基于静态小波分解的多尺度SAR图像滤波

由于雷达回波的相干性，合成孔径雷达（SAR）图象上存在着斑点噪声，因此，为消除这种噪声，提出了一种基于静态小波分解的硬阈值滤波方法，该方法首先将SAR图象分解至静态小波域，然后在静态小波域中将噪声的小波系数收缩至零，将此算法应用于ERS－1 SAR图象斑点噪声滤波，并与基于Mallat分解的滤波算法和另外3种典型的SAR图象滤波算法进行比较，结果表明，该方法不仅可以有效地去除斑点噪声,并且可以保持SAR图象的精细纹理结构。     

基于静态小波分解的多尺度SAR图象滤波

由于雷达回波的相干性 ,合成孔径雷达 (SAR)图象上存在着斑点噪声 ,因此 ,为消除这种噪声 ,提出了一种基于静态小波分解的硬阈值滤波方法 ,该方法首先将 SAR图象分解至静态小波域 ,然后在静态小波域中将噪声的小波系数收缩至零 .将此算法应用于 ERS- 1SAR图象斑点噪声滤波 ,并与基于 Mallat分解的滤波算法和另外 3种典型的 SAR图象滤波算法进行比较 ,结果表明 ,该方法不仅可以有效地去除斑点噪声 ,并且可以保持 SAR图象的精细纹理结构     

基于冗余小波变换的医学超声图像去斑噪算法

医学超声图像中固有的斑点噪声严重降低了图像的可解译程度,影响了后续的图像分析和诊断。提出了一种基于冗余小波变换的超声图像去斑算法,首先对含斑图像进行对数变换,将乘性噪声变成加性噪声;再对转换后图像做冗余小波分解;在小波系数服从广义高斯分布的前提下,计算每个小波高频子带的贝叶斯萎缩阈值,利用软阈值方法修正小波系数。实验结果表明,该算法去斑性能优于传统的空间域滤波和正交小波阈值去噪方法。     

一种基于P2DHMT的小波域图像去噪算法

文章提出了一种基于小波域伪二维隐Markov树(P2DHMT)的图像的滤波新方法。首先建立了小波域的伪2DHMT模型,给出了基于EM、Baum-Welch等算法的模型参数估计方法;其次提出了一种基于最大后验概率准则的P2DHMT最优图像滤波算法;最后给出了图像去噪算法的实现过程。实验结果表明该方法可以在保存图像细节特征的情况下有效地抑制图像的噪声。     

基于小波分解的嵌入式水印

本文提出了基于小波分解的嵌入式水印算法。该算法根据Watson关于小波系数量化噪声可见性的研究结果，将水印图像按不同的系数依次嵌入到原图像小波分解的重要系数上去。水印的检测是在图像不同层次的分解基础上，对比原始图像或同层次的分解实现的。实验表明，小波分解的嵌入式水印对高频滤波和噪声有较强的鲁棒性。     

基于单尺度脊波变换的阈值滤波方法

分析了高斯白噪声在单尺度脊波域中的统计性质，提出了一种新的基于单尺度脊波变换的阈值滤波算法。仿真结果表明，这种算法不仅比传统基于小波变换的各种滤波算法有更高的PSNR值，而且能更好地保持图像细节。     

基于多尺度形态学融合的分水岭图像分割方法

提出了一种基于多尺度形态学融合的分水岭图像分割方法，采用多尺度结构元素对输入图像并行滤波，并对结果图像进行基于小波变换的图像信息融合。针对小波分解的不同频率域，选择不同的融合规则，既抑制噪声又保持目标轮廓信息。最后，采用最大熵法自适应确定算法的初始阈值，并给出一种有效的区域合并方法来优化分割结果。实验证明，采用此分割方法可以获得较好的分割结果。     

