基于多小波基维纳滤波图像去噪

提出一种多小波基维纳图像去噪方法.它把多个小波基用于小波维纳滤波图像去噪,利用多个小波各自独有的特性和维纳滤波估计最小误差估计的优点,达到对图像更有效去噪的目的.实验结果表明,该方法可以有效降低图像噪声,同时,较好地保持图像视觉效果.     

一种基于小波变换的图像去噪新方法

为了更好地进行图像去噪,提出了一种图像去噪的方法。对图像进行小波变换以后,噪声的小波系数在不同尺度上都服从高斯分布但大小不同。由此,对各尺度各方向上的小波系数进行维纳滤波,而保持低频系数不变,先以此来估计原始图像的小波系数;然后进行小波反变换,得到去噪图像。实验结果表明了该方法的有效性。     

基于TLS估计的遗传小波红外图像去噪方法

为了更有效地去除红外图像中的噪声,提出一种基于总体最小二乘法(TLS)估计的遗传小波红外图像去噪方法.该方法以TLS小波去噪后图像作为父本并以维纳滤波处理后的图像作为母本来进行选择、交叉和变异,通过提取TLS小波去噪和维纳滤波在图像去噪中的优势基因,获得最优子代并解码还原成图像.实验结果表明,与当前已有的图像去噪方法相比,该方法能更加有效地去除红外图像中的噪声,且去噪后的图像具有更高的信噪比(SNR)和更小的最小均方误差(MSE).     

基于一种新小波变换的OCT图像去噪方法

散斑在OCT图像中既是信息载体,也是一种严重的噪声。针对OCT图像的这一特点,提出一种基于小波变换和维纳滤波相结合的OCT图像去噪方法。通过对OCT图像进行小波分解,得到四个不同频带的子图像,保持低频部分不变,对另外三个高频细节图像进行维纳滤波,将低频子图像和三个滤波后的高频细节子图像进行小波反变换,得到去噪后的图像。实验结果表明小波变换和维纳滤波相结合的方法对OCT图像有比较理想的去噪效果。     

一种加窗的双重局部维纳滤波图像去噪算法——基于SWT和DTCWT

提出了一种基于静态小波变换和对偶树复小波变换的加窗的双重局部维纳滤波图像去噪算法。在第一次局部维纳滤波中,用静态小波变换对含噪图像进行分解,然后利用椭圆方向窗来估计不同方向子带的各点信号的方差;在第二次的局部维纳滤波中,第一次局部维纳滤波恢复后的图像被对偶数复小波变换分解后,利用由子带能量自相关函数确定的自适应窗来估计不同方向子带的各点信号的方差,然后利用逆对偶数复小波变换对图像进行恢复。实验结果及分析表明了该去噪算法的有效性。     

医用超声图像有效去噪方法研究与仿真

研究医用超声图像的去噪问题,保证去噪有效性.超声图像成像过程中,超声波到达器官组织散射回波信号会在超声图像中产生乘性斑点噪声,对图像质量造成破坏,传统的维纳滤波方法不能有效去除乘性斑点噪声保留图像细节信息,使超声图像去噪有效性不高.为解决上述问题,提出阿尔法超声图像去噪方法,首先将超声图像进行分析和小波分解,发现超声图像的信号具有明显的非高斯特性且二维小波系数服从阿尔法分布,然后据阿尔法分布特点采用最小平均绝对误差准则的估计器去除超声图像中的噪声.仿真结果表明,改进方法能够有效去除超声图像中的乘性斑点噪声,且最大限度保留图像细节信息,保证超声图像去噪的有效性.     

基于修正维纳滤波的小波包变换图像去噪

图像去噪是图像处理中一个非常重要的环节。为了改善降质图像质量,根据Donoho提出的小波阈值去噪算法,分析了维纳滤波原理,提出了一种基于修正维纳滤波的小波包变换图像去噪方法。利用修正维纳滤波对噪声图像进行处理,用处理后的图像计算噪声的标准方差,以此作为小波包的阈值。利用小波包对维纳滤波后的图像进行分解,实现对图像的低频和高频部分分别进行分解,用计算出的阈值对小波包树系数进行软阈值处理。利用小波包逆变换来获取去噪后的图像。结果表明：在噪声方差为0.01时,经该算法去噪后图像的PSNR比小波包自适应阈值去噪后的PSNR高出8.8 dB。该算法不仅能有效地去除加性高斯白噪声,而且能很好地保留边缘信息,极大地改善了图像的视觉质量。     

