一种新的自适应小波阈值SAR图像滤波算法

为有效降低乘性斑点噪声对合成孔径雷达（SAR）图像的影响,提出了一种新的基于小波系数广义高斯分布（GGD）模型的自适应阈值估计去噪算法。首先分析了经对数变换的SAR图像小波系数的统计分布特性,然后提出了子带自适应阈值估计方法,通过对数变换,将该算法应用于含斑点噪声的SAR图像去噪。仿真图像和真实SAR图像的实验结果表明,该算法同目前流行的其他阈值算法相比,运算复杂度低,算法高效,并且在保留原始图像重要细节特征和图像后向散射特性的同时,显著地减少相干斑噪声。     

基于小波域统计建模及显著性修正的SAR图像相干斑抑制

该文提出了一种基于小波域统计建模与小波系数显著性修正相结合的斑点噪声滤波方法。这种方法首先通过对数变换将乘性噪声模型转化为加性噪声模型,对对数变换后的图像进行小波变换并对小波域的高频子带系数用混合高斯模型与隐马尔可夫树模型进行建模,并采用EM算法来估计模型参数。在模型参数估计的基础上;利用贝叶斯最小均方误差准则来估计干净的小波系数。在此基础上引入基于显著性准则的小波系数修正,最后通过小波逆变换与指数变换获得抑制斑点噪声后的图像。用真实SAR图像实验表明,该文提出的方法能够有效地抑制斑点噪声,同时能够很好地保存边缘细节结构与强散射中心。     

基于残差编解码器的通道自适应超声图像去噪方法

超声图像去噪对提高超声图像的视觉质量和完成其他相关的计算机视觉任务都至关重要。超声图像中的特征信息与斑点噪声信号较为相似,用已有的去噪方法对超声图像去噪,容易造成超声图像纹理特征丢失,这会对临床诊断的准确性产生严重的干扰。因此,在去除斑点噪声的过程中,需尽量保留图像的边缘纹理信息才能更好地完成超声图像去噪任务。该文提出一种基于残差编解码器的通道自适应去噪模型(RED-SENet),能有效去除超声图像中的斑点噪声。在去噪模型的解码器部分引入注意力反卷积残差块,使本模型可以学习并利用全局信息,从而选择性地强调关键通道的内容特征,抑制无用特征,能提高模型去噪的性能。在2个私有数据集和2个公开数据集上对该模型进行定性评估和定量分析,与一些先进的方法相比,该模型的去噪性能有显著提升,并在噪声抑制以及结构保持方面具有良好的效果。     

基于稀疏表示的Shearlet域SAR图像去噪

该文通过分析SAR图像的噪声成因以及其斑点噪声模型,结合图像的稀疏表示理论提出一种基于稀疏表示的Shearlet域SAR图像去噪算法。算法从整体上对SAR图像进行去噪:首先对SAR图像进行Shearlet变换,然后利用稀疏表示模型构造出去噪的最优化模型,在此基础上进行迭代去噪,然后重构SAR图像得到去噪后的图像。实验结果表明:该文所提出的算法不仅可以显著去除相干斑噪声,提高去噪图像的峰值信噪比(Peak Signal to Noise Ratio, PSNR),还明显地改善了图像的视觉效果,更好地保留了图像纹理信息。     

红外热波无损检测图像噪声分析与抑制

分析了红外热波检测图像中噪声生成机理,针对图像的噪声去除增强问题,提出了一种改进的非线性偏微分方程的热波检测图像去噪增强方法。对偏微分方程在图像处理应用中的理论基础进行研究,针对现有的偏微分方程模型在图像去噪中存在的问题,并结合热波图像的特点,改进相应的偏微分方程数学模型,在此基础上对获得原始热图进行编程处理,试验结果表明：经过处理后的图像信噪比提高,对比度得到了改善,为后续的缺陷提取及损伤识别奠定了基础。     

合成孔径雷达图像斑点噪声抑制与滤波

斑点噪声的存在,严重阻碍了合成孔径雷达（SAR）图像的应用。根据斑点噪声的形成机理,分析并比较了抑制SAR斑点噪声的传统滤波算法及统计滤波算法的原理,利用ERS-2的SAR图像数据比较了这几种算法对SAR图像斑点噪声的滤除效果,根据噪声滤波效果评价参数得出Gamma滤波抑制斑点噪声的综合性能最好。     

