基于U-Net融合的保留纹理的图像去噪方法

图像的噪声阻碍了高级视觉任务对图像的理解,且去除图像的噪声是一个具有挑战性的任务.现有的基于卷积神经网络的图像去噪方法在去除噪声的同时,对图像纹理会引入一定程度的破坏,导致去噪后图像无法保留图像的纹理.为了解决这个问题,本文提出一种用二分支U-Net网络来融合特征和保留纹理的图像去噪方法.首先选取一种去噪方法的两个不同去噪参数的预训练模型分别得到同一张噪声图像的不同去噪结果,其中一个结果中去噪效果比纹理保留效果好,另一个结果中纹理保留比去噪效果好.然后将这两个去噪图像作为卷积神经网络的输入,利用两个编码器分别提取图像的特征,并同时放入融合模块融合图像的特征,最后利用解码器重建出无噪声图像.实验结果表明,与现有的方法相比本文的方法更有效,在去除噪声的同时能保留更多的图像纹理信息.     

一种基于M带小波变换的多幅图像去噪算法

基于小波的图像去噪算法是目前图像去噪研究的一个热点。大多数的研究考虑的都是单幅图像样本的情况,在基于图像的多幅含不同均匀噪声拷贝的两带小波去噪方法的基础上,把多幅含噪图像拷贝的两带小波去噪方法推广到了M带,提出了一种基于M带小波变换的多幅图像去噪方法。实验结果表明该方法的去噪效果要优于相同条件下的两带小波的去噪效果。     

图像去噪方法概述

在现实场景中,由于设备和系统不完善或存在弱光环境导致采集的图像存在噪声,图像在压缩和传输过程中也会受到额外噪声的影响,给后续的图像分割、特征提取等处理造成干扰.传统去噪方法利用图像的非局部自相似性(NLSS)特性和变换域中的稀疏表示,基于块匹配和三维滤波(BM3D)的方法展现出了强大的图像去噪性能.随着人工智能的发展,基于深度学习的图像去噪方法取得了较为突出的表现.但是到目前为止几乎没有相关研究对图像去噪的方法进行全面的比较.针对传统的图像去噪方法及近年来兴起的基于深度神经网络的图像去噪方法,首先介绍了经典的传统去噪和深度神经网络去噪方法的基本框架,并对去噪方法进行了分类总结.然后在公共去噪数据集上对现有的去噪方法进行了定量和定性方面的分析比较.最后在图像去噪领域指出了一些潜在的挑战和未来研究的方向.     

基于字典学习的残差信息融合图像去噪方法

传统去噪算法只考虑从含噪图像中恢复出图像信息,然而对去噪后残差信号的利用却并未加以重视。针对图像去噪后残差信号中包含有用信息的特点,提出了一种基于字典学习的残差信息融合图像去噪方法。首先使用字典学习方法对单幅含噪图像进行去噪;然后对首次降噪后的残差图像进行图像块筛选;再对筛选出的图像块再次进行去噪处理;最后在小波域实现两幅图像的融合得到最终的去噪图像。实验结果表明,与传统基于字典学习的去噪方法相比,所提方法能够进一步提取残差信号中的图像特征信息,在峰值信噪比和结构相似度上都有所提升。特别是对一些细节较为复杂的场景图像,具有更好的去噪效果,从而证明了残差信号对于图像去噪的重要作用。     

一种基于图像区域分割的小波去噪方法

提出一种基于区域分割的图像去噪方法。该方法利用具有平移不变性的DWT去噪法和NeighShrink_ SURE去噪法对平滑图像和纹理图像分别具有良好去噪效果,遂将含噪图像进行区域分割得到平滑、突变和过渡三个区域,最终去噪图像的三个区域分别由两种方法得到的去噪图像加权来确定。实验结果显示,该方法利用了前两种算法的优点,得到了具有较高峰值信噪比、较完整保留图像细节而且具有更佳视觉效果的去噪图像。     

基于分水岭的提升小波图像去噪

为了图像去噪的同时能很好地保持图像的细节,提出了一种基于分水岭的提升小波图像去噪方法,先用分水岭分割方法检测出图像的分水岭脊线,提升小波去噪时就可用阈值去噪而不必担心损害图像的重要特征.其去噪步骤是:对噪声污染图像进行提升小波去噪;对原图像提取梯度幅度图像;对梯度图像平滑后进行分水岭变换;图像合并.实验结果表明,该方法不但可以保持图像的重要信息,而且能够提高去噪后图像的信噪比.     

去除椒盐噪声的交替方向法

传统图像去噪法基于有用信息和噪声频率特性的差别实现去噪,实际中,有用信息和噪声在频带上往往存在重叠,因此,传统去噪法在抑制噪声的同时,往往损失了细节信息,使图像变模糊. 本文引入稀疏与低秩矩阵分解模型描述图像去噪问题,基于该模型,采用交替方向法（Alternating direction method,ADM）得到复原图像. 实验证明该方法比常用的中值滤波法更有效地抑制了椒盐噪声,同时更好地保持了原始图像的细节信息.     

