结合Contourlet变换的各向异性扩散图像去噪

提出了一种结合Contourlet变换的各向异性扩散图像去噪算法.结合Contourlet变换和各向异性扩散的优点,通过Contourlet变换得到图像不同尺度的Contourlet系数矩阵,实现了建立在对图像多尺度分析基础上新的各向异性扩散算法.实验表明,新算法能够获得良好的视觉效果并且有效地提高了去噪图像的PSNR值,同时避免了传统的各向异性扩散出现的阶梯效应,更好地保留了图像的纹理和细节.     

多小波域上各向异性扩散在纹理图像去噪中的应用

去噪是图像处理中的一个重要技术,一般的去噪算法会造成图像边缘信息被平滑,为了有效地抑制噪声而同时又保护好边缘信息,在多小波变换的基础上,提出了一种新的去噪算法,它结合了多小波变化和各向异性扩散(P-M扩散)两者的优点,利用多小波变换把纹理图像分解为高频子带和低频子带,然后根据子带图的特点分别采用不同的各向异性扩散方法,实验结果表明,该算法去噪效果好,改善了图像的峰值信噪比(PSNR)和最小均方误差(MSE),同时更好地保留了图像的纹理和细节.     

基于Curvelet域的图像复原和分解模型

 第二代Curvelet变换是继小波变换之后,能更适合图像处理特点的一种多尺度变换,它能同时获得对图像平滑区域和边缘部分的稀疏表示,且具有很强的方向性.针对它的优点,提出了一种基于第二代Curvelet阈值的图像复原和分解的新模型.本文首先在负指数Hilbert-Sobolev空间推广了Daubechies-Teschke模型,接着对推广的模型在Curvelet域上进行处理.实验结果表明该模型不仅可以很好地分解图像、去除噪声,而且可以去模糊,使图像有较好的视觉效果.     

基于扩散的自适应超分辨率重建

从各向异性角度分析了P-M模型、L1范式(TV模型)、L2范式(调和模型)的不足,通过扩散模型建立超分辨率重建的偏微分方程,提出一种非线性各向异性和超分辨率重建组合的模型。该模型在图像平坦区域具有线性各向同性扩散,能够有效消除噪声,在图像边缘区域具有非线性各向异性扩散保留边缘,有效减少了滤波产生的阶梯效应和P-M模型过渡平滑忽略细节的现象。仿真结果表明,该模型能够有效地提高图像重建质量,能在消除噪声的同时保留边缘,具有很好的鲁棒性。     

基于各向异性扩散模型的一种改进在图像降噪中的应用

为了提高P-M模型图像降噪方法的效果,本文利用了图像的一阶和二阶微分算子构造新的扩散函数,提出一种新的改进的P-M模型的图像降噪方法。将这种新的P-M模型应用于海底小目标声呐图像降噪,与其他方法降噪后的结果比较。本文在细节保持能力、降噪能力本文方法具有明显的优势;实验表明,本文方法有较好降噪能力。     

基于格子波尔兹曼模型的图像去噪

 Perona 和 Malik提出的各向异性的扩散模型存在着模型不稳定、图像灰度容易产生"阶越"现象等缺陷.本文通过在格子波尔兹曼各向同性扩散模型的网格点间加入跨膜介质,建立了格子波尔兹曼各向异性扩散模型.该模型中前向扩散过程占据了主导作用,因而是稳定的.实验分析表明,该模型很好地解决了P-M模型存在的灰度"阶越"现象,处理结果具有更高的峰值信噪比.     

一种基于Curvelet变换的图像融合新算法

基于Curvelet变换提出了一种新的融合算法.首先将图像进行Curvelet 变换,然后对粗尺度系数和细尺度系数采用不同的融合规则将Curvelet 系数融合,最后进行重构得到融合结果.对得到的融合图像进行了主客观评价和对比,实验结果表明,本文方法得到的融合图像,在熵、均方误差(MSE)、峰值信噪比(PSNR)和相似度等客观指标上都优于其他方法.     

一种改进的各向异性扩散超声图像去噪算法

针对传统的各向异性扩散算法中扩散系数函数的平滑效果不好,扩散过程中扩散门限K的选取依靠经验确定,扩散过程对图像细节保护不足的问题,提出了一种改进的各向异性扩散算法。介绍了几种当前比较典型的各向异性扩散去噪算法;在典型算法分析的基础上提出了一种基于自适应中值滤波的改进扩散模型;根据扩散系数应满足的3个条件及经典的扩散系数函数,提出了改进的扩散模型中的改进扩散系数函数;提出了一种扩散门限K的自适应选取的方法。通过在改进的扩散模型中使用改进的扩散系数函数并结合扩散门限K的自适应选取,对超声图像进行去噪。实验结果表明,所提算法优于PM模型、Catte模型、王常虹算法等,去噪后图像的FOM值比PM模型高出3.34%,PSNR值比PM模型高出0.250 6。该算法在去除散斑噪声的同时有效保护了图像的细节及边缘,有助于医务人员对患病区域的准确诊断。     

基于Curvelet变换的图像融合改进算法

针对红外与可见光图像的融合,提出了基于二代Curvelet变换的图像融合改进算法。首先对两幅源图像进行Curvelet变换,得到其在不同尺度和方向下的变换系数。对于低频系数,根据红外与可见光图像的不同成像特点,采用基于局部统计特性的自适应融合策略;对于不同尺度和方向下的高频系数,采用基于局部区域能量匹配的系数选择方案。最后进行Curvelet逆变换得到融合图像。通过实验结果的对比分析,该算法可以更有效地反映源图像中的特征,融合效果有了明显改善。     

基于PDE的非线性图像去噪与增强

应用偏微分理论,提出一种改进的基于偏微分方程的非线性图像去噪与增强方法,对传统的P-M非线性扩散模型进行改进。首先将图像变换到梯度域,然后通过改变梯度域扩散函数来达到去噪和增强的目的。与以往的时域和频域图像去噪方法相比,本文方法不仅能有效去除噪声,还能很好地保留图像的纹理细节。文章采用有限差分法将偏微分方程离散化,并结合热方程简化计算复杂度,从而实现简单快速的计算过程,为实时的图像去噪与增强处理提供保证。