一种新型图像噪声抑制各向异性扩散算法

噪声抑制是红外图像处理中一个重要的研究课题,但常用的去噪算法会造成细节的损失。为有效地抑制噪声,同时保护边缘,在P-M扩散模型的基础上,提出了一种新的基于方向信息测度和边缘隶属度的各向异性扩散滤波算法。该算法的核心内容是将图像分为边缘区和非边缘区两个区域,对非边缘区采用常规P-M扩散方程完成噪声的滤除,对边缘区采用基于方向信息测度的非线性扩散方法,在平滑去噪的同时对边缘进行修整、增强。最终的仿真结果表明,该算法的峰值信噪比、均方误差、辐射分辨率等参数均优于常规算法,该算法具有良好的前景和实用价值。     

基于正则化的多光谱图像二值化处理

为了进一步提升传统多光谱图像二值化处理方法的处理速度和抗噪性能,提出基于正则化的多光谱图像二值化处理方法。将正则化约束引入到多光谱图像去噪模型中,对现有的多光谱去噪模型进行改进。并利用正则化框架中的数据正则项对图像的噪声机制以及图像的先验信息进行建模,以实现多光谱图像去噪处理。根据去噪结果采用约束能量最小化方法获取多光谱图像的边缘信息,将最佳全局阈值法和局部阈值自适应方法在边缘信息的基础上相结合,实现对多光谱图像的二值化处理。仿真结果表明,所设计方法具有较强的抗噪能力和较快的处理速度,并且经处理后的图像分辨率较高,充分验证了上述方法的有效性。     

改进的各向异性扩散图像去噪算法

图像去噪是图像处理中的重要环节,经典的图像去噪算法,如中值滤波、高斯滤波和加权平均滤波等,去噪效果都不是很理想。传统方法在去除噪声的同时,会使图像的边缘也变得模糊。偏微分方程(PDE)是近年比较流行的图像处理方法,它具有各向异性的特点,在去除噪声的同时,能很好地保持图像的边缘。基于现有算法,提出了一种改进的去噪算法。将传统P-M算子中的固定边缘阈值改为随梯度模变化的自适应阈值,并结合图像结构张量构造一个扩散函数。在图像平坦区,改进的P-M模型具有各向同性的特点,有利于平滑噪声;而在图像边缘处,该模型只沿切线方向扩散,有利于保护图像细节。试验表明,改进的P-M模型能很好地改善图像去噪效果,同时也能很好地保持图像的边缘。     

基于PDE的图像去噪方法

针对P-M非线性扩散模型以及自蛇模型对图像滤波的不足,为了充分利用两种模型各自的优势,提出了一种新的基于自蛇模型与P-M扩散模型相混合的去噪方法,同时在其扩散方程中添加了忠诚项,这样噪声去除与边缘保留就可以得到一个较好的效果。最后实验结果表明,该方法既能有效去除图像噪声,也能很好地保持图像的边缘等细节信息。     

改进各向异性扩散模型在图像滤波去噪中的应用

为了增强锅炉水位计图像滤波去噪效果,提高图像清晰度,便于后期液位计图像识别研究,通过分析P-M各向异性扩散模型、选择扩散模型及You Yu-Li和Kaveh M四阶偏微分方程的滤波去噪算法,提出了改进各向异性扩散模型滤波算法.所提算法对Perona和Malik两个扩散函数均值化,并引入标准差作为梯度期望值的偏差裕度,结合了P-M各向异性扩散模型保边缘特性的优点,并消除了由于传统各向异性滤波算法迭代过度所造成的阶梯缺陷问题,确保图像有用信息不缺失和像素点平滑度.实验结果表明:所提算法能够更好地降低噪声对目标信号提取产生的影响,提高了图像识别鲁棒性,增强了图像平滑滤波效果,保证了锅炉水位计图像边缘清晰度和完整性.     

