基于Curvelet变换的阈值补偿图像去噪方法研究

基于Curvelet变换硬阈值图像去噪方法,能有效地抑制图像中的噪声。为了减小在去噪过程中产生的伪吉布斯现象,提出一种阈值补偿的去噪方法,即用软阈值和过扼杀系数一起补偿硬阈值。试验结果表明,该方法在去噪和保持边缘的同时,取得了较好的视觉效果,并且PSNR也得到一定的提高。在同等噪声条件下对比不同的噪声图像,与硬阈值去噪算法相比,阈值补偿算法的峰值信噪比提升为0.44%-0.96%;同一图像在不同的噪声条件下,与硬阈值去噪算法相比,其峰值信噪比提升了0.44%-0.76%。     

基于粒子群优化的Shearlet自适应图像去噪

研究Shearlet变换域图像去噪阈值选取的问题,提出Shearlet变换域图像去噪自适应阈值选取方法.该方法根据Shear-let变换域不同尺度和方向系数的分布特性,采用粒子群优化算法自适应地确定各尺度和方向的最优阈值,实现基于图像内容的自适应去噪.仿真实验表明,该方法能有效滤除图像的噪声,较好地保留图像的边缘信息.同时,去噪后图像具有更高的峰值信噪比(PSNR).     

自适应Shearlet域约束的全变差图像去噪

采用传统非线性扩散图像去噪方法得到的图像边缘模糊,为此,提出一种有限自适应Shearlet域约束的极小化变分图像去噪算法。通过自适应阈值收缩Shearlet系数,保留图像纹理与边缘空间,利用全变差极小化平滑空间,建立全变差正则化的能量泛函去噪模型。实验结果表明,该算法能在减少图像噪声的同时,保留图像边缘信息,对含有丰富纹理结构的图像,去噪性能更佳。     

双群交换微粒群算法及在Shearlet图像去噪中的应用

分析基于不同进化模型的双群交换微粒群优化算法的不足,提出改进的双群交换微粒群优化算法。算法将微粒分成大小相同的两分群,第一分群采用标准微粒群模型进化,第二分群采用Cognition Only模型进化,当微粒进化到稳定状态,从第一分群随机抽取部分粒子与第二分群适应值最差粒子进行交换,重复上述操作直到找到最优解。实验结果显示：该算法有更好的全局寻优能力和达优率。为验证算法实用性,将改进算法用于Shearlet图像去噪。该方法根据Shearlet变换域不同尺度和方向系数的分布特性,采用改进算法自适应确定各尺度和方向的最优阈值,实现基于图像内容的自适应去噪。实验表明,该方法能有效滤除图像噪声,较好保留图像边缘信息,去噪后图像具有更高峰值信噪比（PSNR）。     

基于第二代轮廓波变换的消噪方法

提出一种基于第二代轮廓波变换的消噪方法,该方法在阈值选取上采用基于自适应冲激响应的多尺度多方向阈值,在硬阈值处理之后采用自适应维纳滤波。该方法充分利用了第二代轮廓波变换在频域和时域的局部化、多尺度、多方向和低冗余特征;能够利用更多较小的轮廓波变换系数以减轻轮廓波硬阈值消噪带来的纹理效应,并能更好适应人类的视觉特征。实验结果表明提出的消噪方法在峰值信噪比和视觉效果上都优于第一代轮廓波和小波的消噪效果。     

基于非下采样Shearlet变换与模糊对比度的合成孔径雷达图像增强

针对合成孔径雷达（SAR）图像在成像和传输过程中引入噪声和干扰从而导致图像清晰度下降、细节丢失等问题,提出了一种非下采样Shearlet变换（NSST）与模糊对比度的SAR图像增强算法。首先,原始图像经NSST分解成一个低频分量和若干个高频分量;然后对低频分量进行线性增强以提高整体对比度,对高频分量采用阈值法进行增强以去除图像中的噪声;接着对处理后的两部分分量进行NSST反变换得到重构图像;最后采用模糊对比度算法对重构图像进行增强,提高图像细节信息和层次感,得到增强后的图像。对40幅图像的实验结果表明,与直方图均衡化、多尺度Retinex增强算法、基于Shearlet变换和多尺度Retinex的遥感图像增强算法、基于剪切波域改进Gamma校正的医学图像增强算法相比,该算法的图像峰值信噪比至少提升了22.9%,均方根误差至少降低了36.2%,能明显提升图像的清晰度,使图像的纹理信息更加清晰。     

