基于图像局部最大中值差和梯度的非线性扩散

分析了图像平滑中几种基于非线性扩散模型存在的问题,提出一种改进的非线性扩散方法。该方法用图像局部最大中值差和像素的梯度幅值联合度量图像的不平滑度,由此控制偏微分方程（PDE）的扩散行为,达到既去除噪声又保持图像边缘的目的。实验结果表明,用该方法既可以去除图像噪声又可以保持图像边缘,并且收敛速度较快。     

基于梯度向量的交互式CT图像分割

首先采用旋转模板对图像进行平滑去噪处理，同时得到各像素点的梯度值方向，然后根据梯度值方向采用Are Weights方法计算各点的梯度值，这些方法的结合可以有效的降低噪声对灰度值计算的影响，得到了较好的梯度值图像。根据改进后的边缘检测方法，对边缘梯度信息进行最优化计算，选择最优的边缘点，最后将这些边缘点进行曲线拟合。实验结果显示该方法能有效地分割出胆囊图像。     

结合各向异性扩散和分水岭算法的图像分割

传统分水岭算法受到噪声干扰时容易出现过分割现象，为了抑制噪声的同时尽可能多地保留住图像边缘信息，提出了一种基于各向异性扩散的分水岭分割算法。首先对原始图像进行滤波操作，传统P-M算子通常人为设定固定边界阈值，容易丢失细节信息，应用梯度模的变化设定阈值并连结图像结构张量形成一个扩散函数，边缘处沿切线方向扩散易于保留边缘细节，平坦处具有各向同性易于平滑噪声，这样保证了良好的分水岭结构。其次对图像的梯度信息进行计算，为了使梯度信息得到补偿，采用数学形态学的开闭运算对图像梯度信息进行处理。然后运用形态学极小值标定方法标记处理后的图像局部极小值，最后用分水岭算法对图像进行分割。实验对无噪声图像和加噪声图像进行分割，结果表明该方法具有良好的分割效果，尤其对噪声图像有较好的鲁棒性。     

图像去噪中的纹理保护方法研究

基于偏微分方程及变分极值最小化的图像平滑方法可以有效地去除噪声,而且能够保护边缘信息,但由于噪声及纹理难以区分,使得纹理信息无法保留。提出一种纹理保护滤波算法,该算法利用图像分解模型将图像分解为几何结构分量及噪声/纹理分量,计算后者的局部方差,与传统变分能量最小化方法中的偏差惩罚项结合形成随纹理变化的约束,得到的模型在纹理区域滤波减少,从而保护了纹理信息。实验在视觉效果上得到了预期的结果,信噪比的计算对比也可以证明算法的有效性。     

基于图像局部梯度L0范数正规化的图像分解算法

针对基于梯度L0范数正规化的变分泛函最优化分解图像时误判噪声梯度为边缘梯度的问题,提出一种基于图像局部梯度的L0范数正规化的图像分解算法。该算法构造了一个由保真函数和正则项构成的适用于图像分解的变分泛函,其中正则项用图像的局部梯度的L0范数进行估计,进而通过求解泛函的最小值,以分解出图像的结构信息(即图像的边缘)。与直接基于图像一阶梯度的L0范数的分解算法相比,该算法可以去除噪声梯度的干扰,从而使分解出的图像边缘中不含有噪声。实验结果表明,该算法在分解图像结构和纹理时,既能很好地把边缘保留在图像结构层中,也可把噪声分解到图像结构层外。     

基于迭代重加权的广义总变分超分辨率重建

由于传统超分辨率重建算法在模糊和噪声严重的情况下不能有效地抑制图像中的噪声,提出基于迭代重加权范数的广义总变分超分辨率重建算法。该算法采用迭代重加权的数据保真项和正则项构造广义总变分的代价函数,并采用预处理共轭梯度法对其进行优化,能够有效地抑制噪声的产生。实验证明,该算法在去除噪声的同时,能够很好地保持图像的细节信息,有很好的视觉效果。     