一种基于小波变换图像去噪的方法

提出了一种基于图像软阈值小波变换的高斯白噪声消除法。该算法根据含噪声图的特点,把信号分成信号象素与可能噪声象素两类,对于可能是噪声的象素,采用图像的小波软阈值去噪方法进行滤波,而对信号象素不产生影响,且能保留更多的图像细节。文中也给出了标准中值滤波,自适应维纳滤波算法和小波软阈值去噪的算法进行比较实验,结果表明用小波软阈值去噪的算法处理高度污染高斯白噪声的图像能力明显强于标准中值滤波,稍微优于自适应维纳滤波算法,且能够比较好保留图像的细节部分。     

基于小波多尺度分解的Mean Shift图像滤波方法

将小波多尺度分解与传统Mean Shift滤波算法相结合提出的一种有效的图像滤波方法。先将含噪声图像进行Mallat塔式分解,获得不同尺度、不同频带的子图像。将低频近似图像保持不变,对高频细节进行Mean Shift滤波,最后将低频近似图像与高频滤波后的图像进行合成得到去噪后的图像。由于Mean Shift算法是一种迭代方法,要保证较高的数值计算精度则需要较多的迭代次数,耗费较长的计算时间,为克服这一缺点,提出了采用Fourier级数来近似计算高斯函数。实验结果表明该方法在降低噪声的同时能够尽可能的保留图像细节,其去噪效果优于传统的高斯滤波、Wiener滤波方法和单一小波域值法和Mean Shift滤波方法。     

基于NSCT域邻域收缩的SAR图像去噪

针对合成孔径雷达（Synthetic Aperture Radar,SAR）图像受到相干斑噪声的干扰,严重影响了SAR图像的后续处理的问题,提出一种在非下采样轮廓变换（Nonsubsampled Contourlet Transform,NSCT）域将中值滤波和邻域收缩法相结合的SAR图像去噪算法。该算法对原始SAR图像进行NSCT分解,得到低频子带和高频子带图像,对低频子带使用中值滤波处理以去除低频子带中的低频噪声,利用NSCT分解系数之间的相关性,使用邻域收缩法对子带图的系数进行收缩,以消除高频子带中的高频噪声。实验证明,该算法与小波域邻域收缩去噪算法和NSCT硬阈值去噪算法相比,在去噪性能和视觉效果方面均有所提高,在消除噪声同时可以较好地保护纹理细节信息。     

基于平稳小波变换的图像去噪方法

正交小波阀值消噪方法已广泛地应用于图像噪声抑制，目前对于正交小波阈值去噪方法的研究主要集中于如何选取阈值使消噪达到较好的效果，然而对于图像中噪声幅度较大的情况下，正交小波变换阀值消噪会使图像边缘失真，甚至图像模型，提出的平衡小波变换的图像消噪方法，可以有效地降低噪声，同时又较好地保持图像边缘细节，与正交小波变换阈值降噪方法相比，有明显优越性。     

小波模极大值在图像消噪中的应用

提出利用小波模极大值进行图像消噪方法,对含噪声图像进行离散平稳小波变换和噪声标准差的估计,在Bayes-shrink阈值计算的基础上,得到消噪的阈值计算公式。对各尺度各子带的小波系数模极大值进行判断,获得由图像边缘产生的小波系数,使用自适应多阈值的方法在小波各尺度、各子带萎缩非图像边缘产生的小波系数。经平稳小波逆变换得到消噪后的图像。实验结果表明,与以前消噪方法相比,该方法具有更好的效果。     

基于新阈值函数和小波分析的数字图像去噪方法

在数字图像处理过程中消除和减弱噪声对信号具有很重要的影响。中值滤波是传统的减少图像噪声,提高图像质量的可行方法。文章研究了中值滤波及其改进算法在图像去噪中的应用,基于小波分析基础理论和数字图像信号的小波变换分解重构原理,通过对小波分解系数选定恰当的阈值并进行阈值量化,基于小波分解后的高低频系数进行信号重构,从而有效去除或降低信号的噪声。本文采取的算法在MATLAB仿真平台进行了验证,结果表明,基于本文提出的阈值函数和小波分析处理方法对图像去噪具有更好的适应性,能够更好的改善数字图像的质量。     

