基于Contourlet变换尺度相关多阈值降噪算法

该文研究了多方向多尺度几何分析工具轮廓波Contourlet变换,在总结了Contourlet变换稀疏尺度关系的基础上,提出了一种基于Contourlet变换多阈值尺度相关降噪算法,利用Contourlet变换多分辨率以及优越的方向性进行阈值降噪,根据Contourlet变换后各个尺度间的相关特性及噪声强度设定不同的阈值,由于Contourlet变换比小波变换更稀疏的表示方式,更好地表示图像的细节,在图像降噪的过程中能更好地保护图像的纹理以及边缘,使得降噪后的图像在细节方面更突出。     

基于Contourlet变换尺度相关多阈值降噪算法

该文研究了多方向多尺度几何分析工具轮廓波Contourlet变换,在总结了Contourlet变换稀疏尺度关系的基础上,提出了一种基于Contourlet变换多阈值尺度相关降噪算法,利用Contourlet变换多分辨率以及优越的方向性进行阈值降噪,根据Contourlet变换后各个尺度间的相关特性及噪声强度设定不同的阈值,由于Contourlet变换比小波变换更稀疏的表示方式,更好地表示图像的细节,在图像降噪的过程中能更好地保护图像的纹理以及边缘,使得降噪后的图像在细节方面更突出。     

基于Contourlet变换和Wiener滤波的图像降噪

提出一种新的基于Contourlet变换和Wiener滤波的图像降噪方法。该方法充分利用Contourlet变换域系数服从广义高斯分布的特点,在Contourlet域采用Bayes收缩阈值法进行预降噪,采用Wiener滤波法对预降噪图像中的残留噪声进行进一步处理,以提高图像的恢复精度。仿真结果表明,该方法较传统的Contourlet域降噪方法具有更好的降噪效果,进一步提高了PSNR值,降低了MSE值,获得了更好的图像恢复质量。     

基于小波变换的图像降噪技术

小坡变换在图像处理中有着重要的应用,在基于小波的图像降噪处理算法中,常常存在着对图像信息的过分滤除和对噪声信息的欠滤出,而使得对图像降噪后不仅没有提高信噪比反而使其降低了,这就不利于对图像进行分析观察。究其原因主要是由于阈值选取和处理方法不恰当引起的。在小波空间Donoho闺值算法的基础上,结合Birge—Massart策略得出的多层阂值图像降噪处理算法,从而达到较好的保留图像的细节有用信息、降低噪声的目的,仿真实验表明对一般受低噪声干扰的图像做降噪处理时,效果较好。     

基于非抽样Contourlet变换的最佳软阈值图像去噪

研究了小波变换在图像处理中的缺陷,以及Contourlet变换在图像处理中产生伪Gibbs失真的原因。为了在多尺度分析框架下改进图像去噪的效果,提出了一种基于非抽样Contourlet变换的图像去噪算法,利用非抽样Contourlet变换的多尺度多方向性以及平移不变性,对加噪图像进行非抽样Contourlet变换得到变换系数,然后对变换系数采用分层最佳软阈值处理,最后将其反变换得到去噪后的图像。实验结果表明,与Contourlet变换图像去噪算法相比,该算法可以达到更好的效果。     

基于非抽样Contourlet变换的最佳软阈值图像去噪

研究了小波变换在图像处理中的缺陷,以及Contourlet变换在图像处理中产生伪Gibbs失真的原因.为了在多尺度分析框架下改进图像去噪的效果,提出了一种基于非抽样Contourlet变换的图像去噪算法,利用非抽样Contourlet变换的多尺度多方向性以及平移不变性,对加噪图像进行非抽样Contourlet变换得到变换系数,然后对变换系数采用分层最佳软阈值处理,最后将其反变换得到去噪后的图像.实验结果表明,与Contourlet变换图像去噪算法相比,该算法可以达到更好的效果.     

