连续子邻域内的鲁棒双边滤波

提出一种连续子邻域内的鲁棒双边滤波算法(Robust Bilateral Filtering)。首先,利用自适应区域生长方法在图像局部部域中分割出种子像素的连续子部域;然后,在该连续子部域中采用改进的双边滤波算法对种子像素值进行平滑处理。为了提高算法的鲁棒性能,类似非局域均值滤波算法(Non-Local Means Filtering),以像素空间临近度和像素局部窗口相似度定义该滤波器核函数。算法结合了双边滤波和非局域均值滤波的优点,且在连续子部域内进行去噪处理相对可获得更为合理的图像效果。仿真实验表明,该算法具有良好的去噪效果,同时较好地保留了图像的细节特征。     

小波与双边滤波的医学超声图像去噪

目的：医学超声图像中的斑点噪声降低了图像质量并且限制了超声图像自动化诊断技术的发展。针对斑点噪声问题,提出了一种新型的基于小波和双边滤波的去噪算法。方法：首先,根据医学超声图像在小波域内的统计特性,在通用小波阈值函数的基础之上,改进了小波阈值函数。其次,将无噪信号的小波系数和斑点噪声的小波系数分别建模为广义拉普拉斯分布模型和高斯分布模型,利用贝叶斯最大后验估计方法得到了新型的小波收缩算法,利用小波阈值法对小波域内的高频信号分量进行去噪。最后,对小波域内的低频信号分量进行双边滤波处理,然后利用小波逆变换便得到去噪后的图像。结果：在仿真实验中,通过与其它7种去噪算法作对比,观察峰值信噪比(PSNR)等图像质量评价指标,结果表明本文算法的去噪效果优于其他相关算法。临床超声图像的实验结果进一步验证了本文算法的去噪性能。结论：本文提出了一种新型的去噪算法,实验表明本文算法能够很好地抑制斑点噪声,并且能保留图像病灶边缘等细节。     

一种基于边缘检测的图像去噪优化方法

为了消除或衰减存在于图像上的噪声,同时尽可能地保留图像细节,提出基于边缘检测的图像去噪算法.先通过小波边缘检测法求出有噪图像的边缘图像;再通过小波边缘检测方法确定哪些小波系数是图像的边缘特征,这些小波系数将不受阈值去噪的影响,因此,可以只是根据噪声方差来设置去噪的阈值,对原有噪图像进行小波去噪,得到平滑图像;最后,将边缘图像嵌入平滑图像中,得到去噪后的图像.实验结果表明,与普通的小波阈值去噪方法相比,上述算法不但能在有效去噪的同时保留图像的细节信息,而且能提高去噪后图像的峰值信噪比.     

基于数学形态学算法的遥感图像边缘去噪方法

为了提升遥感图像边缘去噪质量以及去噪效率,设计一种基于数学形态学算法的遥感图像边缘去噪方法。对遥感图像数据实施归一化处理、标准化处理、图像增强处理。以预处理后的数据作为研究基础,对原有形态边缘提取算子实施多次改进,采用加权自适应多尺度形态边缘提取算法提取遥感图像边缘,利用伞形算子进行递归局部邻域扩散,实现遥感边缘图像去噪。测试结果表明,该方法的最大去噪误差与平均去噪误差较小,边缘去噪时间较短,小曲率数据点的个数明显增加,而大曲率数据点的个数则明显减少,说明设计方法的遥感图像边缘去噪质量高,去噪效率高。     

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。     

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.     

