基于平滑阈值函数的Ridgelet图像去噪

Ridgelet变换是继小波(Wavelet)变换后提出的一种新型的多尺度分析方法。它不仅具有小波变换的优点,还能更有效地表示图像的线性性质。鉴于Ridgelet变换具有多方向性,能够更好地恢复图像的边缘信息,得到比小波去噪更好的效果。本文将有限Ridgelet变换结合平滑阈值函数应用到特定图像的去噪中,试验结果表明,它比小波去噪及基于Ridgelet变换的简单阈值去噪效果更好。     

基于图像边缘信息的多小波阈值去噪方法

基于小波变换的图像去噪方法是小波应用较成功的一个方面,阈值大小的确定是该方法最终去噪效果好坏的一个决定性因素.基于图像边缘信息的多小波闽值去噪方法充分研究了信号与噪声在小波变换各分解层上的不同传播特性,在保留代表边缘信息的小波系数的基础上,对不同方向、不同分解层的小波系数分别选取最佳阈值处理.与Donoho等人提出的Visu shrink去噪方法相比,此方法提高了去噪后图像的峰值信噪比(PSNR),使图像更加清晰,去噪效果更好.     

Ridgelet域中基于非参数自适应密度估计理论的图像去噪方法

Ridgelet 是一种新的信号分析方法,它适合于具有直线或超平面奇异性的二维信号的描述,目前, 针对特定大小的离散图像,又提出了正交有限Ridgelet变换(FRIT)。该文在有限Ridgelet域中,结合Birge-Massart等提出的非参数自适应估计理论,提出一种新的二维图像去噪方法。实验证明,这种基于Ridgelet与Birge-Massart理论的图像去噪方法,与传统的Wavelet域去噪以及Donoho阈值去噪方法相比,去噪效果更为明显。     

基于Curvelet变换与小波包变换联合的图像去噪算法

小波包变换在处理图像中的平滑区域时能够起到较好的效果,而Curvelet变换可以更好地逼近线性奇异高维函数,对图像的边缘区域有最稀疏的表示.在此基础上提出了基于二者联合的图像去噪算法,在对含噪图像进行分割后,分别对线性区域和平滑区域采用Curvelet阈值去噪处理和小波包阈值去噪处理.该方法充分发挥了二者各自的优势,实验表明,它对图像的去噪效果要优于单纯的Curvelet或小波包去噪方法.     

基于复合脊波变换的图像去噪

脊波变换是在小波变换的基础上提出的多尺度分析方法,对于图像中直线状和超平面的奇异性问题,脊波变换比小波变换有更好的处理效果。应用数字复合脊波变换去除嵌入在图像中的白噪声,并使用一个简单的复合脊波系数的硬阈值来实现。实验结果表明,这种算法比VisuShrink算法、普通脊波算法和Wiener 2滤波器图像去噪的去噪效果更好,同时复合脊波算法也能应用于图像去噪和模式识别特征提取。     

基于Curvelet变换的图像消噪

小波变换对图像消噪能够起到较好的效果,但是对图像中线性区域的处理存在局限性.Curvelet变换是一种新的具有方向性的多尺度变换,他处理图像线性区域能有更好的效果.将Curvelet变换运用到图像消噪中,实验结果表明,他的消噪结果比小波消噪有着更好的视觉效果,并且PSNR也得到一定的提高.     

多幅非均匀噪声图像的联合去噪法的应用及仿真

小波去噪是小波变换的重要应用领域之一。对多幅被空间非均匀噪声污染的图像样本提出逐点加权平均与自适应逐点阈值去噪相结合的联合去噪方法,并比较先加权平均(Average)后阈值去噪(Threshold)和先阈值去噪(Threshold)后加权平均(Average)两种不同的方案。仿真实验结果表明:逐点加权平均与自适应逐点阈值去噪相结合的联合去噪方法,对含非均匀噪声的多幅图像拷贝具有良好的去噪效果。     

全变差数字滤波器与Ridgelet变换相结合的图像去噪方法

针对Gurvelet变换采用的金字塔分解对图像细节表现的不足,我们提出利用全变差数字滤波器提取图像细节,然后对其采用基于分数阶傅立叶变换和投影－切片定理的Ridgelet变换,在变换域中由极小化极大误差准则进行阈值估计并对变换域系数进行阈值处理,以实现图像去噪.与金字塔分解相比,全变差数字滤波器能够简化图像分解并得到包含几乎所有细节的单幅图像,从而更有利于在Ridgelet域中进行降噪处理.实验结果表明,相对于Ridgelet和Curvelet变换的去噪方法,本文方法在抑制噪声的同时具有更有效的边缘保护能力,同时消除了边缘处的振荡,并且相对于Curvelet变换节省了计算.     

中值滤波和小波变换相结合的图像去噪研究（英文）

为了保持原始图像在去噪过程中的边缘信息,文章提出了小波变换与中值滤波相结合的办法来处理含噪图像。首先对含噪图像进行小波分解,然后用中值滤波和不同的阈值(硬阈值、软阈值)处理小波分解后的子频带。该方法在去噪的同时保留了图像的边缘信息。实验证明,该方法的去噪效果优于单独使用小波去噪或中值滤波的方法。     

哈特曼球差自动测量系统中的小波变换图像处理及实现

阐述了小波变换去除图像噪声的基本原理和方法,利用小波变换技术对球差自动测量系统中CCD测量的哈特曼(Hartmann)小孔光阑图像进行噪声抑制和去除.讨论了Hartmann光斑数字图像处理中小波分解与重构算法,小波分解得到的高频系数阈值量化处理,然后进行去噪.采用Visual C 6.0和Matlab混合编制程序调用Matlab的小波变换工具箱函数来实现Hartmann光斑数字图像噪声抑制和去噪分析.结果表明,小波变换去除噪声的效果比传统的傅立叶(Fourior)变换方法具有极大的优越性.     

