二维小波收缩与各向异性扩散等价性框架及在图像去噪中的应用

图像去噪是图像处理中的一种重要技术。小波收缩根据噪声的小波系数幅值较小的特征通过收缩达到去噪目的。各向异性扩散在尽可能保持图像特征的同时,根据梯度方向及幅值去噪。该文首先证明二维小波收缩与各向异性扩散的等价性框架,对等价性给予验证,进而根据等价性提出综合利用两种方法优势的各向异性小波收缩去噪算法。对比实验结果表明,此算法综合利用了小波收缩与各向异性扩散的优势,去噪效果更加理想。     

基于二维小波收缩与非线性扩散的混合图像去噪算法

研究自适应滤波算法对改善图像质量具有重要意义.本文分析了非线性扩散和二维Haar小波收缩去噪方法之间的关系,从本质上说明了非线性扩散方法优于Haar小波收缩去噪方法.然后,给出了一种基于图像全变差(TV)模型的非线性扩散与二维Haar小波收缩相结合的混合图像去噪算法.该算法在图像小波分解的低频部分采用全变差扩散,在高频部分采用小波收缩方法.实验结果表明,混合去噪算法在计算复杂性与滤波效果上具有更好的综合性能.     

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.     

结合USFFT Curvelet变换的各向异性扩散图像去噪模型

提出了一种结合USFFT Curvelet变换的各向异性扩散图像去噪模型.它有机结合了Curvelet变换和各向异性扩散(P-M扩散)两者的优点.通过P-范数方法选择合适的梯度阈值K,P-M扩散过程通过处理经过Curvelet变换得到的图像的不同尺度的Curvelet系数矩阵,实现了建立在对图像多尺度分析的基础上的新P-M扩散模型.实验表明,新模型的处理结果能有效避免传统P-M扩散出现的阶梯效应,同时更好地保留图像的纹理和细节.     

基于小波域上各向异性扩散的图像去噪算法

给出一种将小波阈值和偏微分方程相结合的去噪算法。首先对图像进行小波分解,在小波域上用改进的Perona Malik模型进行各向异性扩散,保留或较小程度的伸缩幅值大的系数,平滑幅值小的系数,较好地保留自然图像在小波域上的非线性相关性的同时实现小波系数伸缩,然后进行小波重构。仿真实验表明,该算法能获得较高的信噪比和较好的主观质量,且运算量比Perona Malik方法要小。     

结合Contourlet变换的各向异性扩散图像去噪

提出了一种结合Contourlet变换的各向异性扩散图像去噪算法.结合Contourlet变换和各向异性扩散的优点,通过Contourlet变换得到图像不同尺度的Contourlet系数矩阵,实现了建立在对图像多尺度分析基础上新的各向异性扩散算法.实验表明,新算法能够获得良好的视觉效果并且有效地提高了去噪图像的PSNR值,同时避免了传统的各向异性扩散出现的阶梯效应,更好地保留了图像的纹理和细节.     

一种基于核函数的各向异性扩散图像去噪算法

分析了各向异性扩散去噪模型优缺点,针对PM模型不能有效区分噪声和边缘,提出了一种基于核函数的各向异性扩散去噪模型。在该模型中,把图像中噪声与边缘在低维空间的非线性区分关系转变为高维特征空间的线性关系,利用核函数获得高维空间的扩散函数。实验中分别与PM模型、Cattle模型比较分析,证明基于核函数的扩散模型在去除噪声的同时,更好地保留图像的信息,且峰值信噪比最高,去噪性能最优。     

基于非线性小波阈值的各向异性扩散方程

本文给出了林石算子定义的扩散方程的小波阈值等价形式,并在此基础上对林石算子定义的扩散系数计算公式进行了修改,将其中估计各阶导数时所用的高斯线性滤波图像改成平移不变小波非线性阈值图像,这样避免了高斯滤波引起的过度光滑和边界移动.实验结果表明新的扩散方程在保持边缘位置的同时能更有效地去除噪声.     

小波变换在图像去噪中的应用

图像在获取和传输的过程中很容易受到各种因素的影响,因此现实中的图像往往都含有噪声。这种噪声图像不利于人们的观测和后续更高层次的图像处理,所以图像去噪在图像预处理中十分重要;去噪的目的就是在有效去除噪声的同时保留图像的细节,从而获得高质量的图像。小波变换具有良好的时频局部特性,被广泛应用于信号和图像处理领域。     

小波阈值法在图像去噪中的应用

介绍了小波去噪的基本理论以及小波阈值法去噪的原理。小波阈值法去噪的关键是阈值的设置和阈值函数的选择。本文归纳了阈值的设置方法和阈值函数的选择方法,并针对图像去噪进行了仿真实验,将一幅混有不同水平高斯白噪声的图像分别进行软、硬阈值函数去噪。实验得出软阈值函数的去噪效果比硬阈值函数的去噪效果好这个结论。     