一种基于图像边缘检测的小波阈值去噪方法

边缘特征是图像最有用的高频信息,因此,在图像去噪的同时,应尽量保留图像的边缘特征。为实现这一想法,提出了一种基于图像边缘检测的小波阈值去噪新方法。该方法在去噪前,先用定位精度高的小尺度LOG算子检测图像的边缘,对检测出的边缘进行均值平滑滤波,以减少边缘图像中的孤立点噪声;进而再对图像边缘和含噪图像分别进行小波分解,根据分解后的小波系数以确定图像的边缘特征和非边缘特征;最后,再对图像边缘对应的小波分解系数进行小阈值处理,而对非边缘的则进行大阈值处理,从而实现了在去噪的同时保留了图像边缘特征的目的。实验结果表明,与普通的小波阈值去噪方法相比,该方法可有效地保持图像的边缘信息,去噪效果则优于前者。     

降质图像高密度斑点批量智能识别仿真

针对降质图像中高密度斑点识别速度慢、识别位置不精准问题,提出了一种基于频域滤波法和相交测定中心法的降质图像高密度斑点批量智能识别技术。首先使用小波域内非线性软门限选取方法对图像进行去噪处理,选取小波域内非线性软门限,根据门限剔除图像冗余干扰,并确保滤除斑噪的同时保证边缘信息安全,然后使用相交测定中心算法对去噪后图像进行梯度识别,获得高密度斑点的中心面积,最后通过斑点细来设定阈值,从而完成降质图像高密度斑点批量智能识别的目的。仿真证明,相对于传统方法,所提方法在降质图像高密度斑点的批量智能识别上效率更高,并且识别精准度较高。     

基于边缘检测和四点插值细分的SAR图像去噪

针对SAR图像相干斑滤波中存在的降低相干斑与有效保持细节信息这一矛盾,提出了一种基于四点插值细分的SAR图像去噪的新算法,将四点插值细分规则运用到图像去噪中,并与边缘检测相结合。先用canny算子提取图像边缘,进而通过四点插值细分方法分别对边缘图像和原始图像进行去噪,然后再对边缘信息进行边缘信息的重构,得到新的去噪图像。并通过等效视数、边缘保持指数等评价指标对去噪结果进行了评价。实验结果表明,与其他去噪方法相比,该算法在有效地去噪的同时,可有效地保留图像的边缘信息,具有较好的去噪结果。     

数字全息再现图像散斑噪声消除新方法

为了消除数字全息再现像中存在的相干散斑噪声,在去除噪声并保留图像细节的基础上,提出了基于小波变换的边缘保持散斑噪声去噪方法;通过分析小波变换模极大值边缘检测和基于Neyman-Pearson准则的小波阈值去噪方法的原理,提出并应用了一种数字全息再现像散斑噪声去噪方法,利用小波模极大值方法获得边缘图像,通过基于Neyman-Pearson准则的小波阈值去噪,去噪后的图像与边缘图像合并后得到最终再现图像。研究结果表明,该方法能够较好地在去除散斑噪声的同时保留图像细节。     

一种改进的二进小波变换图像去噪方法

本文在分析图像噪声消除与细节保持相矛盾的基础上,提出了一种改进的二进小波变换图像去噪方法。首先用自适应滤波多尺度边缘检测方法检测出图像的边缘;然后用二进小波变换去噪方法进行全局闯值去噪;最后将边缘图像嵌入到二进小波去噪后图像。实验结果表明,该方法不仅能够滤除图像的噪声,而且能够保持图像的边缘信息。     

有无噪声对细胞神经网络提取图像边缘的影响

主要运用相关系数,通过对原始图像进行加躁再去噪,计算出用传统的滤波方法如均值滤波、中值滤波和维纳滤波分别对有噪声的图像进行去噪处理后,去噪图像与原始图像的相关系数,验证了去除高斯噪声用一次维纳滤波比较理想;去除椒盐噪声使用中值滤波效果较好。并在第三部分给出了对加噪的图像先进行去噪处理,再用CNN进行边缘提取的结果和对加躁图像先用cNN进行边缘提取再去噪的结果,并将这两种结果与原始图像提取边缘的结果进行比较和观察,得出以下结论：为了避免由于噪声引起的失真对图像真实信息的影响,在进行图像边缘提取之前必须先进行去噪处理再进行边缘提取。     