一种混合噪声图像的自适应滤除方法

基于小波变换的阈值去噪方法仅适用于去除高斯白噪声,对于脉冲噪声得不到好的去噪效果,正交小波变换由于缺乏平移不变性,在去噪过程中会产生人为的振荡现象,使图像边缘失真,甚至图像模糊,提出了基于平稳小波域自适应阈值算法同中值滤波相结合的去噪方法,该方法能有效地滤除图像中的高斯白噪声和脉冲噪声组成的混合噪声,并验证了该方法的有效性。     

一种利用像素分类的自适应小波图像降噪方法

提出了一种结合像素分类与小波变换的图像去噪方法.首先用常用方法获得初步去噪图像,并将其分割为若干图像块,分别计算每个图像块的空间频率.利用归一化的空间频率,对不同的图像块采用不同的阈值进行去噪,空间频率高的图像块采用较小的阈值,反之采用较大阈值去噪.实验结果表明:该方法可在初步去噪图像的基础上进一步提高图像去噪的效果,同时较好地保持图像细节;其去噪效果优于常用的小波图像去噪方法,峰值信噪比(PSNR)相对常用方法最高可提高3.4 dB.     

小波去噪在光纤电压传感器中的应用

文中介绍了光纤电压传感器的工作原理。并以小波变换为核心,为了改进滤波效果,提高去噪质量,在常规小波阈值去噪方法基础上,提出了基于小波变换的改进阈值函数去噪方法。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。利用小波变换对所检测到的电压信号进行分析,通过对理论模型进行仿真,证明该方法有很好的去噪效果。     

非线性阈值自调整小波图像去噪方法研究

为解决小波变换阙值去噪方法中阙值的合理选取,提出一种基于非线性阙值自调整小波变换的图像去噪方法。在传统小波阈值去噪方法的基础上,结合神经网络的非线性双曲线正切函数和BP训练方法,首先对含噪图像进行二进小波分解,然后对分解系数进行小波重建,并将重建系数在BP神经网络中采用最速梯度下降法进行优化处理,得到最优阈值,最后对阈值处理的重建系数进行叠加,得到原始图像信号的估计值,即去噪后的图像信号。仿真实验表明,该方法具有较好的重建图像视觉效果,信噪比（SNR）和峰值信噪比（PSNR）均比传统小波阈值方法提高了1～2dB。     

基于NSCT-I的红外图像收缩阈值去噪算法

分析了非下采样Contourlet变换,利用基于冗余结构的非线性提升方法实现了平移不变的不可分离小波变换,提出了一种改进的非下采样Contourlet变换理论(NSCT-I).NSCT-I具有更好的细节捕捉能力、平移不变性、良好的多分辨率、局部化和多方向性,能够获得更好的图像处理效果.在分析现有阈值函数和阈值选择方法的基础上,构建了适合NSCT-I变换方法的阈值函数,提出了一种基于NSCT-I的收缩阈值去噪算法.分析和仿真实验表明:该算法具有良好的去噪效果和保持细节的性能.     

基于非抽取小波变换的遥感图像贝叶斯去噪

图像去噪是遥感图像处理的一个重要方面。文中基于非抽取小波变换,提出了一种贝叶斯图像去噪方法。对小波系数采用广义高斯分布建模,根据贝叶斯估计理论,得到贝叶斯收缩阈值,采用软阈值收缩去噪。实验结果表明：该去噪方法能够有效地抑制正交小波变换产生的人为干扰和伪Gibbs现象,与正交小波变换阈值去噪方法相比具有明显的优越性。     

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Brushlet变换多层阈值选择的SAR图像去噪

Brushlet是一种新的图像方向信息分析工具,已被成功应用于图像融合与纹理分类等领域.提出一种基于Brushlet变换的多层阈值选择策略,并将其应用到SAR图像相干斑去噪中,通过对真实SAR图像的去噪实验表明,相比于传统的Wavelet方法,Brushlet变换域的多层阈值算法能获得更好的去噪效果,同时较好地保留了图像细节特征并获得更好的等效视数(ENL).     

一种局部放电信号去噪的新方法

小波变换是在局部放电信号去噪过程中常用的方法,由于实际信号中噪声频带较宽,仅用小波变换去噪有可能带来波形畸变。文中将经验模态分解（Empircial Mode Decomposition,EMD）引入小波阈值去噪算法中,提出了一种基于EMD的小波阈值去噪算法,信号经EMD变换后被分解成若干个频率的本征模态函数（Intrinsic Mode Function,IMF）,再对各个频率的IMF分量进行小波阈值去噪。相比于普通的小波阈值去噪算法,该方法能取得更好的去噪效果。对仿真信号和实测信号的处理结果验证了该方法的有效性。     

一种基于Ridgelet变换的遥感图像融合方法

Ridgelet变换是继经典的小波变换之后提出来的一种新型图像多尺度几何分析工具.针对不同波段的远程遥感图像提出了一种基于新型正交Ridgelet变换的遥感图像融合方法.该算法基于新型的可逆离散脊波多尺度变换,通过客观评估融合性能说明该方法优于其他三种典型融合方法,尤其是优于各种基于小波变换的图像融合方法,仿真实验证明该方法融合效果良好.