基于非下采样Contourlet变换和图正则化去噪

用非下采样Contourlet变换提取图像的边缘、轮廓和纹理等具有高维奇异性的特征,并将提取的特征用来构造图的权重函数,用建立在图上的正则化方程实现图像的去噪处理。仿真实验结果表明:该方法能有效地去除图像中的噪声,在去噪性能上优于其他的偏微分方程方法。     

有无噪声对细胞神经网络提取图像边缘的影响

主要运用相关系数,通过对原始图像进行加躁再去噪,计算出用传统的滤波方法如均值滤波、中值滤波和维纳滤波分别对有噪声的图像进行去噪处理后,去噪图像与原始图像的相关系数,验证了去除高斯噪声用一次维纳滤波比较理想;去除椒盐噪声使用中值滤波效果较好。并在第三部分给出了对加噪的图像先进行去噪处理,再用CNN进行边缘提取的结果和对加躁图像先用cNN进行边缘提取再去噪的结果,并将这两种结果与原始图像提取边缘的结果进行比较和观察,得出以下结论：为了避免由于噪声引起的失真对图像真实信息的影响,在进行图像边缘提取之前必须先进行去噪处理再进行边缘提取。     

一种小波变换模极大值的扩散模型

遥感图像的噪声分析、评估和滤波一直是遥感图像处理的一个重要研究领域。近年来,基于非线性扩散模型的图像去噪方法因其在对图像进行去噪的同时,对图像的特征信息具有一定的保护作用而受到遥感图像应用领域的关注并成为研究热点。针对P-M方程和ALM模型在去除遥感高斯噪声时所存在的对图像强边缘附近的噪声难以去除和可能造成奇异点的模糊或丢失等问题,将小波变换模极大值进入到扩散模型中提出一种新的非线性扩散模型,并给出模型的离散化算法。该模型有效地克服了P-M模型和ALM模型在图像去噪过程中的不足,在有效去除噪声的同时,很好地保留了遥感图像的边缘和纹理细节信息。实验结果验证了所提出模型的有效性和稳定性。     

改进的各向异性复扩散模型的医学图像去噪方法

对医学图像进行有效的去噪并保持边缘信息,有利于图像的后续处理.本文分析P-M模型和Gilboa的复扩散模型以及它们的不足,提出一种改进的各向异性复扩散模型.该方法先用中值滤波对图像进行预处理,去除梯度值大的噪声点,然后用图像的虚部求扩散系数,以此引导扩散模型中的边缘检测函数,再进行八邻域像素的扩散过程.实验表明,该方法能达到较理想的去噪和保持边缘的效果,而且减少了迭代次数,缩短了计算时间.     

基于局部特征的正则化滤波算法

大部针对脉冲噪声的去噪算法主要利用预设的全局阀值来对含噪图像进行恢复,因此对图像局部边缘和细节的恢复能力较差。对此,本文提出一种基于图像边缘特征的正则化滤波算法。算法首先通过反映图像边缘细节的局部统计量建立自适应阀值,用以进行脉冲噪声检测,得到噪声候选集合;然后以此为基础,优化保边正则化方法,提升算法性能。仿真实验从定量数值比较和主观视觉比较两个方面表明,本文的算法在噪声密度较高时,仍能提供较好的图像恢复效果,从而为图像的后续研究提供了良好的基础。     

Image denoising feedback framework using split Bregman approach

In this paper, an image denoising feedback framework is proposed for both color and range images. The proposed method works on an error minimization principle using split Bregman method. At first image is denoised by computing means in the local neighborhood. The pixels that have big differences from the center of the local neighborhood compared to the noise variance are then extracted from the denoised image. There is a low correlation between the extracted pixels and their local neighborhood. This information is fed to the feedback function and denoising is performed again, iteratively, to minimize the error. In most cases, the proposed framework yields best results both qualitatively and quantitatively. It shows better denoising results than the bilateral filtering when the edge information in the input images is affected by intense noise. Moreover, during the denoising process feedback function ensures that the edges are not over smoothed. The proposed framework is applied to denoise both color and range images, which shows it works effectively on a wide variety of images unlike the evaluated state-of-the-art denoising methods.     

各向异性滤波算法在地震曲率属性中的应用

在曲率属性计算之前需要对图像进行去噪预处理,传统的图像滤波方法在去除噪声的同时会破坏边缘、线条、纹理等图像特征,而基于偏微分方程的P-M模型在平滑过程中会出现块效应.针对这些问题,提出了一种基于张量扩散的各向异性滤波的预处理方法.通过定义散布矩阵来获得丰富的图像局部结构信息,然后利用这些结构来控制扩散过程,以便实现图像的更好滤波.理论分析和实验结果表明,相较于一些常规的图像滤波算法,各向异性滤波得到的曲率属性效果更清晰、质量更高.     