图像混合噪声的一种组合滤波消除方法

提出了一种基于高斯拉普拉斯边缘检测的含高斯噪声和脉冲噪声的图像组合滤波去噪方法,即首先对含有混合噪声的图像进行中值滤波,再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;然后利用自适应Wiener滤波对中值滤波后得到的图像进一步滤波去噪,最后将边缘图像嵌入经Wiener滤波得到的平滑图像中。此种方法不但能够有效去除含高斯噪声和脉冲噪声的图像中的噪声,而且可以保持图像的边缘信息,提高了图像的去噪效果和清晰度。     

基于粗集理论的含噪图像边缘检测

文章提出了一种基于粗糙集的图像边缘检测算法。首先，利用粗集理论将一幅图像划分为不同的子图，然后对子图分别去噪，再将两个去噪子图叠加得到最终去噪图像，最后，利用边缘条件属性对去噪图像做边缘检测。实验结果表明，该方法能满足对噪声图像进行边缘检测的要求。     

阈值去噪联合数学形态学的胃部图像边缘检测

在胃部图像边缘检测问题研究中,噪声影响着检测的准确性。针对图像受噪声的影响而导致边缘提取效果不佳的问题及传统边缘检测算法抗噪性差,提出了一种采用联合技术的小波阈值去噪和改进的数学形态学边缘检测算法,在小波域中利用小波阈值对胃部图像进行去噪处理,并用改进边缘检测算法对去噪后的图像进行边缘检测,得到胃部边缘图像。结果表明,改进算法不仅抑制了图像噪声,而且保护了图像边缘细节,相对传统边缘检测方法有更高的信噪比。     

基于边缘扩散的医学图像非线性去噪算法*

在对医学图像去噪的同时保留边缘信息,对于后期的诊断具有重要的意义。分析了ＰＭ和Ｃａｔｔｅ算法 以及它们的不足,提出了一种基于边缘扩散的非线性去噪方法,通过边缘检测把图像分为边缘和非边缘两部分, 非边缘区域通过各向同性算法去噪;边缘区域通过各向异性算法去噪,改进扩散形式,只沿边缘方向扩散去噪。 实验表明方法非常有效,带噪声的医学图像经过改进后的算法去噪处理,图像质量得到明显的改善。     

一种基于边缘检测的改进的中值滤波去噪方法

中值滤波是一种去除椒盐噪声的有效算法,在现实生活中应用相当广泛。传统的中值滤波在去噪的同时很容易丢失图像的边缘信息。本文提出一种基于边缘检测的改进的中值滤波去噪算法。它先将含噪图像的边缘信息检测出来,然后将边缘信息保存下来,再对原含噪图像用中值滤波进行图像去噪,然后对于保存下来的边缘信息用小模板进行去噪,再用该小模板去噪后的边缘信息区替换中值滤波后的边缘信息。最后通过实验验证,此去噪算法可以在去噪的同时更好地保护图像的边缘信息。     

基于小波变换的图像去噪优化算法

提出了一种基于小波变换的图像去噪优化算法。先通过小波边缘检测法求出有噪图像的边缘图像;再利用广义交叉确认原理求出的阈值对原有噪图像进行小波去噪,得到平滑图像;最后,将边缘图像嵌入平滑图像中,得到去噪后的图像。该算法能在有效去噪的同时保留图像的细节信息,提高了信噪比。     

一种基于小波分析的SAR图像增强去噪方法

提出了一种基于小波分析的SAR图像增强去噪声方法。该方法首先对被噪声污染的SAR图像进行小波变换，然后在小波域内对该图像进行平滑滤波，最后实现了一个SAR图像增强去噪处理系统。由处理结果可以看出，本方法在对SAR图像直接进行平滑滤波的应用中取得了较好的结果，为进一步图像分割、边缘提取奠定了一个较好的基础。