各向异性扩散图像去噪现状研究

介绍了基于偏微分方程(Partial Differential Equations,PDE)各向异性扩散图像去噪的P&M数学模型及各种改进方法,以及引入结构张量的PDE去噪模型和冲击滤波PDE去噪模型,分析各种模型的优缺点,为扩散模型的设计提供了参考。揭示了各向异性扩散去噪与贝叶斯最大后验估计(MAP)去噪的内在联系,通过扩散系数的计算分析几类常用去噪模型的保边性能。阐述了一类特殊PDE去噪模型(总变分去噪模型)与小波阈值去噪之间的相关性,从而可以通过小波系数的范数近似求解一些特殊的变分问题,避免复杂的非线性求解过程。最后对各向异性扩散图像去噪的未来发展进行了展望。     

基于双变量收缩函数的对偶树复小波图像去噪

常用离散小波变换缺乏平移不变性和良好的方向选择性,并且在图像去噪中使用的模型没有充分考虑系数间的相关性,导致去噪效果不理想.为了克服上述离散小波变换图像去噪的不足,提出了利用对偶树复小波变换与双变量收缩函数相结合的图像去噪算法.实验结果表明,该算法比传统算法有更好的去噪效果.     

一种改进型各向异性扩散滤波器

通过分析Perona和Malik(PM)扩散滤波器扩散率函数的统计学意义,提出一种关于扩散率函数的统计学解释模型,即扩散率函数定义了一个以边界估计算子为随机变量的概率密度函数,解决了扩散率函数设计和选择没有统一理论的问题.依据这一解释模型,设计出一种改进型的各向异性扩散滤波器.实验结果显示,改进型扩散滤波器只需要相对于PM方法较少的迭代次数,就能得到预期的图像去噪效果,证明统计学解释模型为各向异性扩散滤波器提供了一种有效的设计方法.     

基于各向异性扩散的图像去噪并放大

本文从各向异性扩散图像去噪方法出发,在偏微分方程有限元方法的基础上,提出一种图像复原并放大的 算法,实验表明该算法比中值滤波后插值所得图像的主、客观质量要好。     

基于映射函数收缩算法的图像去噪方法

文中讨论了图像的高斯加性噪声模型和图像的稀疏性表示,提出了利用映射函数来描述图像的去噪过程,通过求解映射函数和利用映射函数对加噪图像的小波变换子带系数进行变换,达到了降低图像噪声并使加噪图像逼近原始图像的目的.经过实验比较,验证了本文算法的可行性和鲁棒性.     

基于NSCT扩散的图像去噪增强方法

本文提出了一种基于非下采样Contourlet变换与非线性各向异性扩散的方法进行含噪图像的去噪和增强。首先对含噪图像进行非下采样Contourlet分解,对每个分解层的各个子带进行非线性收缩和拉伸,以达到抑制噪声和增强图像特征的目的。然后,对去噪增强后图像的Contourlet小系数进行空间域的非线性各向异性扩散,以去除由于进行非下采样Contourlet去噪所造成的为伪Gibbs现象和 side-band效应。实验结果表明,本文方法相比于无扩散的Wavelet和Contourlet方法相比,不仅对图像进行了去噪和增强,而且有效的抑制了伪Gibbs现象和 side-band效应。     

双Haar小波变换系数的MAP估计及在图像去噪中的应用

小波变换作为一种新的工具,在信号去噪中得到了重要的应用。本文对双Haar小波变换系数,提出了MAP的估计方法,并对其在图像去噪中的应用进行了讨论。实验表明所提出的小波收缩算法与软门限方法相比较,用于图像去噪时可以给出更好的结果。     

一种改进的各向异性扩散超声图像去噪算法

针对传统的各向异性扩散算法中扩散系数函数的平滑效果不好,扩散过程中扩散门限K的选取依靠经验确定,扩散过程对图像细节保护不足的问题,提出了一种改进的各向异性扩散算法。介绍了几种当前比较典型的各向异性扩散去噪算法;在典型算法分析的基础上提出了一种基于自适应中值滤波的改进扩散模型;根据扩散系数应满足的3个条件及经典的扩散系数函数,提出了改进的扩散模型中的改进扩散系数函数;提出了一种扩散门限K的自适应选取的方法。通过在改进的扩散模型中使用改进的扩散系数函数并结合扩散门限K的自适应选取,对超声图像进行去噪。实验结果表明,所提算法优于PM模型、Catte模型、王常虹算法等,去噪后图像的FOM值比PM模型高出3.34%,PSNR值比PM模型高出0.250 6。该算法在去除散斑噪声的同时有效保护了图像的细节及边缘,有助于医务人员对患病区域的准确诊断。     

基于B样条小波的偏微分方程图像去噪方法

提出一种基于B样条小波的偏微分方程图像去噪方法.先对图像进行B样条小波变换,将得到的高频系数采用偏微分方程方法去噪,迭代次数采用去相关最优停止准则进行控制;将得到的低频系数进行阈值处理,阈值选取采用基于信息熵的阈值选择策略,然后对处理后的小波系数进行B样条小波逆变换,得到去噪后的图像.数值实验表明,改进算法能克服B样条小波变换与偏微分方程去噪的不足,增强去噪能力,同时有效保护图像边缘和细节信息.