法的去噪效果要优于经典小波以及curvelet和contourlet,去噪后图像的边缘没有伪Gibbs效应,具有好的图像的视觉质量。     

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。     

基于改进Normal Shrink阈值估计的曲波图像降噪

结合Curvelet变换的特点改进Normal Shrink阈值算法的尺度参数,提出一种改进的自适应阈值降噪方法。该方法发挥了Curvelet变换对曲线边缘的稀疏表示的特性优点。实验结果表明在图像降噪方面与传统的小波收缩阈值方法相比不但有更好的视觉效果,而且峰值信噪比值也更高。     

基于多级中值滤波的小波去噪方法

经典图像去噪方法中，多级中值滤波有良好的保护细节的特性，近年来在小波域中对信号的处理，能使噪声抑制更加有效。结合两者的特点，提出了基于多级中值滤波的改进算法，利用最大最小中值之差判断平坦及边缘区域，实现了在小波域中平滑噪声的同时还可以保护图像细节不受损失。实验表明该方法与Donoho的软门限方法相比较，可以得到更好的去噪效果。     

利用均匀离散曲波域LCHMM的图像降噪算法

提出了一种在均匀离散曲波域中利用局部上下文隐马尔可夫模型进行建模的图像降噪算法。介绍均匀离散曲波变换的特点,分析其系数的统计分布规律,表明适合用隐马尔可夫模型对其进行建模。通过期望最大化训练获取模型的参数,利用参数得到降噪图像的系数估计。分别对光学图像和高分辨率的SAR图像进行了降噪实验,与小波域、轮廓波域的局部上下文隐马尔可夫模型等降噪方法进行比较,结果表明,提出的算法能够有效地去除噪声,具有较强的边缘保持能力。     

一种基于Contourlet变换的图像去噪方法

在变换域阈值去噪过程中,阈值的选取和阈值处理方法至关重要。提出一种基于contourlet变换的图像去噪方法。采用分层阈值,为每一级contourlet系数选取一个阈值。阈值处理中给出一种基于邻域的阈值处理方法,不仅考虑单个系数幅值的大小,而且考虑它的邻域系数幅值的大小。同时为了抑制在去噪图像边缘附近的伪吉布斯效应,引入cycle spin-ning来抑制这种图像失真。实验结果表明,利用文中去噪方法进行去噪比其他方法得到更好的视觉效果和更高的PSNR值。     

基于冗余小波变换的医学超声图像去斑噪算法

医学超声图像中固有的斑点噪声严重降低了图像的可解译程度,影响了后续的图像分析和诊断。提出了一种基于冗余小波变换的超声图像去斑算法,首先对含斑图像进行对数变换,将乘性噪声变成加性噪声;再对转换后图像做冗余小波分解;在小波系数服从广义高斯分布的前提下,计算每个小波高频子带的贝叶斯萎缩阈值,利用软阈值方法修正小波系数。实验结果表明,该算法去斑性能优于传统的空间域滤波和正交小波阈值去噪方法。     

基于小波变换和稀疏表示的图像去噪

传统小波阈值去噪在对图像进行去噪时,并不能很好地保留图像的细节纹理等边缘信息部分.针对这一不足,结合了稀疏表示相关的理论,提出了一种基于小波变换和正交匹配算法相结合的图像去噪算法.首先选取小波函数对含噪图像进行处理,分离出图像的高频和低频小波系数,然后对高频系数结合正交匹配追踪算法,通过多次反复迭代求得高频稀疏分量,再结合低频分量,用逆小波变换得到恢复图像.实验结果表明,在相同的噪声条件下,该算法能取得较好的峰值信噪比(PSNR),获得更好的视觉效果.