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。     

多变换域马尔可夫树图像去噪算法*

针对图像去噪时单一变换方法的不足,提出了一种新的基于Contourlet变换和小波变换的多变换分级图像降噪算法。根据Wavelet变换和Contourlet变换系数对图像中不同频带信号的稀疏表示特点,利用隐马尔可夫树（HMT）模型可以描述相邻尺度变换域系数的互相关性。首先使用小波域HMT方法进行第一级降噪,然后将其作为先验估计,利用Contourlet变换进行迭代阈值降噪。通过与几种传统的小波域HMT和Contourlet域HMT去噪算法相比,本算法改善了去噪图像的可视性并使PSNR值有所提高。     

Contourlet域中邻域窗最优阈值滤噪算法

提出一种基于Contourlet变换域的图像滤噪算法,对带噪图像进行多尺度、多方向的Contourlet分解,依据Contourlet变换域系数的估计损失期望最小化准则,在Contourlet域中得到各子带内邻域系数的滤噪最优阈值与最优窗口尺寸,利用Contourlet变换域系数的萎缩实现滤噪。仿真结果表明,与现有的Contourlet变换域图像滤噪算法相比,该算法能有效保护图像的细节和纹理,具有较好的视觉效果和较高的峰值信噪比。     

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。     

非下采样Contourlet域GCV准则SAR图像去噪*

首先对SAR图像作非下采样Contourlet分解,充分考虑其系数统计特性,给出非下采样Contourlet域GCV准则,对每个分解层的各个子带作多层阈值估计和软阈值收缩处理,进而详细探讨分解层数和方向分解数对NSCT性能的影响。实验结果表明,该方法从视觉效果和客观衡量指标两方面都取得了比较理想的效果。     

多尺度域非线性能量保持的图像去噪新方法

提出了一种基于Contourlet多尺度分解域核主成分分析的图像去噪新方法。该方法首先对源图像进行Contourlet分解,在不同频段的子带图像中,利用核主成分分析方法进行能量保持,用重构图像来进行子带去噪,最后通过Contourlet逆变换得到去噪之后的图像。实验结果表明,该方法不仅有效地降低了图像噪声,且峰值信噪比也较高。     

基于奇异值分解的Contourlet域稳健性数字水印算法*

提出了一种基于奇异值分解的Contourlet域数字水印算法。对置乱后的水印图像进行奇异值分解,在Contourlet域中选取合适的方向子带,利用得到的奇异值来调制系数矩阵,然后通过逆变换获取嵌入水印后的图像。在水印提取中只需要保存原始图像的奇异值,实现了水印的近似盲提取。最后,进行了一系列的攻击实验,证明了与传统小波域水印算法相比,该算法的不可见性和鲁棒性都有了较大的提高。     

联合非下采样Contourlet变换与奇异值分解的多水印算法

为解决最近报道的Contourlet变换域基于奇异值分解的水印算法存在的高虚警率问题, 提出一种多水印算法。对Arnold置乱后的水印图像进行奇异值分解, 将其中一个正交矩阵嵌入原始图像非下采样Contourlet域的两个高频方向子带中, 并利用奇异值来调整原始图像非下采样Contourlet域剩余子带的系数矩阵, 通过逆变换得到含水印图像。抽取水印时首先计算从待检测图像抽出的正交矩阵和真实水印正交矩阵的相似度, 与阈值进行比较, 以决定抽取过程是否进行。由于非下采样Contourlet变换的高冗余性, 最终可抽取出多个水印图像。实验表明, 算法较好地克服了高虚警率问题。一系列的攻击实验证明算法具有较好的鲁棒性。     

基于Contourlet变换的多源森林遥感图像融合算法

提出了一种基于Contourlet变换的多源森林遥感图像融合算法.该融合算法首先利用Contourlet对输入图像进行多尺度、多方向稀疏分解,准确地捕获图像中的二维或高维奇异信息,然后在Contourlet域对不同频率信患采用不同的融合策略进行融合处理.仿真结果表明,该算法具有良好的融合效果,为火灾监控提供可靠的图像信息.     