非平稳环境下基于小波变换的图像去噪

传统的图像去噪算法往往仅对平稳或缓慢变化的噪声有效,且残留的图像噪声较大。对此,研究了非平稳环境下基于小波变换的图像去噪算法。该算法根据图像与噪声在小波域的分布特性以及它们的小波变换模极大值随尺度的变化大小不同,运用迭代算法得到不同尺度小波域中噪声的具体位置以及小波系数大小,完成了图像去噪。实验结果表明,对峰值信噪比较低的图像,该方法去噪后峰值信噪比比传统方法的高,并且保留了较多的图像细节,同时对平稳和非平稳的噪声都能进行较好地去噪。     

基于Sobel算子的小波去噪算法

文章在分析Sobel算子边缘锐化与小波边缘检测的基础上,提出了一种能保持图像边缘的去噪方法。对加噪图像进行平稳小波变换以后,在各尺度下利用Sobel算子对小波高频系数进行边缘锐化,采用局部模极大值进行边缘检测,对于非边缘小波系数采用小波阈值滤除。实验结果表明,该方法不仅能够滤除图像的噪声,而且能够保持图像的边缘。     

基于噪声模型和通道融合的彩色图像隐写分析

彩色图像的隐写分析大多在单信号通道进行,弱化或忽略了彩色图像不同颜色通道的相关性.通过分析彩色图像隐写噪声模型,提出了基于噪声模型和通道融合的通用彩色图像隐写分析算法.算法基于小波滤波,得到待检测图像的噪声小波系数子带,从该类子带中提取刻画噪声通道融合特征的噪声梯度方向序列及噪声梯度和序列,结合描述彩色图像颜色通道融合特征的颜色梯度方向序列及颜色梯度和序列,应用HHT变换提取各序列的振荡特征,构建基于Hilbert谱的特征向量,应用SVM分类器进行分类判别.实验表明,与已有的彩色图像隐写分析算法比较,所提出的算法误检率低,具有更好的检测效果.     

基于统计特性的小波噪声抑制在低剂量CT中的应用

较高的照射剂量限制了X线断层成像(computed tomography,CT)技术在筛查及体检中的应用,目前临床常采用降低剂量的解决方案,但CT图像质量亦有明显下降。为提高低剂量CT的重建质量,提出了一种基于投影数据统计特性的小波去噪算法。通过分析低剂量投影数据的噪声特性,发现在投影域其噪声均值和方差接近非线性高斯分布,根据非平稳噪声在平稳小波域中的性质,结合贝叶斯估计方法对小波系数进行基于最小均方误差的自适应滤波,实现了图像信噪分离的目的。滤波完成后,采用常规滤波反投影(FBP)法重建CT图像。较传统算法,该方法具有较高的信噪比,实验结果表明,该算法能够有效地抑制噪声,且较好地保留图像细节。     

基于多尺度特征融合的SAR图像分割

由于存在相干斑噪声的影响,给SAR图像分割造成很大的困难,提出一种基于多尺度特征融合的SAR图像分割方法。该方法利用快速离散curvelet变换提取图像的纹理特征,利用平稳小波变换提取图像的统计特征,将两种多尺度特征融合成高维的特征向量,采用模糊C均值聚类的方法进行分割。在仿真SAR图像和真实SAR图像的分割实验结果表明,提出的方法优于单独采用小波变换进行SAR图像分割的方法,在消除均质区内碎块的同时,使得边界更为精准和平滑。     

基于平稳小波域的各向异性扩散图像去噪方法

针对传统的各向异性扩散去噪方法存在的导致图像细节丢失的问题,提出了一种基于平稳小波域的各向异性扩散图像去噪方法。该方法根据平稳小波变换的特性,通过在高频和低频子带上选用不同的梯度门限进行各向异性扩散,然后进行重构得到去噪后的结果图像。实验结果表明,该方法在有效去除噪声的同时,图像细节保留较好,去噪后的图像具有更好的质量。