结合自适应TV模型和分水岭变换的图像分割算法

针对传统分水岭算法对噪声敏感,易出现过分割的现象,提出一种自适应全变分模型和标记分水岭算法相结合的图像分割算法。采用自适应全变分模型对原始图像进行滤波处理,平滑去噪的同时保留图像的边缘信息;求解其多尺度形态学梯度图像,并用基于最大熵的扩展极小值技术获得的前景和背景标记并对其多尺度梯度图像修改;对修改后的梯度图像进行分水岭变换,实现准确的分割。对比常用和相似的图像分割算法,实验结果表明,该算法在抗噪性、运行时间和分割交并比上有一定的优势。尤其是在噪声强、灰度值接近的医学图像上能够获得合理有意义的分割区域,效果良好。     

基于分数阶图像增强的P-M模型

P-M扩散模型是图像处理中用于去噪平滑的经典模型,但在实际应用中常会出现零散的斑点。为了去除残存的噪点,通常采用平滑处理来消除高梯度的噪声,但这又模糊了边缘,损失了细节信息。从此问题入手,采用在噪声图像平滑处理后,应用分数阶微分来锐化图像,由于分数阶微分的非线性特性,此方法可以在增强边缘特征的同时不明显加强噪声信息。实验证明,通过文中方法的处理,图像质量和信噪比都有了明显提升。     

三维医学图像的混合噪声去除方法

针对医学图像在采集传输等过程中易受噪声污染,且目前多数去噪方法对混合噪声去噪效果不好,影响三维重构精度的问题,提出了基于自适应三维分数阶积分和中值滤波结合的混合噪声去除方法。首先介绍了几种传统方法在去除混合噪声中的不足,然后基于三维图像梯度信息提出了三维分数阶积分的自适应分数阶阶数,利用分数阶积分和中值滤波的各自优点,将两者结合对混合噪声去噪,并提出了基于混合去噪的边缘曲面追踪算法。实验结果和数据分析表明,提出的混合去噪方法能够从噪声污染的医学图像切片中追踪出高精度边缘曲面,与传统去噪方法相比,具有更好的去噪效果。     

一种基于卷积运算与全变分模型的图像去噪方法

梯度模值较易受到外界影响,导致全变分模型在大噪声点处往往不能很好地消除噪声,从而产生阶梯效应。针对该问题,提出了一种基于卷积运算与全变分模型的图像去噪方法。首先,针对以扩散形式获得的图像像素点进行卷积运算,利用滤波去噪降低大噪声点的灰度值;其次,以能量泛函形式构建图像全变分模型,并求解泛函对应的拉格朗日方程极小值来实现图像去噪;最后,将去噪后图像作为双边滤波算法的引导图像进行二次去噪,从而进一步提升图像去噪质量。仿真实验结果表明,与经典方法相比,该模型对去噪过程中的阶梯效应问题具有较好的处理效果。     

一种改进的自适应分数阶积分图像去噪算法

为了改善图像去噪的效果,提出一种基于分数阶积分和中值滤波的改进自适应图像去噪算法,首先利用自适应中值滤波算法(Ranked-order Based Adaptive Median Filter,RAMF)中的噪声判别条件来检测噪声点,然后利用"噪声边缘"判别函数对其中的可疑噪声点进行二次检测,同时根据图像的局部统计信息和结构特征构造自适应的分数阶阶次,最后将检测出的噪声点进行自适应的分数阶积分滤波去噪。与传统的分数阶积分去噪算法相比,该自适应算法有效地保留了被错误误去除的图像边缘点,并且实现了分数阶积分的阶次自适应化,在去除噪声的同时很好地保留了图像的边缘及纹理细节信息。     

分数阶微分算子增强图像边缘和纹理

为了提高增强图像边缘和纹理的能力,分析了分数阶微分算子频域特性,大幅提升信号高频成分同时增强信号的中频成分以及非线性保留信号的甚低频成分,据此可增强图像的边缘信息和纹理细节信息。从分数阶微分定义出发,构建了近似微分算子模板及线性滤波算法。考虑到边缘和纹理具有方向性、空间邻域内像素的关联性以及相邻像素灰度值的相近性,提出在3×3模板窗口内,取中心点四个方向最大值为增强值。实验结果表明,本文提出的分数阶微分算子能明显地增强图像的边缘和纹理信息,增强后图像清晰度提高,视觉效果明显。     

高噪声率红外图像直方图加权滤波算法

针对高噪声率红外图像,提出一种基于邻域相关度量的滤波算法(HWF).以图像灰度相关理论为基础,分析了盐椒噪声对红外图像灰度分布和灰度差分布的影响.盐椒噪声改变红外图像灰度直方图的相对幅值,但不改变其基本形状,高噪声率红外图像直方图保留了原始图像的灰度分布信息.定义了邻域相关系数以描述像素作为有效信号点的概率.用邻域相关系数作为滤波处理的强度指数,自适应调整处理窗内各像素在邻域加权滤波算法中的权重.灰度直方图体现了对原始信息的保留,邻域相关系数体现了对有效信号和噪声信号的识别和区别处理.实验表明,对于高噪声率红外图像,HWF算法具有良好去噪效果和细节保持能力.     