基于贝叶斯估计的杂交小波图像降噪新算法

针对传统图像去噪算法易丢失细节特征、峰值信噪比低等问题,受杂交育种学启发,借鉴遗传算法思路,提出了一种基于贝叶斯估计的杂交小波变换图像去噪算法。该算法以贝叶斯小波去噪后的图像作为父本,维纳滤波处理后图像作为母本进行杂交,对挑选出的个体进行逐代杂交和变异生成子代,将最优子代作为算法的最终解,对其解码还原为去噪后的图像。本算法去噪后的图像峰值信噪比远高于传统算法;去噪后的视觉效果也好于传统方法。实验结果表明该方法不仅能有效消除图像噪声,还能较好地保留图像边缘等细节特征。     

基于小波维纳滤波和各项异性扩散的图像去噪

提出一种基于小波和各项异性非线性扩散的新图像去噪算法。小波域局部阈值维纳滤波是一种简单有效的去噪方法,利用该方法先对原始图像进行初步去噪,以此引导非线性扩散模型中的边缘检测函数,再用非线性扩散进行去噪。实验表明:该算法不仅很好地保存了图像的边缘信息,而且有效地去除了图像中的大部分噪声,无论是视觉效果还是客观标准上都优于单纯的小波域维纳滤波或各项异性非线性扩散去噪。     

噪声图像的复原方法研究和实现

消除图像噪声主要目的是改善图像质量，本文主要阐述了噪声图像的复原方法。首先简单介绍了图像噪声产生的原因和分类，然后介绍了用于图像复原的平均值滤波、中值滤波、自适应维纳滤波和小波变换去噪的工作原理和适用性，为进一步提高图像质量，又提出了基于边缘检测的小波包图像去噪方法。     

一种图像自适应Wiener组合滤波方法

利用小波域Wiener滤波和空间域自适应Wiener滤波的特点,提出一种基于小波域自适应Wiener滤波和空间域自适应Wiener滤波的组合滤波方法。该方法首先在小波域进行自适应Wiener滤波,对恢复图像中的残留噪声方差进行重新估计,再在空间域进行自适应Wiener滤波,这种方法提高了恢复图像的精度。仿真实验表明,与单独的小波域和空间域Wiener滤波相比,该方法的均方误差最小,去噪效果更优。     

一种小波和脊波联合去噪方法

由于小波变换不能有效地处理图像中的奇异线,而脊波变换能很好地弥补这一不足,提出了一种基于图像分块的小波和脊波联合去噪方法。该方法把噪声图像分成一定尺寸的图像块并选择其中的同质块和非同质块;利用小波去噪方法处理同质块,而非同质块用脊波去噪方法处理得到去噪后的图像;用维纳滤波器进一步处理去噪后的图像。实验表明,该方法与单纯的小波去噪方法和脊波去噪方法相比,信噪比有了较高的改善,能有效地保留图像的边缘细节信息。     

基于先验模型的小波图象降噪方法

本文提出了一种基于小波系数先验模型的小波降噪技术。这种模型认为整个小波系数空间由服从零均值高斯分布的局部区域组成，具有空间自适应和局部化的性质，模型的参数可以利用实际观测数据(包含噪声成分)来估计。基于估计得到的小波系数先验模型可以设计小波域上的经验Wiener滤波器，并应用到图象降噪任务中。实验结果表明，此种
种方法可以取得比较好的降噪效果。     

IPP在基于小波域Wiener滤波的图像去噪中的应用

为了提高工业在线检测中图像处理的速度,使用英特尔集成性能原件(Intel IPP)作为编程工具,在小波域结合Wie-ner滤波进行图像去噪。对IPP作了简介,并阐述了小波域Wiener滤波原理和ThWiener算法。实验表明,在VC 平台下使用IPP对含噪图像进行小波域Wiener滤波具有良好的去噪效果,并且计算速度快,效率高,在实时图像处理中有较高的应用价值。     

一种基于小波分析的SAR图像增强去噪方法

提出了一种基于小波分析的SAR图像增强去噪声方法。该方法首先对被噪声污染的SAR图像进行小波变换，然后在小波域内对该图像进行平滑滤波，最后实现了一个SAR图像增强去噪处理系统。由处理结果可以看出，本方法在对SAR图像直接进行平滑滤波的应用中取得了较好的结果，为进一步图像分割、边缘提取奠定了一个较好的基础。     

基于变换域和噪声估计的路面图像去噪研究

针对不考虑噪声的统计分布,仅使用傅里叶变换或小波变换对图像进行降噪处理会带来图像的失真（扭曲）的问题,提出基于变换域和噪声估计的图像去噪方法。算法根据傅里叶变换和小波变换对图像的有效表示侧重点不同,以及图像噪声在不同变换域下的统计特性,提出先将图像进行傅里叶变换,根据噪声的统计特性构造传递函数H,使用Wiener滤波器进行降噪处理,得到一次降噪图像;再对图像再进行小波变换,根据噪声在小波的各尺度下,以及同一尺度下的不同特性,分别采用软门限降噪法和MMSE准则的降噪方法,得到二次降噪图像。仿真实验证实,该算法能有效提高降噪效果,降噪后的图像不失真,包含噪声少。