一种新的基于非下采样Contourlet变换的图像去噪方法

提出了一种新的结合非下采样Contourlet变换(NSCT)和高斯比例混合模型的图像去噪方法.采取的主要方法为:1)通过NSCT对图像进行分解;2)根据高斯比例混合模型建立图像模型;3)利用贝叶斯估计进行图像去噪.实验结果表明,相对于已有算法,本文方法降噪效果好,在去噪性能指标和边缘保持的主观视觉上都表现出优异的性能.     

基于NSCT域压缩感知模型的路面病害图像滤波算法

针对目前路面图像滤波算法复杂度高且难以耦合噪声抑制和信号平衡的缺点,提出一种基于非下采样Contourlet变换(NSCT)域压缩采样的滤波算法。首先,使用NSCT对含噪路面病害图像进行分解,得到变换后的低频子带系数和高频子带系数;然后,对高频子带系数建立压缩感知(CS)去噪模型,并采用伪随机傅里叶矩阵对系数进行观测,之后使用分裂Bregman迭代方法对系数进行重构,得到去噪模型重建后的高频子带系数;最后,采用逆NSCT对低频子带系数和高频子带系数进行重构,得到滤波后的图像。实验结果分析表明了本文算法的有效性。     

基于二维小波收缩与非线性扩散的混合图像去噪算法

研究自适应滤波算法对改善图像质量具有重要意义.本文分析了非线性扩散和二维Haar小波收缩去噪方法之间的关系,从本质上说明了非线性扩散方法优于Haar小波收缩去噪方法.然后,给出了一种基于图像全变差(TV)模型的非线性扩散与二维Haar小波收缩相结合的混合图像去噪算法.该算法在图像小波分解的低频部分采用全变差扩散,在高频部分采用小波收缩方法.实验结果表明,混合去噪算法在计算复杂性与滤波效果上具有更好的综合性能.     

抖动状态下运动模糊图像去噪滤波方法

针对抖动状态下的运动模糊图像去噪滤波一直存在效果不佳、误差大的问题,提出并设计了基于最小化全变差与稀疏表示结合的抖动状态下运动模糊图像去噪滤波器。通过成像噪声干扰及传输信道干扰两方面对运动模糊图像产生噪声的原因进行分析,确定抖动点,采用最小化全变差法构建全变差去噪模型,并进行加权平均,引入稀疏表示法构建运动模糊图像去噪滤波器模型,达到抖动状态下运动模糊图像去噪滤波器设计的目的。实验结果表明,采用改进去噪滤波器,相比传统的去噪滤波器其去噪滤波误差、效率等均有一定的优势。     

交替使用小波去噪和全变差正则化的盲图像恢复算法

盲图像恢复就是在点扩散函数未知情况下从降质观测图像恢复出原图像.该文提出了一种交替使用小波去噪和全变差正则化的盲图像恢复算法.观测模型首先被分解成两个相互关联的子模型,这种分解转化盲恢复问题成为图像去噪和图像恢复两个问题,可以交替采用图像去噪和图像恢复算法求解.模糊辨识阶段,使用全变差正则化算法估计点扩散函数;图像恢复阶段,使用小波去噪和全变差正则化相结合的算法恢复图像.实验结果和与其它方法的比较表明该文算法能够获得更好的恢复效果.     

基于复Contourlet域非线性扩散的图像去噪

提出了一种将复Contourlet变换与非线性扩散相结合的图像去噪方法。首先对图像进行复Contourlet分解,然后高频部分和低频部分分别采用自适应对比度扩散和全变差扩散,最后重构图像。给出了实验结果,并与基于小波、基于Contourlet和基于非下采样Contourlet的非线性扩散方法的图像去噪效果进行了主观视觉上的比较,同时也依据均方差(MSE)、峰值信噪比(PSNR)等评价指标作了定量分析,且对比了各算法的运行时间。结果表明,本文提出的方法去噪效果更为优越:不但抑制噪声的能力更强,而且能够更好地保留图像原有的边缘和纹理特征。     

NSCT域红外图像改进非局部均值滤波算法

结合非下采样轮廓波变换(NSCT),提出了一种红外图像改进非局部均值滤波算法(Improved Non-local Means Filtering,INLMF)。该算法首先对红外噪声图像进行多尺度NSCT变换,其次分别从相似图像块自适应划分方法以及滤波权重计算方法 2个方面对经典非局部均值滤波算法进行适当改进,将改进后的非局部均值滤波算法(INLMF)应用于处理高频分解系数,然后将滤波后的高频分解系数与低频分解系数进行重构,得到去噪后的图像,最后对去噪后图像采用非负支撑域有限递归逆滤波(Non-negativity and Support Constraints Recursive Inverse Filtering,NAS-RIF)算法进行图像复原,以尽可能消除因滤波造成的图像失真。测试结果表明,本文算法滤波效果优于NLMF及其已有的改进算法。     

