基于高阶统计量的小波变换去噪算法

图像在获取和传输的过程中经常要受到噪声的污染.传统的去噪方法不仅滤出了图像的噪声,同时使图像细节变得模糊.本文提出一种基于双谱和小波变换的去噪算法.该方法是根据高斯噪声及椒盐噪声在小波变换下的不同特征,并结合双谱滤波、中值滤波的特点,在小波城内对高频子带进行双谱滤波,去除图像中的高斯噪声,然后进行中值滤波,去除图像中的椒盐噪声.高斯噪声的双谱为零,能够彻底的去除高斯噪声.该算法的实验结果表明不仅能滤出图像中高斯噪声和椒盐噪声,而且能较好的保留图像的边缘细节.其滤波效果优于传统的图像去噪方法.     

改进算法在混合噪声STM图像滤波中的应用

基于小波变换的高斯混合模型小波去噪方法能有效滤除高斯白噪声,中值滤波法能较好滤除脉冲噪声并保留图像边缘及细节信息。将两种方法结合起来,并采用Matlab语言进行仿真,然后对含有高斯脉冲混合噪声的STM(扫描隧道显微镜)图像进行去噪处理。实验结果表明,这种混合去噪方法能有效去除STM图像中的高斯白噪声和脉冲噪声并保留图像的边缘及细节信息,能得到更好的STM图像,其效果要优于单纯使用中值滤波或者小波去噪的效果.     

基于小波变换与中值滤波相结合的图像去噪处理

尝试利用基于小波变换和中值滤波相结合图像去噪声处理对同时含有高斯噪声和椒盐噪声的图像去噪方法进行了探讨．结果表明，小波变换结合中值滤波方法在去除图像噪声的同时较好地保持了图像所包含的边缘信息，处理效果优于单一的小波变换去噪或中值滤波．     

二维分数阶小波变换滤除混合图像噪声研究

图像形成与传输过程中,常受到复杂混合噪声的干扰.本文结合二维分数阶小波变换与中值滤波,提出一种新的混合未知图像噪声滤除方法.该方法先通过噪声检测将脉冲噪声标识出来,并利用中值滤波方法滤除,然后计算剩余噪声,进一步得到二维分数阶小波变换的最优阶次,在二维分数阶小波时频域,将剩余的高斯白噪声用阈值去噪方法滤除.经实验证明,该方法在有效去除混合噪声时具有优势.     

基于嵌入式系统的图像采集和预处理装置设计

针对低照度下采集的图像中经常含有大量噪声的情况,设计了一种具有去噪功能的图像采集和预处理装置.基于嵌入式CPU和嵌入式操作系统,采用摄像头对视频图像进行采集,用改进中值滤波算法和小波图像去噪对视频图像的噪声进行滤波,然后通过USB和网络接口进行图像传输,并实现图像文件的存储功能.该装置可以有效去除视频噪声,有利于对图像进行更高级的处理.     

联合双重滤波的水下图像NSCT阈值去噪算法

针对水下图像噪声特点以及去噪时边缘细节保护不理想的问题,提出了基于联合双重滤波的NSCT阈值去噪算法.该方法采用具有平移不变性的非下采样轮廓波变换对水下图像进行多尺度和多方向分解,根据分解后图像的噪声分布特点,联合频域与空域方法将中值滤波和非局部均值滤波算法分别应用于高低频图像的滤波处理,设置合理阈值进行去噪,进一步恢复图像细节并重构图像.实验结果表明,水下图像的去噪效果明显提高.     

图像去噪滤波方法的对比研究

去噪是图像预处理的关键,线性滤波器和非线性滤波器都可以对图像进行滤波操作。选取线性滤波器中的高斯滤波与非线性滤波器中的中值滤波和引导滤波对被椒盐噪声和高斯噪声污染的双排线束图像进行去噪操作,通过主观视觉观测和客观指标两个方面来衡量3种滤波方法的去噪效果并进行对比研究。结果表明:中值滤波去椒盐噪声的效果最好;引导滤波去高斯噪声的效果最好;当同时存在椒盐、高斯混合噪声时,中值滤波和引导滤波都能收获较好的滤波效果,但是引导滤波处理后的输出图像与原始图像的结构相似性更高。     