基于混合阶偏微分方程的超声图像降噪

针对偏微分方程在医学超声图像处理中的斑点噪声滤除问题,在全变分去噪模型和四阶LLT降噪模型的基础上,提出一种针对医学超声图像的混合阶变分降噪方法。该方法引入二阶全变分和四阶偏微分的混合阶偏微分方程作为正则项,并利用斑点噪声分布构建保真项。用标准测试数据和真实数据对所提混合阶变分降噪模型进行验证,试验结果表明,该模型在有效滤除超声图像斑点噪声的同时,能较好地保护图像的边缘和纹理细节信息。处理后的图像在峰值信噪比PSNR、均方误差MSE、运行效率方面均优于全变分和LLT模型。     

基于双注意力机制的医学超声图像降噪模型

医学超声图像中会不可避免地产生斑点噪声。为有效去除医学超声图像中的噪声,本研究团队提出了一种基于双注意力机制的医学超声图像降噪模型。首先,针对医学超声图像数量有限的问题,对伯克利分割数据集中的400张图像进行旋转和缩放,获得23700张自然图像,再通过斑点噪声模型对其添加斑点噪声来模拟超声图像;接着,在构建降噪模型过程中,针对传统卷积神经网络在特征提取时存在的一些不足,分别引入位置注意力机制、通道注意力机制和全卷积网络对现有模型进行改进,构建更优的超声图像降噪模型;最后,在模型训练过程中,为防止梯度消失引入了批量归一化操作。实验结果表明：从视觉观察效果和客观评价指标来看,所提模型对11张模拟超声图像和2张真实超声图像（物理体膜超声图像和肝脏超声图像）的去噪效果均优于对比模型。所提模型是一种有效的医学超声图像降噪模型,不仅有效降低了斑点噪声,还较好地保留了图像的细节信息。     

一种改进的各向异性扩散去噪算法

平滑图像中的噪声是数字图像处理中非常重要的组成部分。在图像处理过程中,为了有效地实现保边缘平滑,在各向异性扩散模型和含有噪声的图像数据统计特性的基础上,提出了一个能自适应地获取参数的各向异性扩散去噪模型。该模型针对不同程度的噪声图像采用不同的参数值。实验结果表明,改进后的各向异性扩散模型的性能优于Perona-Malik模型,是一种较为理想的保边缘平滑模型。     

谱域OCT光谱分析及图像噪声消除方法

在谱域OCT系统中,成像过程存在原理性噪声以及系统暗噪声,影响了图像质量,造成图像信噪比降低,图像局部结构信息缺失,因此,对谱域OCT系统的干涉光谱成分和光谱噪声的形成机制进行分析,提出了针对干涉光谱解耦的噪声处理方法。对单层薄膜成像实验,得到了薄膜的二维层析图像,实验结果表明,噪声消除方法对薄膜的成像处理简单有效,能够显著提高图像质量。     

基于经验模式分解法的光学相干层析成像去噪研究

针对光学相干层析(OCT,optical coherence tomography)成像中存在的散斑噪声和扫描噪声,提出了采用经验模式分解(EMD,empirical mode decomposition)算法同时减小这两种噪声的思想。EMD是一种时频分析法,较傅立叶谱法能准确地确定时变非平稳的这两种噪声随时间变化的频率特性,从而获得更好的滤波效果。结果表明,通过合理设计EMD滤波参数,即可有效地同时减小散斑噪声和扫描噪声,信号的信噪比(SNR)提高(不考虑扫描噪声时,SNR达7dB左右,考虑到扫描噪声时,SNR提高达3dB左右),扫描噪声的条纹对比度降低60%以上,改善了成像质量,同时图像细节得到保留。与小波去噪法相比,本文方法具有滤波器设计简单、去噪效果明显及能同时有效地去除两种噪声的优点。     

基于模糊PCNN的小波域超声医学图像去噪方法

在分析了斑点噪声和PCNN的特点的基础上,将PCNN引入到小波域中,并结合小波软阈值去噪思想,提出了基于PCNN的超声医学图像软阈值去噪方法(ST-PCNN),该方法的优点是实现了在小波域中利用PCNN来识别高频信号的小波系数,并采用相应的方法处理小波系数,改善了PCNN难以确定斑点噪声的位置和采用固定阈值造成高频信号损失的缺点,更好的保留了低于固定阈值的高频信号的小波系数;在此基础上,将模糊算法引入到PCNN模型中,进一步提出了基于模糊PCNN的小波域超声医学图像去噪方法(F-PCNN-WD),该方法利用模糊算法来去除PCNN点火过程中大于点火阈值的斑点噪声的小波系数,以更好的去除斑点噪声。实验结果表明,ST-PCNN和F-PCNN-WD方法不仅能够有效地去除噪声,而且能够很好的保留图像的边缘和细节信息。     