基于Shearlet变换和多尺度Retinex的遥感图像增强算法

传统的小波变换、曲波变换和轮廓波变换无法对图像提供最优的稀疏表示,不能取得好的增强效果,为此,提出了一种基于剪切波(Shearlet)变换的图像增强算法.经Shearlet变换,图像被分解成低频分量和高频分量.首先,对Shearlet变换分解后的低频分量进行多尺度Retinex(MSR)调整,以减轻光照条件对图像的影响;其次,对各尺度、各方向上的高频系数采用阈值抑噪来消除噪声;最后,对重构图像进行模糊对比度增强,提高图像的整体对比度.实验结果表明该算法能够明显改善图像的视觉效果,突出图像的纹理细节且具有良好的抗噪性能.与直方图均衡(HE)、MSR、基于非下采样轮廓波变换(NSCT)的图像模糊增强(NSCT_fuzzy)算法相比,图像清晰度、信息熵、峰值信噪比(PSNR)均有一定的提高,且运行时间缩短为MSR的1/2和NSCT_fuzzy的1/10左右.     

基于小波的图像去噪及压缩

介绍了基于小波的图像降噪和压缩的原理及特点。阐述了基于小波变换的图像降噪和压缩方法,并使用小波包对图像进行降噪和压缩,并通过计算机实验证明小波方法能基本消除蚊式噪声,且经过小波包变换编解码的图像在实现高压缩率的情况下能够保证很好的图像质量,具有较好的视觉效果。     

基于小波变换的分形图像去噪与边缘检测

本文根据分数布朗随机场(FBR)模型理论，运用小波变换法先对图像进行去噪，然后对图像的分形参数H进行估计，进而根据分形参数H的值的奇异性来检测图像的边缘。实验表明，本文的算法能有效地抑制噪声的影响，并能更好地检测出图像的边缘。     

全变差正则化的Shearlet收缩去噪

Shearlet是一种新型的多尺度几何分析工具,通过对基本函数缩放、剪切和平移等仿射变换生成具有不同特征的Shearlet函数,能够对图像进行稀疏表示且产生最优逼近。首先提出了一种Shearlet变换的数字实现方法,然后提出了一种结合Shearlet变换和变分法的图像去噪方法。该方法采用Shearlet变换域约束条件的全变差正则化模型,可以去除简单阈值处理后产生的伪吉布斯效应。实验结果表明,该方法在抑噪和保持边缘的同时,取得了好的视觉效果和更高的PSNR值。     

非下采样Contourlet变换自适应图像去噪方法

提出了一种基于非下采样Contourlet变换的自适应图像去噪方法。首先对噪声图像进行非下采样Contourlet变换,得到各个尺度各个方向子带的系数,再根据该系数的能量自适应地调整去噪阈值。实验表明,与Contourlet多尺度阈值去噪、Contourlet自适应阈值去噪相比,该方法在保留图像边缘细节的同时,能提高图像的PSNR值,减少了Gibbs现象。     

结合平稳小波变换和形态学的图像去噪算法

图像噪声去除是否有效将直接影响后续图像处理的质量,为了在消除噪声的同时保持图像边缘细节,提出一种结合平稳小波变换及形态学处理的新算法。该算法利用平稳小波相位不变性的特点,充分考虑小波系数的层内相关性;同时结合形态学的方法对图像的边缘信息进行估计;最后通过选择性质相似的区域进行阈值去噪。实验结果表明,该方法在降低了图像噪声的同时又有较好的视觉效果。     