基于时频峰值滤波的管道泄漏定位算法

针对环境噪声给基于压力波的管道泄漏定位算法带来的负面影响,提出了一种基于时频峰值滤波的压力波噪声抑制方法,并将该滤波算法与基于压力差衰减的定位算法相结合,达到对管道泄漏精准定位的目的。首先,对实际管道泄漏时的压力数据进行功率谱估计,根据其能量分布得到该信号的频率范围。然后,通过采样频率和截止频率确定时频峰值滤波中时频窗的最大值,并进一步分析采用不同时频窗长时噪声的压制效果,根据去噪效果选取适合管道泄漏压力数据的最佳窗长。实际实验证明,结合最佳窗长的时频峰值滤波的去噪效果优于小波变换算法和经验模态分解算法,同时,基于时频峰值滤波的管道泄漏定位算法定位精度也最高。     

一种基于加权均值滤波噪声点检测的中值滤波算法

针对常规中值滤波在图像去噪过程中会将原图像的有用信息同时滤除的问题,提出了一种基于加权均值滤波噪声点检测的中值滤波算法.该算法通过含噪图像与其经加权均值滤波的图像作差对图像中的噪声点进行判别,从而针对噪声点进行滤波,能在保持图像原始信息的前提下有效地将图像中的噪声滤除.实验结果表明,与常规中值滤波算法相比,该方法既具有较好的去噪特性,也具有较强的细节保护能力.     

自适应阈值的小波变换在纸病去噪中的应用

以图像噪声会影响下一步图像处理、分析及识别为启示,分析了常用的数字滤波算法优缺点,提出一种自适应阈值小波变换去噪方法．该方法根据含噪信号特性和信噪比,自适应地选择小波变换的最优分解层数和最佳软阂值,达到最优的降噪效果．仿真结果表明,这种算法在高斯噪声和椒盐噪声滤波能有效地滤除噪声,同时还能较好地保护图像细节,使图像达到更好的视觉效果．     

结合MCA与Retinex算法的低照度图像增强方法

针对低照度条件下获取的图像存在可见光照度低、噪声大等问题,提出了一种基于形态成分分析(MCA)和Retinex算法结合的低照度图像增强方法。首先,将低照度图像转换到HSV色彩空间,接着采用MCA将V分量分解为纹理和平滑部分;其次对平滑部分采用基于改进的多尺度Retinex算法和自适应全局色调映射进行增强,对纹理部分进行维纳滤波去噪后再进行Laplace算子锐化;然后MCA重建得到亮度增强图像,将其与H、S分量合并且转换到RGB色彩空间;最后采用自适应函数恢复色彩得到最终增强图像。实验结果表明,该算法能够有效改善低照度图像质量,提高图像亮度,更好地保留边缘、细节纹理和抑制噪声。     

基于小波收缩阈值和维纳滤波的去噪方法

针对高斯噪声图像的结构特点及传统去噪方法中所存在的问题,提出一种基于小波收缩阈值法和维纳滤波法相结合的图像去噪方法。采用小波收缩阈值法对图像进行去噪,对处理后的图像用维纳滤波法进行平滑处理。采用独立自适应阈值,对其子带阈值进行确定,并引入调节系数。仿真结果表明,所提出的方法在高斯去噪效果和保留图像细节信息性能方面优于中值滤波算法、均值滤波算法等方法。     

基于级数优化的小波去噪MAP图像复原方法

介绍了MAP超分辨力复原方法的原理以及小波滤波去噪的原理和具体方法,由于小波变换具有多分辨率分析和在时频(空频)两域都具有表征信号局部特征的能力,基于小波阈值去噪的图像超分辨力复原方法对于低信噪比图像处理具有独特的优越性,证明了其应用于超分辨率复原算法的有效性,并提出了基于级数优化的小波去噪超分辨力复原算法。     

图像去噪的组合优化滤波算法

小波变换具有良好的局部化分析特性和多分辨率分析特性,小波阈值法能很好的消除高斯白噪声,但对脉冲噪声无法消除。中值滤波对脉冲噪声能很好滤除,并具有良好的边缘保持特性。为了能很好消除图像中的混合噪声,文章提出了基于小波阈值法和门限递归中值滤波组合优化的图像去噪算法,仿真结果表明,该算法在去除图像中的混合噪声时,比其他传统去噪方法具有极大的优越性。     

一种加权中值滤波算法在医学磁共振图像去噪中的应用

为了更好地去除医学磁共振图像(MRI)中的高密度椒盐噪声和高斯噪声,提出了一种加权中值滤波算法.该算法的核心思想是利用改良的有限阈值策略对滤波窗口的每个像素点的灰度值与计算该像素点所得的相应权值之积进行求和,然后将运算结果作为滤波窗口中心点的输出值.利用该算法对含有高密度椒盐噪声和高斯噪声的医学MRI进行去噪仿真实验表明,该算法对高密度椒盐噪声和高斯噪声的抑制力显著优于单纯的中值算法和均值算法,且去噪后的图像具有良好的细节保真度和清晰度.     

