一种基于梯度保真项的图像去噪法

为了解决P-M模型的＂阶梯＂效应,在原有的扩散方程中引入梯度保真约束项,提出了一种基于梯度保真项的非线性扩散图像去噪方法。利用该方法能得到分段光滑的结果,视觉效果更自然。     

总变差去噪方法中结合局部结构信息的自适应保真项

提出一种自适应保真项用于总变差去噪方法．在讨论了局部结构描述子应满足2个必要条件的基础上,分析了线性结构张量在提取局部结构信息中的不足;将非线性结构张量用于构造自适应保真项,使得总变差去噪方法具有更好的去噪能力．实验结果表明：该方法能够很好地保持目标的边缘、尖角等几何结构．     

一种改进的各向异性全变差去噪模型

全变差（TV）正则化模型是最经典的去噪模型,利用分裂的Bregman迭代算法可以简单有效地求解该模型。结合TV-L1模型和OSV模型,提出了一种改进的各向异性全变差去噪模型,并且利用分裂的Bregman迭代算法进行求解。通过数值实验可以看出改进的模型保护了恢复图像的边缘,突出了几何特征和纹理,使其更加清晰,去噪效果比原模型有所提高。     

一种改进的各向异性扩散模型去噪方法

本文通过扫描模型的每个采样点拟合出一个二元二次多项式,运用高斯滤波进行预处理,然后对J.Weickert的各向异性扩散模型进行了改进,添加判定矩阵,建立一种判定规则,在一定程度上优化了J.Weickert模型.实验表明:新的模型能更好的达到去噪的效果。     

自适应非局部数据保真项和双边总变分的图像去噪模型

针对常见去噪方法容易造成特定区域过度平滑、奇异结构残余噪声以及产生阶梯效应和对比度损失等问题,提出一种自适应非局部数据保真项和双边总变分的图像去噪模型,建立了自适应非局部正则化能量泛函和相应的变分框架。首先,对噪声图像利用自适应权值的非局部均值求得数据拟合项;其次,引入双边总变分正则化项,利用正则化系数来适度平衡数据拟合项和正则化项的影响;最后,通过能量函数最小化对不同的噪声统计快速求得最优解,从而达到降低残余噪声并纠正过度平滑的目的。通过理论分析和针对模拟噪声图像与真实噪声图像的实验结果表明,所提出的图像去噪模型能够较好地处理具有不同统计特性的图像噪声,与自适应非局部均值滤波去噪相比,所提算法的峰值信噪比（PSNR）值最多可以得到0.6 dB的改善;与全变分正则化图像去噪算法比较,所提算法的主观视觉效果明显更好,在去噪的同时图像纹理和边缘等细节信息保护得更好,PSNR值最多可以提高10 dB,而多尺度结构相似性度（MS-SSIM）指标可以提升0.3。因此,所提出的图像去噪模型可以在理论上更好地探讨如何合理处理噪声和图像内容本身的高频细节信息,在视频和图像分辨率提升等领域也具有良好的实际应用价值。     

图像平滑的自适应保真全变分模型

提出一种自适应保真的全变分平滑模型,证明其解的稳定性。结合各向同性和全变分的优点,利用扩散系数构造保真项,从而增强图像边缘,该模型根据图像的梯度信息确定门限值进而选择合适的图像平滑方法。在去除噪声和保持边缘的同时避免了“阶梯”效应,实验结果表明,该模型能有效地去除噪声,提高图像的峰值信噪比。     

自适应总体变差图像去噪算法的扩散系数研究

自适应总体变差算法可以解决总体变差算法无法实现去噪的同时保留图像的细节纹理.对该算法的扩散系数研究表明当算法满足如下性质:φ'(|grad(I)|)≥0,φ"(|grad(I)|)≥0;当扩散系数法向量方向的值为'(|grad(I)|)/|grad(I)|,扩散系数切向量方向的值为φ"(|grad(I)|),并且|grad(I)|→ ∞时,法向量方向的值趋于0,法向量与切向量的比值趋于0;当|grad(I)|→0时,法向量方向和切向量方向的值均大于0时可以取得较好的试验结果,并认为最小曲面函数是合适的扩散系数.     

