首页 | 本学科首页   官方微博 | 高级检索  
相似文献
 共查询到18条相似文献,搜索用时 203 毫秒
1.
在获取肺部CT图像过程中不可避免地要受到噪声污染,使用传统的去噪算法不能在对肺部CT图像有效去噪的同时很好地保持边缘、纹理等有用信息。为在肺部CT图像去噪时很好地保持边缘、纹理等细节信息,提出一种新的小波各向异性模型肺部CT图像去噪算法。算法首先对含噪的肺部CT图像进行Daubechies小波(dbN)软阈值去噪,然后在此基础上利用各向异性模型去噪。实验结果表明,与传统去噪算法相比,所提算法不仅去噪后的肺部CT图像噪声点较少而且具有更好的边缘、纹理等细节信息保持性。  相似文献   

2.
基于图像边缘检测的小波去噪算法   总被引:1,自引:0,他引:1  
针对传统小波去噪时图像边缘被破坏因而丢失有用细节信息的问题,提出了一种基于图像边缘检测的小波阈值去噪新方法,即先对边缘图像和非边缘图像进行小波分解,然后分别对其进行阈值处理,最后重构得到去噪图像.实验结果表明,这种方法与传统小波变换的全局阈值去噪方法相比,在去噪的同时有效地保留了图像边缘信息,图像信噪比有明显的提高.  相似文献   

3.
基于空间分数阶偏微分方程的图像去噪模型研究   总被引:2,自引:0,他引:2  
为了在获取更高信噪比的同时更多地保留图像边缘和纹理等细节信息,将分数阶微积分理论和偏微分方程方法有效结合,构建了基于空间分数阶偏微分方程的图像去噪模型,并利用分数阶微分掩模算子来实现去噪模型的数值计算。该去噪模型通过引入以分数阶梯度模值为参数的边缘停止函数并选择合适的分数阶微分阶次,由此能够在一定程度上解决传统去噪模型存在的不足之处。实验结果表明,基于空间分数阶偏微分方程的图像去噪模型较传统的去噪模型不仅可以提高图像的信噪比,而且可以更好地保留图像边缘和纹理等细节信息。  相似文献   

4.
针对全变分模型不能很好的保持图像边缘信息这一问题,有学者提出了基于边缘定向增强扩散模型,但该模型对图像细节处理不够.快速非局部均值(Fast Non-local means, FNLM)算法利用图像的自相关性与结构信息的冗余性,提高了去噪效果,但不能同时最大限度保持图像边缘信息又抑制平坦区域噪声.由于通过利用结构张量性质,可获取图像的边界、拐角、纹理等重要信息,本文引入结构张量改进边缘定向增强扩散模型,保持了图像边缘,并在此基础上提出了一种基于边缘增强和快速非局部均值的边缘图像去噪模型.该模型通过选取不同的边缘增强正则化参数,根据图像扩散幅度不同,获取带有纹理及噪声的边缘图像;然后对该边缘图像进行FNLM去噪,即过滤出图像原有的纹理结构信息;最后将之反馈到之前的边缘增强去噪图像中.实验结果表明,该方法不仅能够保留较多的纹理细节信息,而且很好的缓解了图像平滑和细节保持的矛盾.  相似文献   

5.
针对图像去噪中边缘细节信息丢失的问题,提出一种基于视觉感受野特性的图像去噪算法。该方法基于视觉神经电生理研究结果,模拟视觉初级视皮层自适应机制和感受野的响应特性来实现对图像的去噪。使用小尺度模板对噪声进行检测;根据噪声的大小采用ON/OFF感受野模板去噪处理,对图像进行亮度调整。实验结果表明,与现有的流行算法比较,该算法去噪效果较为有效,并能更好地保留图像纹理和边缘细节信息,在峰值信噪比和均方误差等客观定量评价指标上优于其他算法。  相似文献   

6.
提出的一种基于小波变换和数据融合降噪的边缘检测方法,是在边缘检测前先进行去噪处理,为避免去噪不完全、微分算子对噪声敏感,在边缘检测的同时增强了噪声,并把微分算子检测得到的边缘幅值图像融合与去噪相结合。最后,对融合后的图像进行灰度阈值处理和细化,得到边缘二值图像。实验结果表明:该方法在抑制噪声的同时能较好的检测出图像的边缘。  相似文献   

7.
提出的一种基于小波变换和数据融合降噪的边缘检测方法,是在边缘检测前先进行去噪处理,为避免去噪不完全、微分算子对噪声敏感,在边缘检测的同时增强了噪声,并把微分算子检测得到的边缘幅值图像融合与去噪相结合.最后,对融合后的图像进行灰度阈值处理和细化,得到边缘二值图像.实验结果表明:该方法在抑制噪声的同时能较好的检测出图像的边缘.  相似文献   

8.
为在图像去噪时很好地保持边缘、纹理等细节信息,提出一种新的基于曲线波变换的图像去噪算法。首先对含噪图像进行曲线波变换,然后在曲线波域制定噪声判断的方向准则和尺度准则,并对含噪图像进行去噪。最后,进行曲线波反变换,得到去噪后的图像。仿真实验结果表明,与传统去噪算法相比,所提算法不仅去噪效果好并且具有更好的边缘、纹理保持特性。  相似文献   