基于信号子空间的激光主动成像散斑去除

为研究激光主动成像中散斑噪声的抑制问题,提出一种基于信号子空间TDC(Timedomain constrained)的散斑去噪方法,并搭建一套基于距离选通ICCD的激光主动照明系统进行实验验证。首先使用同态变换将乘性噪声变为加性噪声,然后利用小波变换估计噪声的协方差;接着对含噪图像进行奇异值分解并估计信号子空间的维数,根据该维数对无噪图像的协方差矩阵进行特征值分解,计算出滤波估计矩阵。将滤波估计矩阵与含噪图像卷积,最后做同态逆变换,得到降噪后的图像。结果证明本文的去噪方法拥有比经典的Lee、Frost和Kuan算法更好的散斑噪声抑制效果,同时计算时间明显缩短。     

一种改进BM3D的图像去噪增强方法

针对已有图像增强方法对内核算法要求高、信噪比提升小、增强效果差的问题,提出一种运用改进三维块匹配滤波(BM3D)算法的图像去噪增强方法.该方法以改进图像块搜索方式的BM3D为内核,将去噪后图像加到原始噪声图像上,进行图像去噪增强.仿真结果表明,改进BM3D算法相比BM3D算法,提高了图像的峰值信噪比和降低了图像均方误差;与BM3D算法和改进BM3D算法相比,去噪增强方法具有更好的去噪效果.     

基于余弦相似度的非局部均值滤波方法

为了解决非局部均值滤波(N L M)中会出现过度滤波,模糊了边缘结构信息等问题,提出了一种基于余弦相似度非局部均值滤波方法.该方法用余弦相似度改进非局部均值滤波中子块相似度的度量,能利用结构信息,对图像边缘结构信息进行更好的保持,同时可以减少图像明暗程度对去噪效果的影响.通过多个典型图像和不同的滤波参数h的实验表明,该算法与经典非局部均值滤波算法、基于积分图像的非局部均值滤波算法、Adaptive Wavelet Thresh?old算法、2VAR-BMWP-MAP算法、减小斑点扩散算法相比,实验结果表明:该算法能在有效去除噪声的同时更好保持边缘结构信息.另外,针对少有图像评价指标能在反映图像去噪程度的同时反映去噪算法的细节保持程度,在方法噪声的基础上提出了一种新的图像去噪评价指标,定义为方法噪声差(C B).结论表明:方法噪声差的确能反应去噪程度的同时反应图像细节的保持程度,且比误差的均方差(M S E)更符合人的主观视觉感受.     

S变换时变滤波在去噪处理中的应用研究

针对常用的滤波去噪方法都受到使用条件的限制,实际资料的滤波去噪不能达到良好效果,S变换时变滤波克服了传统滤波去噪方法滤波因子不能随时间、频率变化而变化的缺陷.将地震资料用S变换方法变换到时频域,对不同时间内不同频率的噪声部分充零,再将去噪后的地震数据利用S反变换到时间域,以获得所需要的有效信号.通过理论计算分析和实例计算表明,S变换时变滤波能够有效去除不同时段、不同频率的噪声.该方法具有一定的可行性.     

改进的Retinex低照度图像增强算法研究

针对Retinex算法处理低照度图像时会出现细节丢失、边缘模糊等现象,本文采用引导滤波和低秩分解对Retinex算法进行了改进。该算法在采用多尺度Retinex提升图像亮度、得到反射分量后,采用引导滤波和高频提升对图像的反射分量进行细节增强;然后,运用全局低秩分解算法去除稀疏噪声,有效地消除了低照度图像中的噪声,以及高频提升过程中产生的噪声。实验表明:该算法不仅能够有效的提高图像的亮度和对比度,同时也保留了原始图像中丰富的边缘和细节信息,并有效去除了图像噪声,图像的视觉效果与客观评价结果也都取得了较大提升。将该算法应用于低照度环境下的人脸检测,检测率也得到了提高。