压缩感知的高分辨率天文图像去噪

为提高高分辨率天文图像的重构质量,在传统压缩感知(compressed sensing,CS)迭代小波阈值算法的基础上,提出了一种基于小波维纳滤波的压缩感知去噪重构算法.该算法的设计方法为:在每次迭代过程中,使用设计的小波维纳滤波算子替代传统的小波阈值算子对获得的天文图像小波系数进行筛选,从而对小波阈值去噪方法重建图像过程中出现的伪吉布斯现象进行有效地抑制;然后使用全变差方法对去噪重建后的天文图像进行调整,以进一步提高重构图像的质量.仿真实验结果表明,与传统的迭代小波阈值算法相比,本算法可以获得较优的去噪重建性能,并且能有效地保护高分辨率天文图像的细节特征信息.此外,在压缩比较高的情况下,该算法仍然可以获得相对较高的视觉质量和峰值信噪比.     

基于鲁棒主成分分析的图像放大算法

给出一种采用鲁棒主成分分析去噪的图像超分辨率算法。对高分辨率训练图像进行Haar小波变换,使用鲁棒主成分分析法得到去噪后的近似子带字典和细节子带字典;将低分辨率测试图像的近似子带作为相应高分辨率测试图像的近似子带,通过细节子带字典恢复出高分辨率测试图像细节子带;通过逆Haar小波变换得到高分辨率测试图像,利用多级增强进一步提高图像的质量。实验结果显示,用所给方法得到的字典对噪声有鲁棒性,且高分辨率重建图像峰值信噪比较高。     

基于自适应维纳滤波和2D-VMD的声呐图像去噪算法

声呐图像易产生对比度低、分辨率低、边缘失真等问题,所以在去除声呐图像噪声时难以将有效信号与噪声准确分离,从而导致去噪后图像对比度降低、边缘轮廓不清晰、细节丢失严重等问题.本文提出一种基于自适应维纳滤波和2D-VMD(二维变分模态分解)的声呐图像去噪算法.首先通过二维变分模态分解对含噪图像进行分解,得到一系列不同中心频率的模态分量,利用相关系数和结构相似度筛选出有效的模态分量,并使用自适应维纳滤波处理有效的模态分量,最后将滤波后的模态分量进行重构,从而去除图像中的噪声.实验结果表明:所提图像去噪算法在相关系数(CC)、结构相似度(SSIM)这两项客观数据上表现最优,峰值信噪比(PSNR)略低于NSST域去噪,综合客观数据与视觉效果,本文所提算法去除噪声后的图像细节和边缘保持能力效果最佳.     

基于小波变换与多帧平均法融合的背景提取

利用虚拟检测圈法对道路交通视频进行处理,可以检测出道路上运动车辆的车速.而虚拟检测圈法首先需要得到准确的视频道路背景图像.针对交通道路视频,在背景提取算法仿真分析的基础上,利用小波变换,将提取到的背景图像进行一级小波分解,得到各分量图像.通过对水平分量、竖直分量及对角分量进行去噪处理后,再采用小波重构得到最终的背景图像.采用该方法所得背景图像能有效地减少主要背景提取算法中存在运动车辆轨迹的缺点.     

基于小波变换的自适应阈值图像去噪技术研究

主要研究了基于小波变换的图像去噪技术在图像去噪过程中的阈值选择问题,对图像信号进行小波变换得到小波系数,选择合适阈值处理小波系数,再将处理后的小波系数经过小波逆变换得到重构后的去噪图像。仿真实验通过对基于小波变换的软阈值去噪、硬阈值去噪以及自适应阈值去噪方法对图像进行处理,达到对图像的降噪效果。仿真实验证明,基于小波变换的自适应阈值去噪技术去噪结果最优,能够清楚地保留图像中的细节,无锐化、过度平滑的现象,且它的信噪比、峰值信噪比的值为最大、均方误差的值最小,从而提升了图像的整体质量。     

基于多个小波包基分析的图像融合去噪方法研究

根据不同特性的小渡包基有效表示图像的侧重点不同,提出一种基于多个小波包基分析的图像融合去噪方法.即利用不同特性的小波包基对含噪图像进行分解,然后对软阈值处理后的系数按照一定的融合规则进行融合处理,得到一组新的融合后的子图像,最后利用小波包逆变换重构得到融合后的新图像.实验表明,本算法去噪后的图像在峰值信噪比及主观视觉效果两方面均得到了明显改善.     