基于压缩感知的自适应正则化磁共振图像重构

当前基于压缩传感理论的正则化磁共振(CS-MR)图像重构算法普遍采用全局正则化参数,不能很好地在保持边缘和平滑噪声方面做出平衡。为此,提出一种自适应的正则化CS-MRI重构算法。结合图像稀疏性和其局部光滑性的先验知识,采用非线性共轭梯度下降算法求取最优化问题,并在迭代过程中自适应地改变局部正则化参数。新的正则化参数可以更好地恢复图像边缘,并且有利于平滑噪声,使代价函数在定义域内具有凸性;同时先验信息包含于正则化参数中,以提高图像的高频成分。实验结果表明该算法能有效权衡恢复图像边缘和平滑噪声两者的关系。     

一种基于小波包分解的图像分类去噪方法

文章提出了一种基于小波包分解的图像分类去噪方法,即首先用高斯-拉普拉斯边缘检测方法检测出图像的边缘,得到边缘图像;然后利用小波包对图像平滑区域进行阀值去噪,同时对图像进行邻域平滑处理;最后将边缘图像嵌入平滑图像。此种方法不但可以保持图像的边缘信息,而且能够去除图像的噪声,提高了图像的去噪效果和清晰度。     

基于PDE''''s的图像平滑方法

传统的图像平滑方法在去除噪声的同时往往会破坏边缘、线务、纹理等图像特征，而基于偏微分方程(PDE’s)的各向异性扩散算法则在抑制噪声的同时能够保持这些特征。本文在Perona ＆ Malik模型基础上引入梯度阈值和高斯平滑核，实验结果表明改进后的平滑方法既能更有效消除孤立噪声点，又可以更好地保持边缘。     

基于图像分解和相对全变分的图像平滑

图像平滑旨在去除图像中纹理细节信息的同时保留重要的结构边缘,因此如何正确区分二者成了 图像平滑的关键。梯度作为计算图像变化速度的重要指标是区分结构边缘和纹理细节的有效度量,但不同图像 以及同一图像不同区域中的纹理和边缘的梯度差异并非固定不变的。为了能够有效识别结构边缘和纹理细节, 提出了基于图像分解和相对全变分的图像平滑方法。为了扩大结构边缘和纹理细节之间的差异,实现在尽可能 不改变结构边缘的前提下降低纹理细节的梯度,以多方向的梯度为约束对图像进行分解,提取图像的平滑成分。 在特定尺度下,基于图像的区域结构差异,采用相对全变分方法,在保留结构边缘的同时去除该尺度下的纹理 细节。通过迭代优化,不断调整图像区域尺度,实现对不同尺度纹理细节的逐步去除。与现有算法相比,新方 法在有效地去除纹理细节和完整地保留结构边缘方面都具有较好的视觉效果。     

自适应全变分图像去噪模型及其快速求解*

在联合冲击滤波器和非线性各向异性扩散滤波器对含噪图像做预处理的基础上,利用边缘检测算子选取自适应参数,构建能同时兼顾图像平滑去噪与边缘保留的自适应全变分模型,并基于Bregman迭代正则化方法设计了其快速迭代求解算法.实验结果表明,自适应去噪模型及其求解算法在快速去除噪声的同时保留了图像的边缘轮廓和纹理等细节信息,得到的复原图像在客观评价标准和主观视觉效果方面均有所提高.     

Multiplicative noise removal via combining total variation and wavelet frame

Total variation (TV) regularization has been proved effective for cartoon images restoration however it produces staircase effects, and properly wavelet frames were confirmed to provide a more smoothing approximation to the original image. In this paper, a new model for multiplicative noise removal was proposed, which combines wavelet frame-based regularization and TV regularization. A modified proximal linearized alternating direction method is developed to solve the proposed model, considering that adding a new regularization term to the TV model would yield more parameters, which will result in computational difficulties. For the new model, the existence of solution and the convergence property of the proposed algorithm are proved. Numerical experiments have proved that the proposed model has a superior performance in terms of the peak signal-to-noise ratio and the relative error values for non-piecewise constant images when compared with some state-of-the-art multiplicative noise removal models.     