9.
在对传统的图像边缘检测的基础上,利用加入方向性的边缘检测滤波器进行去噪.该方法加强了对地震资料的地层纹理方向的滤波作用,使得地层沿层理方向的连续性得到一致性增强,并且保护了边缘信息.同时实验结果表明,该方法有效地消除了地震图像的噪声,提高了同相轴的连续性和地震资料的信噪比.  相似文献   

10.
为有效地提取纹理和去噪而不损坏图像的边缘及其他重要细节,Meyer(2001)提出了分别用BV空间和G空间刻画图像的主体和细节部分,笔者在Meyer的图像分解模型基础上,建立能量最小化PDE方程,将模型离散化后,利用投影算法和ROF模型的求解方法,将图像分解为有界变差部分u和包含纹理和噪声的部分v.数值实验表明,此方法仅用共40次迭代就能达到很好的分解效果,且去噪的信噪比比ROF模型提高了29.95%,而且除能有效地提取纹理和去噪外本方法对图像的边缘及其他重要细节损坏较小.  相似文献   

11.
一种改进的自适应图像增强法   总被引:2,自引:1,他引:2  
在去除噪声的同时,如何避免图像细节信息的损失和边缘的模糊,这是图像增强技术中的一个难点和关键问题.本文提出了一种自适应图像增强方法,即在对小波变换系数取阈值处理,并结合图像的自身特征对噪声和信号加以区分,通过对调整因子的设置来自适应增强图像边缘的方法.并用该法进行了实验仿真分析,取得了较好的增强效果,在降噪的同时保持了大部分细节及边缘信息.  相似文献   

12.
数字全息再现像中存在的散斑噪声严重影响了数字全息的应用,通过分析边缘检测方法和小波变换阈值去噪方法的原理,提出了一种基于边缘检测的小波变换散斑噪声去除方法。首先利用高斯-拉普拉斯算法获得边缘图像,进而通过Neyman-Pearson准则获得自适应阈值,并采用改进折中阈值函数对边缘图像和非边缘图像小波系数进行处理,将两者处理后的小波系数相加,并进行反变换得到处理后的图像。研究结果表明,该方法能够较好地在去除散斑噪声的同时保留图像细节。  相似文献   

13.
不同的数学变换工具能够有效表示图像的不同细节结构,小波变换能够有效表示图像中的奇异点,而con-tourlet变换能够有效表示奇异线,为了更好地利用不同变换工具的优势,文中提出一种基于小波和Contourlet的改进的图像复原算法。算法首先分别应用不同的小波基和不同的Contourlet基,基于正则化方法求解出复原图像;然后,将经过不同的滤波器组得到的复原图像通过加权平均的方式融合,得到一幅效果较好的恢复图像。实验结果表明,加权平均之后的图像相比使用单一滤波器的复原图像,其改善的信噪比提高0.1~0.5dB。  相似文献   

14.
提出了一种基于正交小波包的局域方差遥感图像融合新算法.该算法利用正交小波包变换,把图像分解成不同尺度的低频和高频部分,采用小波包局域窗口和子区域窗口统计,把小波包系数分类成边缘和非边缘系数.在融合处理中,把低频图像的小波包系数平均值作为融合后的低频系数,高频细节系数根据不同区域特征选择方法以及对应图像小波包系数的多窗口区域方差,来确定融合后高频小波包系数.实验结果表明,这种方法能够在保留图像微小细节方面获得满意的结果,有效且优于其他图像融合算法.  相似文献   

15.
为了解决传统图像合成方法在处理具有不同纹理特征的图像时产生明显边界的问题, 提出新的图像合成框架.把图像分解为基本层和细节层,基本层解决边界处颜色的无缝融合|细节层实现边界处纹理细节的光滑过渡.算法流程为进行基本层的融合,合成新的细节层,新细节层添加到融合的基本层得到最终结果.通过计算一张权重图来指导新细节层的生成,权重图度量纹理特征的强弱和像素到边界的距离.实验结果显示:算法可以有效保证颜色的无缝融合,保持纹理的光滑过渡.相对于传统图像合成方法,该算法可以生成更真实的合成图像.  相似文献   

16.
介绍了MAP超分辨力复原方法的原理以及小波滤波去噪的原理和具体方法,由于小波变换具有多分辨率分析和在时频(空频)两域都具有表征信号局部特征的能力,基于小波阈值去噪的图像超分辨力复原方法对于低信噪比图像处理具有独特的优越性,证明了其应用于超分辨率复原算法的有效性,并提出了基于级数优化的小波去噪超分辨力复原算法。  相似文献   

17.
提出一种各分解层上的不同频率分量采用不同的融合算子的双正交小波函数图像融合的新方法。首先将参加融合的两幅图像进行双正交小波多尺度分解,再根据纹理信息函数和边缘亮度函数的相关系数,对分解后的高频部分和低频部分采用不同融合算子进行加权融合。仿真结果表明,该算法与传统的图像融合算法相比较,能得到清晰度更高,偏差指数更小的融合图像。  相似文献   

18.
雾天获取的图像,掩盖了部分需要的真实信息.针对这类图像,给出了应用强化边缘的方法进行处理,主要采用多尺度边缘提取方法获得图像边缘;用小波阈值去噪法对图像进行消噪处理;为了避免传统方法产生的块状现象,最后用三次样条插值对图像进行平滑处理.  相似文献   

设为首页 | 免责声明 | 关于勤云 | 加入收藏

Copyright©北京勤云科技发展有限公司  京ICP备09084417号