结合NSST和快速非局部均值滤波的刀具图像去噪

为消除基于图像处理的刀具磨损检测中的图像噪声,提出了结合非下采样Shearlet变换(Non-subsampled Shearlet Transform, NSST)和快速非局部均值(Fast Non-local Means, FNLM)滤波的图像去噪方法。首先,利用基于决策的非对称剪切中值(Decision Based Un-symmetric Trimmed Median, DBUTM)方法滤除图像中的椒盐噪声;然后,对图像进行NSST多尺度分解,得到一个低频子带和一系列高频子带;最后,分别使用FNLM滤波和各向异性扩散模型调整低频和高频子带系数,并由调整后的各子带系数重构出噪声滤除后的图像。实验结果表明,与基于小波的阈值收缩方法、基于Contourlet的全变差模型结合各向异性扩散方法、基于NSST和标准非局部均值滤波方法相比,本文方法在主观视觉去噪效果、峰值信噪比、结构相似度以及处理速度等4个方面性能更优。      

基于非下采样Contourlet域高斯尺度混合模型的图像降噪

提出了一种图像去噪方法,将高斯尺度混合(GSM)模型引入非下采样Contourlet变换(NSCT)域,构造了基于NSCT分解系数的邻域模型,并利用Bayes最小均方(BLS)估计进行局部去噪。仿真实验结果表明,通过本文提出的方法能够有效去除高斯噪声,较完整地保持图像中的边缘等细节信息,在峰值信噪比(PSNR)提高与视觉效果上优于其它的去噪方法。实验结果验证了方法的正确性。     

一种基于图割的全变差图像去噪算法

本文提出一种基于图割的全变差(TV)图像去噪算法.该算法将全变差去噪模型的能量函数最小化问题转化为图的最小割问题,然后采用图割技术(最大流/最小割算法)求得能量函数的全局最优解.并给出了去噪模型中,均衡系数的自适应设定方案.实验结果及分析表明,该算法能有效抑制以往最小化方法产生的阶梯效应,具有较优的复原效果.     

An edge fusion scheme for image denoising based on anisotropic diffusion models

In this paper, we propose an enhanced anisotropic diffusion model. The improved model can classify finely image information as smooth regions, edges, corners and isolated noises by characteristic parameters and gradient variance parameter. And for different image information the eigenvalues of diffusion tensor are designed to conduct adaptive diffusion. Moreover, an edge fusion scheme is posed to preserve edges after denoising by combing different denoising and edge detection methods. Firstly, different denoising methods are applied for noisy image to obtain denoised images, and the best method among them is selected as main method. Then edge images of denoised images are obtained by edge detection methods. Finally, by fusing edge images together more integrated edges can be achieved to replace edges of denoised image obtained by main method. The experimental results show the proposed model can denoise meanwhile preserve edges and corners, and the edge fusion scheme is accurate and effective.     

基于图像局部方向特性的自适应全变分去噪模型

针对全变分模型(total variation,TV)以图像的梯度信息作为去噪的尺度参数,未考虑图像局部纹理的方向性的缺点,提出了一种基于图像局部方向特性的自适应全变分去噪模型(Adaptive directional total variation,ADTV),并推导出该模型的迭代数值求解过程。在该模型中,首先,计算出图像局部方向的角度矩阵。然后,构造与图像纹理方向一致的椭圆区域代替TV模型的圆形区域。最后,通过优化最小化算法迭代求解以获得去噪后图像。通过对比实验证明,本文提出的模型取得了更高的峰值信噪比,去噪过程中更好地增强了图像的细节信息。     

NSCT域自适应人脸图像光照不变特征提取

为了减少光照变化对人脸识别算法的影响,提出了一种基于非下采样Contourlet变换(NSCT,nonsubsampled contourlet transform)的光照不变特征提取方法。人脸图像经过对数变换(LT)后,利用NSCT进行分解,得到图像的低频子带和高频方向子带;根据高频子带中NSCT系数的概率分布,给出各子带的自适应阈值,并采用折衷阈值函数进行滤波;对滤波后的子带进行NSCT逆变换,得到人脸图像的光照不变特征。在Extended Yale B和CMU PIE人脸数据库上的实验结果表明,本文方法能有效减少光照影响,显著提高了识别率。     