基于奇异值分解和Contourlet变换的图像压缩算法

随着互联网的飞速发展,产生大量的图像信息。为了减小存储并提高图像质量,故提出了一种基于奇异值分解和Contourlet变化结合的有损图像压缩算法。该算法先对图像进行奇异值分解,根据奇异值对图像信号的贡献,选取适当的奇异值,来实现图像压缩,再对图像进行Contourlet 变换和量化,实现图像二级压缩。将该算法和图像奇异值分解直接压缩算法、Contourlet变换压缩算法进行实验比较,试验结果表明,该算法比图像奇异值分解直接压缩算法、Contourlet变换压缩算法有更好的性能,在同样的压缩比的情况下能获得更高的峰值信噪比和SSIM。     

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。     

基于灰色关联度改进的Contourlet变换图像去噪算法

为了更有效降低图像中的噪声,提出一种基于灰色关联度改进的Contourlet变换图像去噪算法。一方面考虑到Contourlet变换尺度内各相邻方向子带之间的灰色关联度、尺度间的影响及噪声强度的因素,对贝叶斯阈值进行改进;另一方面根据Contourlet系数的特点对折中阈值函数进行改进,以达到自适应去噪的目的。实验结果表明,该算法能有效地降低图像噪声,获得更高的峰值信噪比(PSNR)和更好的视觉效果,具有较好的实用性。     

无抽样方向滤波器组用于图像去噪的方法研究

提出一种基于无抽样方向滤波器组的图像去噪新方法,首先,将一维半带滤波器（half band filter）转换成二维低通滤波器,通过对此滤波器的各种操作获得4方向、8方向和16方向等无抽样方向滤波器组,同时,将各频域方向滤波器转换成空域模板;其次,采用Contourlet变换中的多尺度分解方法,利用上述空域模板实现图像方向分解,获得噪声图像的各尺度多方向系数;最后,根据各方向系数的统计特性,合理设定去噪阈值,方向合成只需各方向子带图像相加,多尺度合成过程与Contourlet变换相同,完成图像去噪。实验结果表明：该方法不仅有效地去除了图像噪声,而且能很好地保留图像的边缘纹理信息,并很好地去除了Contourlet变换去噪中无法避免伪吉布斯现象所引起的视觉失真,与现有阈值去噪方法相比,图像信噪比明显提高。     

SAR图像的NSCT域自适应收缩相干斑抑制

提出了一种基于Nonsubsampled Contourlet（NSCT）变换域自适应收缩的SAR图像相干斑抑制算法。首先将SAR图像分解至NSCT域,其次对NSCT系数进行Pizurica自适应收缩。利用NSCT变换的良好的方向选择性及平移不变性,同时结合Pizurica自适应收缩的方向空间相关性及其局部噪声度量,自适应地得到各方向的高频子带系数对应的收缩因子,修正NSCT系数,最终将修正后的子带系数通过NSCT逆变换获得经过斑点噪声抑制的图像。实验结果表明,与小波域软阈值和Contourlet域软阈值算法相比,该算法在有效抑制SAR图像斑点噪声的同时能更好、更清晰地保持图像的边缘细节特征。     

基于相关性阈值的NSCT图像去噪方法研究

利用非下采样Contourlet变换(NSCT)平移不变性、多分辨率、多方向的优点,提出一种基于尺度相关与阈值去噪相结合的非下采样Contourlet变换图像去噪方法。首先对噪声图像进行非下采样Contourlet变换,得到各个尺度各个方向子带的系数,然后采用相关系数归一的方法,结合Bayesian自适应阈值来达到更好的去噪效果。仿真实验表明,该方法在提高去噪后图像的峰值信噪比的同时,有效保留了图像的纹理信息,避免伪吉布斯现象,改善了图像的视觉效果。     

改进的Contourlet变换的图像去噪算法

为了更有效地去除图像中的噪声,提出一种基于Contourlet变换的新阈值与改进阈值函数的图像去噪方法。新阈值考虑了图像经Contourlet变换后在低尺度子带和高尺度子带的去噪特性,较好地克服通用阈值的不足;改进阈值函数对阈值处理的Contourlet变换的高频细节系数分为上频、中频和下频,并进行相应的处理,较好地弥补各阈值函数的缺陷。实验结果表明,与通用阈值相比,新阈值能更有效地去除图像中的噪声,获得更高的峰值信噪比(PSNR),结合改进阈值函数后,图像的边缘细节得到更好的保护,视觉效果更好。     

基于非下采样Contourlet变换的医学CT图像去噪

为克服Contourlet变换的非平移不变性及频谱混叠等缺陷,提出了一种基于非下采样Contourlet变换的医学CT图像去噪方法。对含噪的CT图像进行非下采样Contourlet变换,得到不同尺度及各个方向上的变换系数,利用Context模型将每个尺度每个方向子带分级,不同分级采用相应的阈值去噪。实验表明,该方法适宜于处理含有更多高斯噪声的医学CT图像,与其他方法相比提高了PSNR值,更好地保留了图像细节,改善了医学CT图像的质量。