基于自监督约束的双尺度真实图像盲去噪算法

现存的图像去噪算法在处理加性高斯白噪声上已经取得令人满意的效果,然而其在未知噪声强度的真实噪声图像上泛化性能较差.鉴于深度卷积神经网络极大地促进了图像盲去噪技术的发展,针对真实噪声图像提出一种基于自监督约束的双尺度真实图像盲去噪算法.首先,所提算法借助小尺度网络分支得到的初步去噪结果为大尺度分支的图像去噪提供额外的有用信息,以帮助后者实现良好的去噪效果.其次,用于去噪的网络模型由噪声估计子网络和图像非盲去噪子网络构成,其中噪声估计子网络用于预测输入图像的噪声强度,非盲去噪子网络则在所预测的噪声强度指导下进行图像去噪.鉴于真实噪声图像通常缺少对应的清晰图像作为标签,提出了一种基于全变分先验的边缘保持自监督约束和一个基于图像背景一致性的背景自监督约束,前者可通过调节平滑参数将网络泛化到不同的真实噪声数据集上并取得良好的无监督去噪效果,后者则可借助多尺度高斯模糊图像之间的差异信息辅助双尺度网络完成去噪.此外,还提出一种新颖的结构相似性注意力机制,用于引导网络关注图像中微小的结构细节,以便复原出纹理细节更加清晰的真实去噪图像.相关实验结果表明在SIDD,DND和Nam这3个真实基准数据集上,所提的基于自监督的双尺度盲去噪算法无论在视觉效果上还是在量化指标上均优于多种有监督图像去噪方法,且泛化性能也得到了较为明显的提升.     

基于盲分离的图像去噪算法研究

图像去噪是图像处理中一个重要而又富有挑战性的课题。已有的图像去噪算法对噪声模型作出假设,在达到假设条件时取得较好的去噪效果。这类算法不能完全去除噪声,而且会削弱图像信号的细节。把图像和噪声看作是互相独立的两个信号源,把去噪过程作为信号分离过程来处理。在初步从污染图像中估计出一个虚拟观测图像后,用基于独立分量分析的盲分离来达到去噪目的。实验结果表明,该算法相比传统的基于滤波的去噪方法,在噪声强度很大的情况下,依然能得到较好的去噪效果。     

基于分块奇异值分解的两级图像去噪算法

为了更有效地进行图像去噪, 提出了一种基于分块奇异值分解(Singular value decomposition, SVD) 的两级图像去噪方法, 该方法首先将含噪图像中具有相似结构的图像块组织成具有很强相关性的图像块组; 然后, 利用二维奇异值分解去除图像块组中每个相似块的内部相关性, 利用一维奇异值分解去除相似图像块组之间的冗余; 最后, 通过硬阈值方法收缩变换系数实现图像与噪声的有效分离. 为了进一步提高去噪效果, 对含噪图像再次进行上述操作. 不同的是, 在第二级去噪过程中,相似图像块组根据第一级估计出的图像计算获得且相似图像块间的相关性通过离散余弦变换去除. 仿真实验表明, 提出的两级图像去噪算法不仅可以较大程度地去除图像噪声, 还能有效保留图像细节, 取得了良好的去噪效果.     

临床心电信号工频干扰小波去噪方法对比分析

针对临床心电信号存在的工频干扰,基于小波变换方法,从实用性角度对比分析了三种去噪方法;频域强制去噪法:先对小波系数进行傅立叶分解,将受噪声干扰严重的系数置零,再进行小波重构;此法得到的信号较光滑,但有可能丢失有用信息;能量阈值去噪法:根据提前设定的能量恢复指数,得到预定阈值作为门限,保留一定的细节系数和全部近似系数重构小波;此法简化并优化了传统阈值的选取,较好保留了信号中的突变部分;默认阈值去噪法:其可信度较低,但仍可满足非高精度数据处理的要求;在实际临床应用中,可根据实际情况和处理精度选取合适的去噪方法,为进一步研究临床心电信号预处理奠定基础。     

生产过程中的小波阈值信号去噪方法

在工业生产过程中,由于设备所收集到的混合信号中包含大量的背景噪声信号,而这些背景噪声信号会影响到异响有用信号的提取。因此,为对收集的信号进行消噪,提出了小波阈值去噪中估计小波系数的软阈值和硬阈值方法,结合硬阈值和软阈值方法各自的特点,采用了几种改进的方案,分别是多项式插值法,软、硬阈值折衷法和模平方处理方法。最后给出了数值试验,结果说明,改进的小波阈值方法都得到了较好的去噪效果,为工业生产过程优化信号提取提供了依据。     

