结合分块噪声估计的字典学习图像去噪算法

图像去噪是图像处理领域的重要环节,也是对图像进行后续处理的基础。近年来K-SVD字典学习去噪算法因其耗时短、去噪效果好的特点得到广泛关注和应用。但该算法的适用条件为图像的噪声为加性噪声且噪声标准差已知。针对这一情况,本文先提出一种平滑图像块筛选方法,并将其与奇异值分解(Singular Value Decomposition, SVD)相结合实现对图像的噪声标准差估计。再将得到的噪声估计方法与K-SVD字典学习去噪算法结合起来,提出一种具备噪声估计特性的K-SVD字典学习去噪算法。对多种图像的去噪实验结果表明,与Donoho小波软阈值去噪算法、全变分(Total Variation, TV)去噪算法相比,本文算法不仅能够使去噪后图像的峰值信噪比提升1~3dB,并且能较好地保留图像的细节信息和边缘特征。     

基于第二代自适应Bandelet变换彩色图像融合算法

提出基于第二代自适应Bandelet变换彩色图像融合算法。该算法引入了表现彩色图像灰度正则变化的几何流,对几何规则彩色图像,Bandelet基可以达到最佳逼近,可以很好地获取原始彩色图像的特征信息,为彩色图像融合提供更丰富的信息,特别在处理尖锐的彩色图像过渡时非常有效。通过对256×256的Clock彩色图像仿真实验,实验结果表明算法对于多聚焦、纹理和边缘特征丰富的彩色图像融合是最理想的,无论从主观视觉效果上还是客观质量指标上均优于小波变换的融合算法。     

基于第二代Bandelet变换的彩色图像去噪算法

针对目前最新发展的Bandelet变换的特点,本文提出了基于第二代Bandelet变换的彩色图像去噪算法,充分利用彩色图像内在的几何正则性,自适应获得彩色图像的最优表示,通过噪声强度设置阈值,并利用软阈值函数实现彩色图像去噪。通过MATLAB实验结果表明,使用该算法去噪后的彩色图像,无论在主观视觉效果上还是客观质量指标上都比小波和第一代Bandelet算法有显著提高。     

基于VGG网络与深层字典的低剂量CT图像去噪算法

低剂量计算机断层扫描（LDCT）能够有效降低X射线辐射对人体健康造成的危害,已广泛应用于医学临床诊断。针对LDCT图像中存在大量的斑点噪声和条形伪影的问题,提出一种结合改进的VGG网络和深层字典的图像去噪算法,以弥补深层字典去噪能力的不足。在深层字典学习到第一层字典原子和稀疏矩阵后,通过改进的VGG网络将字典原子区分为信息原子和噪声原子,同时将稀疏矩阵中噪声原子所对应的元素设置为零,降低噪声原子对图像去噪效果的影响。实验结果表明,与K-SVD算法、正则化K-SVD算法和深层字典学习算法相比,该算法的峰值信噪比和结构相似性指数平均提高了1.4 dB和0.03,能够有效抑制LDCT图像噪声和伪影,且保留较多的边缘和细节信息。     

基于双正交基字典学习的图像去噪方法

为了提高图像去除白高斯噪声的性能,利用超完备字典作为图像的稀疏表示。超完备字典的冗余性可以有效地表示图像的各种几何奇异特征。在贝叶斯框架下,以图像块的稀疏表示定义了全局图像先验概率模型,给出了最大后验概率模型下的优化图像去噪算法。超完备字典使用两个不同的正交基构成,给出了基于奇异值分解（SVD）的优化字典计算方法。该方法充分利用正交基的特点,采用SVD方法进行高效的字典学习。基于双正交基字典的去噪算法提高了图像去噪性能,实验结果证实了所提方法的有效性。     

基于第二代Bandelet域隐马尔科夫树模型的图像分割

第二代Bandelet可以充分利用图像的内在几何正则性特点, 并能自适应获得图像的最优表示. 本文采用隐马尔可夫树(Hidden Markov tree, HMT)模型对图像的第二代Bandelet系数建模, 通过多尺度参数训练和基于上下文的最大后验概率进行图像分割. 为了评价本文方法的性能, 我们分别选择合成纹理图像、航拍图像和SAR图像进行实验, 并与小波域HMT模型分割方法(WD-HMTseg)和Contourlet域HMT模型分割方法(CHMTseg)进行比较说明算法的有效性. 实验结果表明本文方法不但在边缘准确性和区域一致性上有明显改进, 而且也降低了纹理图的错分概率.     

基于第二代Bandelet和区域特性的多聚焦图像融合算法

提出了一种能充分利用第二代Bandelet变换自适应捕获图像边缘的能力,并基于区域特性进行融合的多聚焦图像融合新算法。首先将源图像分解至Bandelet变换域,然后结合区域特性进行融合处理：对几何流,采用绝对值最大的融合规则;对Bandelet系数矩阵采用区域方差的融合规则,最后通过Bandelet逆变换得到融合图像。实验结果表明,所提出的新算法能够更好地提取参与融合的原始图像的基本特征进行融合处理,融合效果在主观视觉效果和客观性能指标两方面都较经典的拉普拉斯金字塔算法和小波变换算法更具优势,尤其是对纹理及边缘信息明显的源图像,融合结果优势更加明显。     