基于滤波器的局部自适应全变分图像去噪模型

综合利用冲击滤波器和非线性各向异性扩散滤波器对含噪图像做预处理,然后基于边缘检测函数建立反映图像局部特征的自适应权函数,构建能同时兼顾图像平滑去噪与边缘保留的局部自适应性的全变分模型,并建议用本原对偶算法快速求解。实验结果表明,同传统的全变分图像去噪模型相比,该局部自适应全变分模型在消除噪声的同时能很好地保持图像的边缘轮廓和纹理等细节特征,得到的复原图像在客观评价标准和主观视觉效果方面均有所提高。     

可保留细节信息的全方位多级组合滤波法的研究

传统全方位多级组合滤波法在抑制噪声的同时会严重模糊图像，通过分析该问题产生的原因，提出了一种改进的滤波方法，该方法先对图像象素进行是否为边缘点、孤立噪声点或平滑区域点的预判断，然后再根据判断结果分别进行处理。实验结果表明，该方法能很好地保留图像边缘细节信息，取得了较好的处理效果。     

基于多种正则化的改进超分辨率重建算法

为了解决超分辨率图像重建过程中无法同时降低平滑区域噪声和保持图像细节的问题,结合改进的非局部变分（NLTV）和全变分（TV）正则项方法提出一种新的超分辨率重建算法。首先,根据图像重尾分布特性,结合高斯分布、拉普拉斯分布及柯西分布改进了传统NLTV正则项系数,提出了改进的ANLTV正则项。然后利用ANLTV正则项基于分裂Bregman算法重建了初始的高分辨率图像。最后结合TV正则项对重建的高分辨率图像进行去模糊操作,进而得到最终的超分辨率图像重建结果。为验证所提算法的性能,分别利用该算法与传统的TV和NLTV算法进行超分辨率图像重建并对比。实验结果表明,所提出的方法相比于传统的TV和NLTV重建算法,其峰值信噪比、信噪比和结构相似度均有所提高,能够同时满足超分辨率图像重建过程中抑制噪声和保持边缘细节的需求。     

基于稀疏表示的自适应图像超分辨率重建算法

针对图像高分辨率重建过程中稀疏解的存在性和唯一性问题以及超分辨率图像的边缘特征和平滑噪声的关系进行了研究, 提出了局部正则化参数自适应选取的方法。结合联合构造字典的算法, 在重建过程中动态调整正则化参数。通过对图像的超分辨率实验证明, 改进的算法具有较高的可行性, 能有效平衡超分辨率图像的边缘特征和平滑噪声两者的关系, 与传统的超分辨率重建算法相比, 有更高的峰值信噪比。     

Total variation and high-order total variation adaptive model for restoring blurred images with Cauchy noise

In this paper, we propose a novel model to restore an image corrupted by blur and Cauchy noise. The model is composed of a data fidelity term and two regularization terms including total variation and high-order total variation. Total variation provides well-preserved edge features, but suffers from staircase effects in smooth regions, whereas high-order total variation can alleviate staircase effects. Moreover, we introduce a strategy for adaptively selecting regularization parameters. We develop an efficient alternating minimization algorithm for solving the proposed model. Numerical examples suggest that the proposed method has the advantages of better preserving edges and reducing staircase effects.     

基于l1/2范数正则化的图像重建方法

为了利用[l1]范数保持图像边缘信息的优势,并兼顾[l2]范数对图像平坦区域噪声抑制的特性,提出了一种自适应范数混合模型--[l12]范数正则化方法。相比于经典的[l1]范数正则化方法,该方法能够得到更加稀疏的解,同时相比于传统去噪方法,该方法对自然图像的长尾分布噪声具有比较理想的去除效果。还针对范数混合模型中噪声的分布的自适应变化,设计了一种自适应收敛准则迭代方法,该方法可以有效地减少迭代次数。实验结果和分析验证了混合模型在图像重建效果和计算效率方面的有效性。     

基于正则化方法的图像盲去模糊

针对标准化稀疏先验的正则化方法估计复杂模糊核时的不准确性, 引入图像的预处理, 提出了一种图像盲去模糊的新方法。该方法将图像盲去模糊分为三个步骤：利用双边滤波器和冲击滤波器对图像进行预处理, 使得图像的噪声降低、边缘突出, 有利于模糊核的估计; 对预处理后的图像, 利用基于标准化稀疏先验的正则化方法估计模糊核; 根据估计出的模糊核利用TV正则化方法对图像进行非盲去卷积。采用快速迭代收缩阈值算法和快速总变分图像复原算法分别求解模糊核估计模型和图像非盲去卷积模型。实验结果表明, 针对单幅模糊图像, 该方法可以估计出准确的模糊核, 对噪声具有鲁棒性, 并且提高了图像复原速度, 具有较好的图像恢复效果。