基于Matlab的小波阈值折衷去噪算法研究

基于硬阈函数和软阈函数的小波去噪算法处理的信号分别存在着偏差和方差过大的缺点,为有效解决这一问题,提出基于硬软阈值的折衷小波去噪算法。并采用四种常用的信号用matlab对去噪效果进行了仿真。仿真结果进一步表明了基于硬软阈值折衷去噪算法的优越性和有效性。     

基于刚体模型的视频插值去噪算法

为充分利用视频的时空联系去噪,提出了视频的刚体模型.刚体模型以线性关系组织视频的像素,结合了像素间的时域和空域关联,可以通过主色调区域划分和边缘句法匹配获得视频的刚体分解及其对应关系.基于刚体模型的插值去噪利用像素值的空域邻近性和时域稳定性联合判断插值像素的参考价值.对常用测试视频的去噪实验表明了刚体模型的正确性,基于刚体模型的插值去噪方法在视觉效果和峰值信噪比上都表现出色.     

Nonlocal Image and Movie Denoising

Neighborhood filters are nonlocal image and movie filters which reduce the noise by averaging similar pixels. The first object of the paper is to present a unified theory of these filters and reliable criteria to compare them to other filter classes. A CCD noise model will be presented justifying the involvement of neighborhood filters. A classification of neighborhood filters will be proposed, including classical image and movie denoising methods and discussing further a recently introduced neighborhood filter, NL-means. In order to compare denoising methods three principles will be discussed. The first principle, “method noise”, specifies that only noise must be removed from an image. A second principle will be introduced, “noise to noise”, according to which a denoising method must transform a white noise into a white noise. Contrarily to “method noise”, this principle, which characterizes artifact-free methods, eliminates any subjectivity and can be checked by mathematical arguments and Fourier analysis. “Noise to noise” will be proven to rule out most denoising methods, with the exception of neighborhood filters. This is why a third and new comparison principle, the “statistical optimality”, is needed and will be introduced to compare the performance of all neighborhood filters. The three principles will be applied to compare ten different image and movie denoising methods. It will be first shown that only wavelet thresholding methods and NL-means give an acceptable method noise. Second, that neighborhood filters are the only ones to satisfy the “noise to noise” principle. Third, that among them NL-means is closest to statistical optimality. A particular attention will be paid to the application of the statistical optimality criterion for movie denoising methods. It will be pointed out that current movie denoising methods are motion compensated neighborhood filters. This amounts to say that they are neighborhood filters and that the ideal neighborhood of a pixel is its trajectory. Unfortunately the aperture problem makes it impossible to estimate ground true trajectories. It will be demonstrated that computing trajectories and restricting the neighborhood to them is harmful for denoising purposes and that space-time NL-means preserves more movie details.     

二进小波变换的图像去噪

由于图像二进小波变换在每次分解时不进行下抽样,所以其表示同小波级数相比是冗余的,且图像二进小波变换的部分系数扰动不会带来重构图像的严重失真。因此,在相同的误判概率下,基于二进小波变换的图像去噪效果会好于基于小波级数变换的图像去噪效果。基于这个思想,该文提出了DWID方法,将基于小波级数的图像去噪方法推广到基于二进小波变换的图像去噪,比较了DWID同基于小波级数去噪效果。实验表明,DWID比小波级数去噪效果有明显改善。     

A model-driven network for guided image denoising

Guided image denoising recovers clean target images by fusing guidance images and noisy target images. Several deep neural networks have been designed for this task, but they are black-box methods lacking interpretability. To overcome the issue, this paper builds a more interpretable network. To start with, an observation model is proposed to account for modality gap between target and guidance images. Then, this paper formulates a deep prior regularized optimization problem, and solves it by alternating direction method of multipliers (ADMM) algorithm. The update rules are generalized to design the network architecture. Extensive experiments conducted on FAIP and RNS datasets manifest that the novel network outperforms several state-of-the-art and benchmark methods regarding both evaluation metrics and visual inspection.     

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.     

一种基于领域阈值的小波图像去噪算法

为了去除图像中的噪声,文章利用图像分块的思想,结合阈值去噪法和最小均方误差估计(MMSE),给出了一种基于领域阈值的小波域图像去噪算法。该算法与经典的子带自适应阈值去噪法BayesShrink算法相比,本文算法在峰值信噪比和视觉效果上都好于BayesShrink算法。     

基于小波阈值去噪算法的研究

在D.L.Dohono和I.M.Johnstone提出的多分辨分析小波阈值去噪方法的基础上,提出了一种新的阈值函数。与传统的硬阈值和软阈值比,该函数不仅易于计算,而且具有优越的数学特性和清晰的物理意义。实验结果表明,该方法可以有效地去除白噪声干扰,无论在视觉效果上还是在信噪比和均方误差定量指标上均明显优于常用的软、硬阈值及改进的软硬阈值折中算法,充分体现出小波阈值去噪方法的优越性。