联合双重滤波的水下图像NSCT阈值去噪算法

针对水下图像噪声特点以及去噪时边缘细节保护不理想的问题,提出了基于联合双重滤波的NSCT阈值去噪算法.该方法采用具有平移不变性的非下采样轮廓波变换对水下图像进行多尺度和多方向分解,根据分解后图像的噪声分布特点,联合频域与空域方法将中值滤波和非局部均值滤波算法分别应用于高低频图像的滤波处理,设置合理阈值进行去噪,进一步恢复图像细节并重构图像.实验结果表明,水下图像的去噪效果明显提高.     

小波变换技术在指纹图像预处理中的应用

介绍了小波变换技术,并采用小波分解与重构方法对指纹图像进行小波压缩、去噪和增强处理．实验表明,应用小波变换技术对指纹图像进行处理能够获得较满意的结果．     

基于图像边缘检测的小波去噪算法

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．     

结合加权引导滤波和小波变换的低照度图像增强算法

针对低照度图像增强处理后存在图像细节差、色彩失真和“光晕伪影”等问题，在HSV颜色空间中处理图像，将V通道分量进行小波变换分解，对低频系数采用改进加权引导滤波替代高斯滤波作为环绕函数的多尺度Retinex算法处理，对高频系数采用改进的阈值函数降噪处理，小波逆变换重构V通道分量，对重构的V通道分量进行Gamma校正处理并转换回RGB颜色空间。实验结果表明，该算法增强后图像亮度提升明显，同时抑制了“光晕伪影”,颜色失真较少且细节丰富。     

高噪声遥感图像稀疏去噪重建

高噪声遥感图像去噪一直是遥感领域研究的一个重要难题,为进一步提高高噪声遥感图像的重建质量,在经典的压缩感知迭代小波阈值算法的基础上,提出了一种改进迭代小波阈值算法.首先,提出一种自适应小波滤波算子在图像稀疏变换过程中对获取的遥感图像小波系数进行筛选,去除图像中的部分噪声信息;其次,使用提出的下降BayesShrink阈值在每次迭代过程中对获取的小波系数进行二次筛选过程;最后,使用改进的块稀疏全变差方法对获得的重建图像进行调整以进一步提高重建遥感图像的质量.试验结果表明,该算法的去噪重建性能优于经典的压缩感知迭代小波阈值算法,可以从高噪声图像中重建一幅高质量的遥感图像,验证了该算法的有效性.此外,该算法能够有效地保护遥感图像的边缘和纹理等重要特征信息.在低压缩采样比情况下,该算法也能够获得相对较高的峰值信噪比和视觉质量.在卫星地面接收站,该算法可直接使用获取的少量含噪遥感图像数据重建一幅清晰的遥感图像.     

压缩感知的天文图像去噪算法

针对压缩感知迭代收缩阈值算法在图像处理中存在收敛速度慢和去噪性能差的缺陷,提出了一种改进的高性能迭代收缩阈值天文图像去噪重建算法.首先,使用经典最速下降法中的BB线性搜索步长算子加快迭代收缩阈值算法的收敛速度;其次,为了进一步提高重构天文图像的质量,在传统Visu Shrink收缩阈值的基础上,提出一种下降Visu Shrink收缩阈值对图像信息进行筛选;由于阈值去噪方法在迭代重建的过程中会导致重建的图像中出现伪吉布斯效应,最后采用循环平移的方法在每次迭代过程中对获取的重建图像进行调整.多次的试验结果表明,与传统的压缩感知迭代收缩阈值算法相比,所提出的算法不仅能够获得较优的去噪性能和较快的收敛速度,同时可以有效地保护天文图像的特征和纹理等细节信息.此外,当选取的压缩采样比较低时,本算法也可以获得相对较高的峰值信噪比和视觉质量,进一步验证了本算法在天文图像去噪中的有效性.     