分数阶原始对偶去噪模型及其数值算法

目的：本文结合分数阶微积分理论和对偶理论,提出了一种与分数阶ROF去噪模型等价的分数阶原始对偶模型。从理论上分析了该模型与具有鞍点结构的优化模型在结构上的相似性,从而可使用求解鞍点问题的数值算法求解该模型。方法：使用求解鞍点问题的基于预解式的原始对偶算法对提出模型进行求解,并采用自适应变步长迭代优化策略提高寻优效率,弥补了传统数值算法对步长要求过高的缺陷。同时论证了确保算法收敛性的参数取值范围。结果：实验结果表明,提出的分数阶原始对偶模型能够有效地抑制“阶梯效应”,保护纹理和细节信息,同时采用的数值算法具有较快的收敛速度。结论：本文提出了一种分数阶原始对偶去噪模型,该模型可采用一种基于预解式的原始对偶算法进行求解。实验结果表明,提出的模型能有效改善图像的视觉效果,采用的数值算法能有效快速收敛。     

一种改进的基于贝叶斯阈值萎缩去噪算法

基于对小波分析理论的深入学习,本文对小波阈值萎缩去噪方法的关键环节进行了研究,重点研究了小波贝叶斯阈值萎缩去噪方法在图像去噪中的应用.本文在分析小波系数的分布特点的基础上,基于空间自适应阈值的思想提出了一种新的自适应贝叶斯阈值萎缩去噪算法,仿真实验效果良好.     

一种PDE图像分解去噪模型及算法

通过分析ROF(Rudin,Osher and Fatemi)模型和LLT（lysaker,lundervold and Tai)模型在处理噪声图像时存在的缺陷,以及纹理部分和噪声部分之间的差异,将图像分解思想和ROF模型与LLT模型相结合,提出了一种新的分解去噪模型：DD(decomposition and denoising)模型。该模型在处理噪声图像时,将噪声图像分解为结构、纹理和噪声3部分,从而达到既去噪又能分解的目的。进一步通过仿真试验,验证了DD模型和算法的合理性及有效性。     

双向增强扩散滤波的图像去噪模型

提出一种双向增强扩散滤波的图像去噪模型。简化扩散方程建立双向扩散系数,使模型在扩散过程中能够实现平滑与锐化的双向过程,为加强平滑和锐化强度,用小波变换增强图像,使整体图像轮廓得到增强和局部图像纹理特征得到弱化。然后,对阈值进行了自适应设计和改进,使其根据图像的最大灰度值和迭代次数自动控制阈值,进一步保留图像边缘和细节特征。实验仿真和可行性的验证结果表明,新模型去噪效果较理想,不但能抑制噪声,而且能保护细节信息,峰值信噪比得到了有效的提高,性能更优越。     

引入耦合梯度保真项的非线性扩散图像去噪方法

利用二阶的非线性扩散方程进行图像去噪易产生具有“阶越效应”的去噪结果,也即使分段光滑的图像变为分段常量的.针对低阶非线性扩散去噪方法的不足,通过在原有的扩散方程中引入从梯度保真约束项导出的Euler-Lagrange方程,提出了耦合梯度保真项的非线性扩散图像去噪方法.由于梯度保真约束项考虑了去噪前后图像梯度的相似度,利用该模型能够在保持边缘的同时得到分段光滑的结果,使视觉效果更自然.证明了新模型是一个凸函数,从而保证了最优解的存在性和惟一性.还分析了从噪声图像估计梯度时引入空间正则化对最终结果的影响,并且从理论和实验两个角度分析了合理选择正则化参数的重要性.模型在有界变差函数空间中可积,使得新方法克服了高阶非线性扩散去噪方法易造成边界泄漏以及破坏图像中纹理等高频成分的不足.实验结果表明,通过耦合梯度保真项能够很好地防止“阶越效应”的产生,同时保持图像中的边缘、纹理等结构信息.     