基于偏微分方程与维纳滤波的混合去噪方法

提出一种小波变换与偏微分方程(PDE)结合的混合图像去噪方法,通过窗口改进的维纳滤波处理,运用偏微分综合模型进行二次滤波,其中的偏微分综合模型由2个权重函数将PM方程、方向扩散方程和LLT高阶PDE相结合构建形成。实验结果表明,该混合图像去噪方法能够克服以上3种PDE模型和维纳滤波的不足,增强图像去噪和边缘保护能力,去噪后可得到较好的图像视觉效果,提高算法的效率。     

一种适用于移动节点的事件驱动分簇算法

提出一种适用于移动无线传感器网络节点的事件驱动分簇算法,使用簇头间能量筛选法选举簇头,并加入事件驱动机制,能够使节点在有突发事件发生的情况下,对网络中的簇进行基于事件区域的重组,以减少数据冗余。建立相应的仿真实验模型,对运动节点的分簇情况进行动态跟踪及分析。实验结果表明,该算法能够满足事件驱动分簇的要求,能量消耗比经典算法更均衡。     

3D Filtering by Block Matching and Convolutional Neural Network for Image Denoising

Block matching based 3D filtering methods have achieved great success in image denoising tasks. However, the manually set filtering operation could not well describe a good model to transform noisy images to clean images. In this paper, we introduce convolutional neural network (CNN) for the 3D filtering step to learn a well fitted model for denoising. With a trainable model, prior knowledge is utilized for better mapping from noisy images to clean images. This block matching and CNN joint model (BMCNN) could denoise images with different sizes and different noise intensity well, especially images with high noise levels. The experimental results demonstrate that among all competing methods, this method achieves the highest peak signal to noise ratio (PSNR) when denoising images with high noise levels (σ > 40), and the best visual quality when denoising images with all the tested noise levels.     

小波域上图像非线性扩散滤波

提出一个小波域上图像扩散滤波恢复新模型。主要思想是把原图像作为最精细尺度下的小波子带，根据噪声分布的特点，导出保护较大尺度下信息的泛函模型代替小波阈值除噪，对泛函求变分得：Euler-Lagrange方程。新的滤波方法能避免小波阈值除噪的伪Gibbs现象，改进了同类型非线性扩散方程滤波的效果。利用可加算子分裂(AOS)格式求非线性扩散方程的数值解。实例的数值计算说明对图像滤波和保护边缘的有效性。     

一种边缘保持的医学图像去噪方法

医学图像去噪在图像处理中占有重要地位,对获取的医学图像进行去噪是进一步分析和计算的基础.将一维经验模式分解方法扩展到二维,提出了基于二维经验模式分解的医学图像边缘保持去噪方法.该方法先将图像进行经验模式分解,得到内蕴模式分量IMF和剩余分量,图像的噪声及边缘信息主要集中在IMF中;然后再将IMF进行经验模式分解,得到IMF的高频分量和剩余分量;最后将两次分解的剩余分量叠加,得到边缘保持的去噪图像.实验结果表明,处理后的图像较传统的医学图像去噪方法有明显的改善,在有效去噪的同时增强了边缘保护的能力.     

基于FCM算法的SAR图像相干斑噪声滤波算法研究

针对FCM分割对SAR图像斑点噪声敏感的特点,本文提出了一种新的去噪方法。所提出的方法主要分三个步骤。首先,分别对获得的两幅同源不同时相的SAR图像进行小波和lee滤波结合去噪。然后,通过对数比值检测方法获得变化信息。利用双边滤波器处理变化信息,以获得能保留图像丰富细节信息的图像降噪效果。最后,利用FCM方法把变化信息分成两类,这样就可以获得变化检测结果。Ottawa 地区的部分图像作为检测算法的性能的数据库。将去噪方法相互比较,结果表明,本文提出的算法分类正确率达到98.29%,优于其他去噪方法。     

P-M扩散法的图像去噪研究

从理论上分析了用P-M扩散方法去除图像噪声的原理与特点,分析了P-M扩散中参数k的选取问题,讨论了去噪应用中梯度算子的数值计算方法,在传统的p-M扩散方法的基础上得到了改进的P-M扩散算法。实验结果表明:与传统算法相比,改进的P-M扩散算法能有效抑制图像噪声,更好地保持边缘细节。     

基于前向和后向扩散的图像增强算法的改进

图像去噪和增强是图像处理和计算机视觉领域中的基本问题,而偏微分方程已经广泛应用于模糊图像的复原.针对P-M方法和原FAB方法的不足,通过区分图像的平坦区和边界区,综合这两种方法得出了新的扩散系数方程,并通过有限差分法将对应的偏微分方程离散化后得到了它的数值解.这种改进的各向异性的扩散方法,在平滑图像的同时能够保持和增强边界,对实际图像的滤波结果表明了该算法是有效的.