一种用于医学图像恢复的紧小波标架算法

为更好地消除噪声,保留细节信息,根据图像和噪声的小波系数在频域呈现的不同特性,提出了一种基于区域的消噪方法.将该消噪算法插入到小波标架算法中,在消除噪声的同时恢复了部分丢失的系数.实验结果表明,在没有增加计算复杂度的情况下,无论是峰值信噪比还是视觉效果都有了明显改善.     

Retinex和小波变换去除遥感图像云雾方法分析

基于遥感图像中的云和景物信息频率分布特征,介绍了改进的Retinex方法和小波变换两种去云方法的基本原理,并结合实验分析两种方法的优缺点。Retinex算法对较暗区域的图像处理有明显效果,改进的Retinex方法则是基于经典Retinex,对具有较高亮度的遥感图像通过图像变换方法达到去云的目的。小波变换方法是将图片进行适当层次的小波变换,增大低层细节系数,突出景物信息,减小高层细节系数,适当减小近似系数,最后将所有系数重构,得到重构图像。实验结果评价及数据表明:基于小波变换方法优于Retinex方法。     

小波变换与图像融合方法在遥感图像处理中的应用

依据小波变换理论,分析得出了图像经多层小波变换后,低层的细节系数频率高于高层细节系数,近似系数的频率最低。遥感图像景物的频率较高,云雾频率较低,高层的细节系数和近似系数包含了云雾信息,因此要提高图像的清晰度,就必须减少高层细节系数和近似系数,增大低层细节系数,去除云雾。为减少处理过程中信息量的丢失,将原图像和处理结果融合。实验表明,该方法能有效地去除云雾。     

基于小波包的遥感图像融合新算法

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．     

图像小波去噪的算子描述

给出了一种基于二维离散小波变换的图像去噪方法,并用算子的形式加以描述,通过对小波变换系数进行阈值处理实现图像的去噪。讨论了不同的阈值选取方法和阈值策略。并提出了一种自适应局部阈值法。用均方差衡量去噪性能,实验结果证明,用自适应局部阈值法去噪好于全局阈值法去噪。     

一种基于小波去噪的遥感图像显著性区域检测算法

传统的图像检测方法未获取遥感图像亮度、色度、饱和度信息,图像显著性区域检测效果较差,为此,论文提出一种基于小波去噪的遥感图像显著性区域检测算法。利用小波变换的正交方式将遥感图像转换为一维图像,采用二进小波变换获取遥感图像边缘信息,根据新阈值函数去除图像边缘噪声;依据IHS变换（Intensity-Hue-Saturation）方式计算遥感图像亮度、色度、饱和度信息,并经离散小波变换计算遥感图像高、低频系数向量,通过模糊C均值聚类获取低频系数聚类数据后,利用显著性因子完成遥感图像显著性区域检测。实验结果表明：本文方法能够有效提取图像边缘信息,去除噪声能力强,所检测到的图像显著性区域层次分明,对比度较高,检测效果好。     

基于人机交互的界面故障数据属性识别方法

为了提高故障数据识别精度,提出基于人机交互的界面故障数据属性识别方法.利用LCD显示与小键盘构成具备数据采集功能的人机交互模块采集界面故障数据,通过离群熵提取界面故障数据噪声并进行消噪处理,结合低通、高通滤波器重构界面故障数据信号,构建待选数据属性池,计算目标数据和待选数据之间的距离相似因子,从而实现界面故障数据属性识别.结果表明,该方法复杂度较低,识别复杂系数介于0.4~0.52之间,查全率可达到95%,识别精度约为91%,大大提升了设备界面故障数据识别性能.