严重椒盐噪声污染图像的非线性滤波算法

针对灰度图像的椒盐噪声滤波问题，提出一种保细节的非线性滤波算法。利用局部统计信息，首先将图像像素点粗分为信号点、可能的正噪声点和可能的负噪声点3类，建立噪声标矩阵；然后再根据噪声标记矩阵的局部统计信息，将可能的噪声点细分为信号点、噪声点和不确定点3种类别，并分别采用不同的方法进行滤波，以保留更多的图像细节。结果表明，本文算法在去噪能力、自适应性以及保留细节等方面都明显比其它4种算法强，尤其是对于噪声高度污染图像的情况。     

分数阶微分局部强反射的去噪方法应用

针对具有强反射的表面光条图像出现散斑或复合散斑等严重噪声情况,该文提出一种利用分数阶微分增强的图像去噪声的处理算法,突出噪声的颗粒化特征,通过连通区域面积统计的方法对有效连续光条进行分离并去除散斑噪声,获得有效光条图像,最后利用灰度重心法提取有效光条的中心。经实验对比,该方法得到的信息熵值和光条中心提取精度都显著提高,体现了分数阶微分算法增强图像高频信息的同时,有效保留更多的低频信息的特点,保留了更多的图像纹理细节,显著提高了特征光条中心提取精度。     

基于分数阶微分算子与高斯曲率相结合的自适应图像去噪

文中提出分数阶微分算子和高斯曲率相结合的自适应图像去噪方法。将高斯曲率引入偏微分方程模型中,由图像梯度进行边缘检测,再结合高斯曲率和分数阶微分算子的性质,由图像的局部方差建立分数阶微分算子,构建基于分数阶微分算子的自适应图像去噪模型,进行自适应地扩散去噪。结果表明,新算法性能优异,内部信息保护更具完整性,有利于实际应用。     

基于ILDP的噪声鲁棒人脸识别

针对局部方向模式(LDP)采样不充分和对噪声敏感的缺点,提出了一种改进的LDP(ILDP)人脸描述方法,利用局部井型邻域的梯度信息描述人脸特征。首先,将中心像素的井型邻域根据采样半径分成两个3×3的子邻域,每个子邻域包含按照原来相对位置排列的8个像素;然后,将两个子邻域与Kirsch模板卷积分别得到两组边缘梯度值,ILDP仅使用两组梯度值中各自最大值的方向编码成一个二位八进制数,产生ILDP码;最后,在人脸描述阶段将人脸图像进行分块并把每块转换成ILDP图,再对ILDP图进行直方图统计,将所有子块的直方图连接生成人脸特征。实验结果表明,ILDP比其它同类基于局部纹理特征的单一人脸描述器在对抗随机噪声方面更具鲁棒性。     

去除图像椒盐噪声的双向预测算法及其改进

在去除图像噪声的同时,如何避免图像细节信息的损失和边缘的模糊,是图像处理技术中的一个难点.针对灰度图像中存在的椒盐噪声问题,提出了基于双向预测算法的去噪方法.首先根据椒盐噪声的特点,判断图像像素是信号像素还是噪声像素.对于信号像素,保持灰度值不变;对于噪声像素,利用双向预测的方法来确定处理后该像素点的灰度值.针对上述方法中存在的不足之处,又提出了一种改进方案.改进方案在对噪声像素处理时,根据像素之间的相关性和像素本身的性质自适应地确定预测器的预测系数,提高了预测算法的去噪性能.实验结果表明,本文算法具有良好的去噪特性及细节保持特性.     

采用双通道卷积神经网络构建的随机脉冲噪声深度降噪模型

为提高对随机脉冲噪声(RVIN)图像的降噪效果,该文提出一种被称为双通道降噪卷积神经网络(D-DnCNN)的RVIN深度降噪模型。首先,提取多个不同阶对数差值排序(ROLD)统计值及1个边缘特征统计值构成描述图块中心像素点是否为RVIN噪声的噪声感知特征矢量。其次,利用预先训练好的深度置信网络(DBN)预测模型实现特征矢量到噪声标签的映射,完成对噪声图像中噪声点的检测。再次,在噪声检测标签的指示下采用Delaunay三角剖分插值算法快速修复噪声像素点从而获得初步复原图像。最后,将初步复原图像作为参考图像与噪声图像联接(concatenate)后输入D-DnCNN模型后获得残差图像,将参考图像减去残差图像即可获得降噪后图像。实验数据表明:D-DnCNN模型在各个噪声比例下的降噪效果均显著超过了现有的经典开关型RVIN降噪算法,与普通的单通道RVIN深度降噪模型相比也有较大幅度提升。     