基于NSCT和PCNN的可见光与红外图像融合算法

提出了一种基于Contourlet变换的非下采样变换(Nonsubsampled ContourletTransform,NSCT)和脉冲耦合神经网络(Pulse Coupled Neural Network,PCNN)的可见光与红外图像融合算法。该算法首先对源图像进行NSCT分解,得到低频子带系数和各带通方向子带系数。然后对低频子带系数提出一种基于可见光与红外图像自身特性的加权平均融合方法,再对各带通子带系数提出基于PCNN的融合方法。最后经过NSCT逆变换得到融合图像。实验证明,该方法优于小波方法和传统的NSCT方法。     

基于非下采样Contourlet域局部高斯模型和MAP的SAR图像相干斑抑制

 对SAR图像应用非对数加性模型,通过研究SAR图像中同质区域在非下采样Contourlet域的分布特性,提出对非下采样Contourlet域中、与同质区域相对应的平稳区域的非对数加性噪声使用高斯分布建模。基于该模型,利用局部滑动窗口和对非对数加性噪声方差的自适应估计,在最大后验准则的基础之上求得真实信号的非下采样Contourlet系数。由于未对图像进行对数变换,本文算法很好地保持了原始图像的辐射特性,相干斑被有效地抑制,均匀区域很少有伪吉布斯效应,同时边缘纹理清晰。无论视觉效果还是客观评价指标本文算法都优于许多现存的抑斑算法。     

一种利用像素分类的自适应小波图像降噪方法

提出了一种结合像素分类与小波变换的图像去噪方法.首先用常用方法获得初步去噪图像,并将其分割为若干图像块,分别计算每个图像块的空间频率.利用归一化的空间频率,对不同的图像块采用不同的阈值进行去噪,空间频率高的图像块采用较小的阈值,反之采用较大阈值去噪.实验结果表明:该方法可在初步去噪图像的基础上进一步提高图像去噪的效果,同时较好地保持图像细节;其去噪效果优于常用的小波图像去噪方法,峰值信噪比(PSNR)相对常用方法最高可提高3.4 dB.     

一种快速的基于稀疏表示和非下采样轮廓波变换的图像融合算法

为了提高图像融合的效率和质量,该文提出一种基于快速非下采样轮廓波变换(NSCT)和4方向稀疏表示的图像融合算法。该方法首先对源图像进行快速NSCT分解,生成一系列低通和高通子带。对于低频子带,利用自适应生成的DCT过完备字典进行快速的4方向稀疏表示和系数融合;对于高频子带,则利用高斯加权区域能量最大的融合规则进行系数融合。快速NSCT将传统NSCT的树形滤波结构转变为多通道滤波结构,能成倍提高分解效率;快速的稀疏融合则抛弃了传统的滑动窗口方法,以水平、垂直、对角线4个方向进行稀疏表示和稀疏融合,进一步提高算法效率。实验结果表明,提出的快速算法能在不影响融合质量的条件下将算法效率提高近20倍。     

基于TLS的正交小波变换红外图像去噪

提出了一种基于总体最小二乘的正交小波变换红外图像去噪算法。对红外图像进行离散正交小波变换,分别对各个分解层的高频子带,通过总体最小二乘算法估计小波系数,获得各个高频子带信号的估计系数,然后通过正交小波反变换得到去噪图像。仿真结果表明,该红外图像去噪算法能有效去除加性红外图像噪声,在信噪比、直方图匹配等方面都有较大改善,并获得了良好的主观视觉效果。     

Image denoising by supervised adaptive fusion of decomposed images restored using wave atom,curvelet and wavelet transform

This paper presents an efficient image denoising method that adaptively combines the features of wavelets, wave atoms and curvelets. Wavelet shrinkage is used to denoise the smooth regions in the image while wave atoms are employed to denoise the textures, and the edges will take advantage of curvelet denoising. The received noisy image is firstly decomposed into a homogenous (smooth/cartoon) part and a textural part. The cartoon part of the noisy image is denoised using wavelet transform, and the texture part of the noisy image is denoised using wave atoms. The two denoised images are then fused adaptively. For adaptive fusion, different weights are chosen from the variance map of the denoised texture image. Further improvement in denoising results is achieved by denoising the edges through curvelet transform. The information about edge location is gathered from the variance map of denoised cartoon image. The denoised image results in perfect presentation of the smooth regions and efficient preservation of textures and edges in the image.