基于复Contourlet和各向异性扩散的图像降噪算法

提出了一种将复Contourlet变换和各向异性扩散相结合的图像降噪方法。通过复Contourlet变换对图像进行分解后,分别采用KAD对高频分量进行扩散,CDD对低频分量进行扩散,最后,经复Contourlet逆变换实现图像重构。并从主观视觉效果和定量评价两个方面,对该方法与其他降噪方法进行比较分析。实验结果表明,该方法不仅具有良好的降噪效果,并且能够较好地保留图像边缘和细节特征。     

基于NSCT阈值和自适应扩散的图像降噪

提出一种基于非下采样Contourlet变换(NSCT)阈值和P-Laplace扩散的图像降噪方法。通过NSCT阈值的平移不变性得到初步降噪图像,保留阈值变换后需要置0的高频部分,利用P-Laplace算子对其进行扩散,并将得到的扩散图像融合到阈值降噪图像中,从而提高降噪图像的质量。数值结果表明,该方法能有效保持原图像的纹理细节,减少图像降噪的吉普斯震荡现象。     

基于Contourlet变换的多聚焦图像融合

由于可见光成像系统的聚焦范围有限,很难获得同一场景内所有物体都清晰的图像,多聚焦图像融合技术可有效地解决这一问题。Contourlet变换具有多尺度多方向性,将其引入图像融合,能够更好地提取原始图像的特征,为融合图像提供更多的信息。该文提出了一种基于区域统计融合规则的Contourlet变换多聚焦图像融合方法。先对不同聚焦图像分别进行Contourlet变换,采用低频系数取平均,高频系数根据区域统计值决定的融合规则,再进行反变换得到融合结果。文中给出了实验结果,并对融合结果进行了分析比较,实验结果表明,该方法能够取得比基于小波变换融合方法更好的融合效果。     

基于Contourlet变换的多聚焦图像融合

由于可见光成像系统的聚焦范围有限,很难获得同一场景内所有物体都清晰的图像,多聚焦图像融合技术可有效地解决这一问题。Contourlet变换具有多尺度多方向性,将其引入图像融合,能够更好地提取原始图像的特征,为融合图像提供更多的信息。该文提出了一种基于区域统计融合规则的Contourlet变换多聚焦图像融合方法。先对不同聚焦图像分别进行Contourlet变换．采用低频系数取平均,高频系数根据区域统计值决定的融合规则。再进行反变换得到融合结果。文中给出了实验结果．并对融合结果进行了分析比较,实验结果表明,该方法能够取得比基于小波变换融合方法更好的融合效果。     

基于非抽样Contourlet变换的医学图像融合算法

分析了非抽样Contourlet变换（Nonsubsampled Contourlet Transform,NSCT）的原理,提出了一种新的基于NSCT的医学图像融合算法,应用NSCT对CT和MRI图像进行多尺度、多方向分解,低频子带采取区域能量加权法融合,带通子带采取模最大融合,最后将融合的系数进行NSCT逆变换得到融合图像。实验表明,与其它融合算法比较,该算法融合图像效果较好。     

一种基于Contourlet变换的图像内容认证算法

提出了一种基于Contourlet变换的图像内容认证算法。介绍了Contourlet变换并分析了其特点,详细描述了水印的嵌入与提取过程,采用形态学算子提高了检测率。仿真实验表明,本算法在保证水印的不可见性的前提下,对常见的非恶意操作鲁棒而对恶意操作脆弱。     

自适应收缩函数的Contourlet 变换图像去噪方法

针对传统图像在去噪过程中存在丢失细节且去噪效果不理想的情况,提出一种自 适应收缩函数的Contourlet 变换图像去噪方法。该方法利用Contourlet 变换的基本形式,结合 软阈值和硬阈值收缩函数的优点定义自适应收缩函数,并将其应用于图像去噪。实验结果表明, 所提出的方法能有效消除噪点,图像的峰值信噪比及增强因子等图像质量指标有明显地提高, 去噪后图像的视觉效果良好。     

基于边缘检测的Contourlet变换图像去噪

为了实现较好保留图像边缘特征的有效去噪,提出了一种基于边缘检测的Contourlet变换去噪方法。该方法先用LOG算子提取图像边缘,进而在Contourlet变换域上对图像的边缘部分和非边缘部分分别选取不同阈值进行最佳软阈值去噪处理。实验表明,与采用Donoho软阈值的Contourlet变换去噪方法相比,该方法可有效地保留图像的边缘信息,达到了更好的去噪效果。     