改进的多尺度学习字典图像去噪算法

常规字典学习方法在单一尺度下对图像进行稀疏表示,不能完全表示图像的有效信息,去噪结果有待提升。针对上述局限性,提出一种改进的多尺度学习字典图像去噪算法。该算法使用改进的自适应阈值曲波变换对图像进行多尺度分解,并以此构建曲波域的多尺度学习字典,通过循环迭代完成字典和稀疏系数更新并叠加对应的曲波域图像块,最后执行曲波反变换得到去噪图像。结果表明,相对常规去噪算法,论文方法的灰度图像去噪结果峰值信噪比平均提升56.6%,结构相似度平均提升0.44;实际B超图像的完全无参考值提高47.3%,专家平定值提高32.3%。结论认为,改进方法对图像的边缘/纹理细节保持好,图像质量提升明显。     

基于第二代Bandelet变换和斜变换的半脆弱水印算法

针对图像的常规操作和恶意攻击,提出一种新的半脆弱水印算法。在该算法中,先将原图像压缩后的数据作为恢复比特嵌入到图像的最低有效位,再把经过Turbo码编码后的第二代Bandelet变换系数嵌入到分块的斜变换的中频区域。认证时,通过Turbo码产生的误码和Bandelet系数的比对实现认证和篡改定位。仿真实验表明,该算法对于图像的常规操作具有良好的鲁棒性,可以精确地检测与定位恶意篡改区域,并且具有较好的篡改恢复能力。     

基于改进的字典学习算法的图像去噪方法

提出对基于MOD和K-SVD字典学习算法的图像去噪的两个方面的改进。在字典更新阶段,采用一种新的字典更新方式,在保持支集完备的同时寻找字典和表示法。在稀疏编码阶段,根据前一次追踪过程产生的部分系数进行修正和更新。分别对这两种改进进行了验证,并说明了如何进行更快速的训练以及取得更好的结果,实验结果证实了论文方法的有效性。     

基于第2代Curvelet变换的彩色图像去噪

提出基于第2代Curvelet变换的彩色图像去噪算法,克服小波变换在表达彩色图像边缘的方向特性等方面的内在缺陷。该算法适合分析二维彩色图像中的曲线或直线状边缘特征,且具有较高的逼近精度和稀疏表达能力。通过Matlab对512×512的Lena和Babon彩色图像进行仿真实验,结果表明,该算法在视觉效果和性能指标方面都优于小波和Ridgelet算法。     

一种基于差异系数的稀疏度自适应图像去噪算法

基于压缩感知的K-means Singular Value Decomposition(K-SVD)图像去噪算法具有良好的自适应性和细节恢复能力,但需事先给定稀疏度K。 该方法的去噪效果会受到图像稀疏度的影响。另外,训练初始系数时用到的追踪类算法中通过向量内积值的大小评定图像分量间相关度的方法,因存在大值噪声点,容易造成假相关,从而影响去噪效果。提出基于差异系数的稀疏度自适应K-SVD去噪算法,通过引入差异系数来平衡因噪声点造成的假相关问题,同时使用相关度均值作为阈值来自适应地产生稀疏度K,避免因给定不恰当的稀疏度而影响去噪效果的问题。在USC标准库上的实验结果表明,所提算法在去噪效果方面有一定的优越性。     

基于小波变换气动光学效应模糊图像去噪

采用小波变换算法用于气动光学效应图像去噪研究。结合气动光学效应的复杂性和小波变换的特性,小波变换算法可以有效地应用于气动光学效应图像去噪。去噪图像相对于原图像误差小,去噪效果明显。     

基于小波变换气动光学效应模糊图像去噪

采用小渡变换算法用于气动光学效应图像去噪研究。结合气动光学效应的复杂性和小渡变换的特性，小渡变换算法可以有效地应用于气动光学效应图像去噪。去噪图像相对于原图像误差小，去噪效果明显。     

第二代小波变换应用于图象的无损压缩编码

第二代小波变换构造方法的特点是：①继承了第一代小波变换的多分辨率特性：②不依赖傅立叶变换;③小波变换后的系数是整数;④图象的恢复质量与变换时边界采用何种延拓方式无关,利用了“整数经过第二代小波变换后的系数仍为整数”的特性,将第二代小波变换用于图象的无损压缩编码,并和Ｈｕｆｆｍａｎ编码、第一代小波变换压缩编码进行了比较,从比较结果来看,在能够无损重建图象的同时,第二代小波变换的压缩比要高于Ｈｊｆｆｍ     

基于带权稀疏表示和字典学习的图像去噪模型

利用GMM模型对自然图像块进行学习,对高斯分量的协方差矩阵做PCA,用其特征向量组成的矩阵作为子字典,用特征值 的大小作为对稀疏系数加权的依据,并将该模型应用到CSR模型中得到一种新的去噪模型,并给出模型的优化算法。为了验证提出的模型的有效性,设计了比较的仿真实验,实验表明与一些先进的模型相比,该方法具有优势。     

基于字典学习正则化的图像去噪

稀疏表示因其具有稀疏性、特征保持性等一些特点而被广泛应用于图像处理等领域,为解决图像处理中的去噪问题,提出一种基于图像特征稀疏表示的贝叶斯去噪模型.利用K-means和主成分分析方法计算已分割图像块对应字典的矩阵系数,采用正则化约束条件,迭代计算获取的图像字典与原始图像字典之间的差距,优化噪声图片稀疏特征表示的字典,直到达到优化条件.实验结果表明,与传统的离散余弦变换去噪模型相比,该模型的峰值信噪比较高,随着噪声的不断提高,与噪声图像峰值信噪比的差距也越来越大,且图像失真较少.