Speckle noise removal based on structural convolutional neural networks with feature fusion for medical image

Application of convolutional neural networks (CNNs) for image additive white Gaussian noise (AWGN) removal has attracted considerable attentions with the rapid development of deep learning in recent years. However, the work of image multiplicative speckle noise removal is rarely done. Moreover, most of the existing speckle noise removal algorithms are based on traditional methods with human priori knowledge, which means that the parameters of the algorithms need to be set manually. Nowadays, deep learning methods show clear advantages on image feature extraction. Multiplicative speckle noise is very common in real life images, especially in medical images. In this paper, a novel neural network structure is proposed to recover noisy images with speckle noise. Our proposed method mainly consists of three subnetworks. One network is rough clean image estimate subnetwork. Another is subnetwork of noise estimation. The last one is an information fusion network based on U-Net and several convolutional layers. Different from the existing speckle denoising model based on the statistics of images, the proposed network model can handle speckle denoising of different noise levels with an end-to-end trainable model. Extensive experimental results on several test datasets clearly demonstrate the superior performance of our proposed network over state-of-the-arts in terms of quantitative metrics and visual quality.     

Restoration of speckle noise corrupted SAR images using regularization by denoising

Speckle noise removal is a well-established problem in synthetic aperture radar (SAR) image processing. Among different methods focused on the reconstruction of SAR images, variational models have achieved state-of-the-art performance. In this paper, a Rayleigh based speckle reduction algorithm is developed using the variational framework. The forward model is combined with recently proposed regularization by denoising (RED) prior. However, RED has been proposed in literature for the additive noise model. Multiplicative noise in SAR images prevents the direct application of RED to variational models. Hence, logarithm transformation is applied to change the multiplicative noise model to additive model, and the forward model from Rayleigh to Fisher–Tippett distribution. The resulting optimization problem is solved using the alternating direction method of multipliers. Further, the proof of the convergence analysis is carried out for the above framework. Simulations convey that the proposed method has better despeckling performance compared to that of state-of-the-art methods.     

基于改进正则化方法的SAR图像增强技术

常规SAR成像算法分辨率受系统带宽限制，并存在严重的相干斑干扰，不利于提取图像特征。正则化方法通过施加先验信息的约束，可以获得稳健的重建图像，由于SAR图像动态范围非常大，直接利用正则化方法重建图像，图像的细节特征不明显，本文采用改进正则化方法，以图像模值的对数变换作为势函数变量，有效的增强了图像细节特征。     

基于几何模型的SAR图像斑点噪声的抑制

斑点噪声的抑制一直是合成孔径雷达(SAR)图像处理的重要研究课题。本文利用几何模型对合成孔径雷达图像进行滤波。通过对几何模型除噪性能进行分析,提出了一个数值计算的改进格式。新的迭代格式能较好地保留图像的边缘、尖点和细节信息。最后对合成孔径雷达图像进行去噪实验,与小波阈值除噪、Lee滤波进行比较具有更好的滤波效果。     

一种基于斑点抑制的SAR图像舰船航迹检测算法

该文分析了合成孔径雷达(SAR)图像中舰船航迹的特性和斑点噪声模型及其局部统计特性。在此基础上,提出了一种先基于小波变换进行斑点噪声抑制,再基于Radon变换进行航迹检测的方法。对数据处理的结果表明,该方法较直接对SAR图像应用Radon变换能更有效、准确地检测到SAR图像中的舰船航迹。     

一种基于目标提取的空间观测图像预处理算法

在深入分析空间观测图像中,像素灰度在空间和帧间分布特征的基础上,提出一种基于目标提取的空间观测图像预处理算法,算法包括:噪声分布参数估计、盲元定位与补偿、图像降噪、图像分割以及目标提取等步骤.实验结果表明,该算法能够抑制不均匀星空背景,提取观测图像中的恒星星点和卫星星点,同时使图像信噪比在预处理完成之后有所提高.     

一种基于各向异性尺度空间的SAR图像匹配算法

针对斑点噪声对合成孔径(SAR)图像匹配算法的影响,提出了一种基于各向异性尺度空间的SAR图像匹配算法。首先,采用加性算子分裂算法解方案来构建各向异性尺度空间,在滤除斑点噪声的同时更好地保留图像细节;然后,在非线性尺度空间中提取特征点,并采用改进的SURF描述子描述特征,弱化斑点噪声对匹配的影响;最后,采用变换参数约束策略筛选匹配点对,提高匹配正确率。该方法既保持了同名点的精度还增加了同名点的数量,通过对不同极化、时相、波段以及不同视角下多种地物的匹配实验,验证了该方法的优越性。