基于多小波—非采样Contourlet变换的自适应阈值图像去噪方法

为抑制Contourlet变换的非平移不变性和冗余性给图像去噪所带来的图像失真等缺陷,提出一种新的基于多小波—非采样Contourlet变换和基于Bayes Shrink的自适应阈值去噪算法：首先利用多小波对图像进行多尺度分解并结合非下采样方向滤波器组进行方向分解,接着根据分解所得到的各方向子带的关系,改进了Bayes Shrink自适应阈值取值方法,对图像进行去噪处理。实验结果表明：该算法去噪后图像的信噪比(SNR)与已有算法相比,有了明显的提高,有效地抑制了原Contourlet变换所造成的伪Gibbs现象,更好地保留了图像的细节信息。     

基于剪切波和改进P-M扩散的图像去噪

针对多尺度几何分析方法去噪时产生的伪Gibbs效应和各向异性扩散模型产生的阶梯效应,提出一种基于剪切波的改进各向异性扩散图像去噪方法。首先对噪声图像进行剪切波变换得到不同尺度的系数矩阵,然后利用改进的各向异性扩散方程对变换后的系数进行处理,实现建立在对图像精细分析基础上的各向异性扩散模型。实验结果表明,该方法能较好地抑制噪声和保持边缘,同时有效地抑制伪Gibbs效应,取得良好的视觉效果。     

改进的Ridgelet变换图像去噪方法

提出了基于平移不变的ridgelet去噪方法,与平移不变小波去噪相比较,试验结果表明平移不变的ridgelet算法在消除和抑制噪声的同时能更好地保留图像边缘特征,并且显著改善了峰值信噪比。     

基于小波变换的多阈值图像去噪改进方法

图像去噪就是在保留图像边缘及其他特征的基础上去除噪声,小波变换域的阈值去噪方法是图像去噪众多方法中最有效的方法之一,本文对多阈值图像去噪方法进行了改进,得到一种新的图像多阈值图像去噪方法,实验证明该方法可以有效地提高图像去噪效果。     

基于多参数小波阈值函数的图像去噪

针对图像中的强高斯噪声提出了一种新的小波阈值降噪函数。传统的软阈值法对图像去噪有明显的效果,但对强高斯噪声效果不甚理想,于是构造出一种新的小波阈值函数,此函数包含阈值[λ],调节因子[t]和[n]三个参数,能够自适应地调节阈值的变化。实验以噪声图像与去噪后图像之间的峰值信噪比（PSNR）最大化为准则,采用PSO粒子群算法优化阈值函数中参数[n]和[t]的选取。仿真实验结果表明该方法不仅可以有效地去除噪声,又能避免有用高频信息的损失,提高了图像的信噪比;尤其在强高斯噪声下,相对软阈值法PSNR可提高6~7 dB,表明了此改进阈值法对于强高斯噪声图像降噪的有效性。     

基于小波去噪与变换域的信道估计方法

针对长期演进(LTE)下行正交频分复用(OFDM)系统的最小二乘(LS)信道估计算法对噪声比较敏感的问题,提出了一种基于小波变换去噪与变换域插值相结合的信道估计方法.该方法通过在最小二乘(LS)估计之后加入小波阈值去噪过程,再通过变换域低通滤波插值估计进行双重去噪处理.计算机仿真结果表明,该估计方法能够有效地去除加性高斯白噪声,比一般的LS估计算法性能要好,在一定程度上弥补了LS估计算法对噪声敏感的缺陷.     

迭代离散Shearlet变换异类源遥感图像融合

Shearlet变换是一种多尺度几何分析算法,适用于遥感这类纹理丰富、边缘复杂的图像处理。提出了一种基于迭代离散Shearlet变换的图像融合算法,将源图像进行分解,得到图像的多尺度、多方向树型结构表示;对粗糙分量和带通细节分量分别采用不同的融合规,得到融合图像的树型结构表示;最后进行Shearlet反变换得到融合图像。仿真结果表明,提出的算法比基于Contourlet变换的图像融合算法有更好的效果,更有利于保留纹理和边缘信息。