基于自适应正则化的全变分去噪算法

Stanley Osher和Martin Burger提出的基于Bregman距离的迭代正则化全变分去噪算法运算速度较快,但是应用于图像去噪时,没有考虑不同区域的灰度分布特性,从而容易导致纹理等重要信息丢失或模糊的缺陷.针对这一现象,提出了一种基于自适应正则化的全变分去噪算法.论文对Osher的去噪模型中的全局正则化参数进行改进,给出了一种根据图像中不同区域的灰度分布特性,自适应选取正则化参数的方法.该算法可以保留图像的边缘和纹理细节信息.实验结果证实了所提算法的有效性,其信噪比较原有方法至少提高1.0 dB以上.     

一种改进的自适应数字延迟锁定辨识器时延估计方法

对自适应数字延迟锁辨识器时间延迟估计方法进行改进。以误差样本的遗忘因子加权平均来估计均方误差。从而使自适应时间迟估计的总体性能有所改善。文中给出了改进的ＡＤＤＬＤ时延估计的算法和两种遗忘因子加权平均方式，分析了其性能，并给出了计算机模拟的结果。     

基于总体最小二乘法的图像降噪

来自图像传感器的数字图像会受到各种噪声的干扰,其中主要包括加性噪声、乘性噪声和混合噪声。乘性噪声随信号幅度改变而改变,没有理想的去除方法。为此,运用基于总体最小二乘法的图像估计降噪方法,研究图像块尺寸选取对降噪性能的影响,分析成像系统中去马赛克环节影响噪声传播的内在规律,并通过比较实验给出总体最小二乘法降噪的性能优势。     

改进的TV模型图像修复算法

分析了基于TV模型的图像修复算法,针对各参考点梯度模值的大小不同,对原始模型进行了改进.该算法通过计算待修复区域像素点的梯度信息来构造一个扩散函数,利用其控制各参考点对待修复区域的贡献值,然后再进行加权处理.实验结果表明修复变化剧烈和有较大破损的图像效果较好,图像边缘清晰,过渡自然.     

结合FT与NSCT的自适应阈值去噪算法

为更好地对图像进行稀疏表示,以改善去噪效果,提出一种傅里叶变换与非下采样轮廓波变换(NSCT)相结合的自适应阈值去噪算法。在傅里叶域中对含噪图像去噪,在NSCT域中利用分层噪声估计的贝叶斯阈值算法,结合多尺度多方向的能量阈值修正方案自适应地滤除剩余噪声。实验结果表明,该算法的去噪性能较好。     

一种针对异常点的自适应回归特征选择方法

数据集中含有不相关特征和冗余特征会使学习任务难度提高,特征选择可以有效解决该问题,从而提高学习效率和学习器性能.现有的特征选择方法大多针对分类问题,面向回归问题的较少,特别是当数据集含异常点时,现有方法对异常点敏感.虽然某些方法可以通过给样本损失函数加权来提高其稳健性,但是其权值一般都已预先设定好,且在特征选择和学习器训练过程中固定不变,因此方法的自适应性不强.针对上述问题,提出了一种针对异常点的回归特征选择方法(adaptive weight LASSO, AWLASSO),它首先根据回归系数更新样本误差,并通过自适应正则项将误差大于当前阈值的样本的损失函数赋予较小权重,误差小于阈值的样本的损失函数赋予较大权重,再在更新权重后的加权损失函数下重新估计回归系数,不断迭代上述过程.AWLASSO算法采用阈值来控制样本是否参与回归系数的估计,在阈值作用下,误差较小的样本才可参与估计,所以迭代完成后会获得较优的回归系数估计.另外,AWLASSO算法的阈值不是固定不变的,而是不断增大的(为使初始回归系数估计值较准确,其初始值较小),这样误判为异常点的样本可以重新进入训练集,并保证训练集含有足够的样本.对于误差大于最大阈值的样本点,由于其学习代价较大,算法将其识别为异常点,令其损失函数权重为0,从而有效降低了异常点的影响.在构造数据和标准数据上的实验结果表明：对于含有异常点的数据集,提出的方法比经典方法具有更好的稳健性和稀疏性.