基于小波变换的图像阈值去噪的改进方法

基于Donoho提出的传统的阈值去噪方法,提出了一种新的阈值函数,并应用于图像的去噪.与Donoho的软阈值和硬阈值函数相比,这种新的阈值函数有更多的优点:可以实现能量自适应去噪;能够保存图像的边缘信息;函数的表达式简单,避免了硬阈值函数的不连续性;相比软阈值和硬阈值函数,新阈值函数更灵活.仿真结果表明,改进后的方法应用于图像去噪,无论是视觉效果还是信噪比都有了改善.     

基于Contourlet变换的遥感图像融合

利用Contourlet变换的多尺度、局部化、方向性和各向异性等优点,提出了一种基于Contourlet变换的遥感多光谱与全色波段图像融合新算法。算法首先对多光谱图像进行IHS变换,然后将多光谱的I分量和全色图像进行Contourlet分解,进而在不同子带中进行图像融合,低频采用一种新的基于形态学梯度算子的边缘信息融合算法,高频采用区域标准方差融合并使用形态学进行一致性检测,最后将得到的灰度融合图像进行线性拉伸并替代原来的I分量,进行IHS反变换后得到最终的融合图像。实验结果表明,与传统的图像融合算法相比,该算法能够更有效地融合源图像信息,保持源图像特征。     

基于Contourlet变换的图像融合方法研究

首先介绍了图像的直接融合算法、小波变换算法和Contourlet变换算法;然后利用Matlab环境进行仿真并采用互信息和边缘能量测度来进行融合效果的评价.评价结果显示,Contourlet变换算法实现的图像融合能更好的反应图像的细节特征.     

基于Contourlet变换阈值选取的算法研究

针对CT图像在生成或传输时容易受到噪声影响这一难题,提出了基于Contourlet变换结合PCA阈值的去噪方法。首先,对噪声图像进行Contourlet变换。然后,对DFB方向滤波后得到的Contourlet系数进行PCA阈值及硬阈值函数去噪。最后,对去噪后的Contourlet系数进行Contourlet逆变换,得到去噪图像。通过对图像添加噪声并与Contourlet结合六种不同阈值去噪方法进行对比,采用PSNR评估去噪优劣。结果表明:贝叶斯阈值方法 PSNR值最高PSNR=94.88 dB,然后是PCA阈值PSNR=83.02 dB,最后依次是配套改进阈值PSNR=73.97 dB、3σ阈值PSNR=73.27 dB、统一阈值PSNR=72.33 dB、通用阈值PSNR=71.50 dB。PCA阈值去噪结果整体平滑性较好,视觉效果较好;贝叶斯阈值去噪结果整体平滑性较差,视觉效果不佳。通过将Contourlet变换框架取代传统小波变换框架并结合PCA阈值应用在图像去噪中,不仅信噪比有所提高,而且图像视觉效果也明显改善。     

基于贝叶斯估计的Contourlet域图像降噪方法

提出了一种基于贝叶斯估计的Contourlet域图像降噪方法。该方法对输入的带噪图像进行多尺度、多方向的Contourlet稀疏分解,并在Contourlet域利用最小Bayesian风险函数对分解系数进行估计,通过Contourlet反变换得到预降噪图像。实验结果表明,该方法较其他的Contourlet域收缩阈值降噪效果好,进一步提高了PSNR值和降低了MSE值,能获得更好的图像恢复的质量。     

基于阈值分类的小波域混合模型图像降噪

通过一种自适应阈值分类,小波系数被分为两类:“大”的(重要的)和“小”的(不重要的)。根据不同类小波系数的统计特性分别用不同的模型进行降噪,对于“大”的一类用一种具有尺度间相关性的双变量模型进行降噪,而对于“小”的一类用一种具有强局部相关性的零均值高斯模型进行降噪,最后用Cycle-spinning方法抑制降噪过程中可能存在的震铃和锯齿等失真。实验结果表明了该算法在客观峰值信噪比和主观视觉上都优于一些传统的降噪算法。