基于极值检测的图像滤波算法

针对极值中值滤波法在去除椒盐噪声时存在的不足,提出了一种改进的图像滤波算法.首先使用极值法检测图像中的噪声点,然后采用窗口由小到大变化的自适应算法得到噪声像素的滤波值,最后通过计算噪声像素滤波前后灰度值的差值来修正被误判像素的灰度值.对不同类型、受不同强度噪声污染图像的去噪实验表明,该方法在不同噪声率下均优于传统的中值滤波法及其一些改进算法,当噪声率较大时其去噪和保边性能得到了显著提高.     

基于支持向量机(SVM)的图像去噪方法

提出了一种基于支持向量机进行图像去噪的方法。该方法利用支持向量回归技术构造图像去噪所需的滤波器．其中特征的提取和训练样本的设计旨在抑制不同类型的噪声。实验结果表明，该方法能够有效去除噪声，并能较好地保护边缘信息，适用于边缘检测等操作的预处理。     

A neutrosophic filter for high-density Salt and Pepper noise based on pixel-wise adaptive smoothing parameter

Image indeterminacy has been neglected in most traditional filtering algorithms. This paper proposes a pixel-wise adaptive neutrosophic filter based on neutrosophic indeterminacy feature to remove high-level Salt-and-Pepper noise. In the proposed algorithm, the indeterminacy of a pixel is quantified by a Neutrosophic Set and innovatively exploited as an efficient characteristic of measuring the similarity of pixels. In order to adjust the smoothing parameter of the weight function pixel-wise adaptively, the uncertainty of a pixel is utilized as an indicator of image contents. Extensive experiments on numerous images demonstrate that with a 3 × 3 window, our method outperforms many existing denoising methods in terms of noise suppression and detail preservation.     

基于差分法的噪声检测和变分法的图像滤波算法

针对图像的椒盐噪声滤除算法中,在噪声检测阶段对噪声点的检测通常不够准确,在噪声恢复阶段,又缺乏对边缘信息的保护,文中提出了一种两步复原法,以用于复原被脉冲噪声破坏的模糊图像。算法将滤噪过程分为噪声检测和噪声恢复阶段。噪声检测过程中,在滑动窗口扩大当前的像素值和其他像素值之间的有序差异,来确定当前像素是否为噪声像素。而在噪声恢复过程中利用变分法,确保图像的边缘和细节。实验结果表明,文中所提检测、降噪方法在噪声密度较高的情况下,优于其他算法。     

基于非局部均值的彩色图像去噪

传统的彩色图像去噪算法通常是分层处理的,而忽略了彩色图像RGB通道之间的相关性,因此基于RGB通道联合相似度估计提出了一种新的彩色图像非局部均值去噪方法。在用非局部均值滤波对彩色图像进行去噪时,首先以目标像素为中心确定其支撑区域,然后根据多通道联合相似度估计确定权重,最后采用逐块滤波的方法对每一层进行滤波。并且针对彩色图像中含有的高斯噪声提出了一种新的噪声参数估计方法。由实验结果可以看出该算法比传统的去噪算法在PSNR和FSIM方面都有提高。因此可以看出在图像去噪过程中考虑三通道之间的相关性是必要的,同时也证明了算法的有效性。     

Combining spatial and scale-space techniques for edge detection to provide a spatially adaptive wavelet-based noise filtering algorithm

New methods for detecting edges in an image using spatial and scale-space domains are proposed. A priori knowledge about geometrical characteristics of edges is used to assign a probability factor to the chance of any pixel being on an edge. An improved double thresholding technique is introduced for spatial domain filtering. Probabilities that pixels belong to a given edge are assigned based on pixel similarity across gradient amplitudes, gradient phases and edge connectivity. The scale-space approach uses dynamic range compression to allow wavelet correlation over a wider range of scales. A probabilistic formulation is used to combine the results obtained from filtering in each domain to provide a final edge probability image which has the advantages of both spatial and scale-space domain methods. Decomposing this edge probability image with the same wavelet as the original image permits the generation of adaptive filters that can recognize the characteristics of the edges in all wavelet detail and approximation images regardless of scale. These matched filters permit significant reduction in image noise without contributing to edge distortion. The spatially adaptive wavelet noise-filtering algorithm is qualitatively and quantitatively compared to a frequency domain and two wavelet based noise suppression algorithms using both natural and computer generated noisy images.