基于45N度旋转梯度等模算子偏微分方程去噪模型

传统的二阶中值曲率扩散模型(MCM)在去噪时虽然能有效地保持图像的边缘,但是在平滑区域却产生阶梯效应,以及过度扩散的现象.四阶偏微分方程模型(LLT)在去噪的同时虽能有效地抑制二阶偏微分方程产生的阶梯效应,能很好地保持图像的纹理信息,但却过多地损失了边缘信息.为了避免以上去噪过程中存在的问题,利用归一化的45N度旋转梯度等模算子作为权重,提出了传统的二阶中值曲率扩散模型(MCM)和四阶偏微分方程去噪模型(LLT)自适应的混合模型,使得它们在有效去除图像中噪声的同时,也能很好地保持图像的边缘和纹理细节信息.实验结果证实了所提出的模型的有效性.     

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。     

图像混合噪声的一种组合滤波消除方法

提出了一种基于高斯拉普拉斯边缘检测的含高斯噪声和脉冲噪声的图像组合滤波去噪方法,即首先对含有混合噪声的图像进行中值滤波,再用高斯拉普拉斯边缘检测方法检测出图像的边缘,得到边缘图像;然后利用自适应Wiener滤波对中值滤波后得到的图像进一步滤波去噪,最后将边缘图像嵌入经Wiener滤波得到的平滑图像中。此种方法不但能够有效去除含高斯噪声和脉冲噪声的图像中的噪声,而且可以保持图像的边缘信息,提高了图像的去噪效果和清晰度。     

基于偏微分方程的舌图像去噪研究

在对舌图像的去噪过程中,平滑噪声的同时容易丢失边缘和纹理等细节信息。为此,研究基于偏微分方程的舌图像去噪方法,分别采用中值滤波、高斯滤波、P-M方程、正则化P-M方程以及耦合冲击-复扩散滤波模型,对加噪舌图像进行滤波。比较结果表明,正则化P-M方程更适合舌图像的去噪处理,该方法处理速度快、去噪效果好,且能有效保护图像边缘。     

基于中值滤波和小波变换的火电厂炉膛火焰图像去噪方法

针对煤电厂炉膛火焰图像含有脉冲噪声和高斯噪声混合含噪图像的特点,提出了中值滤波和小波变换相结合的火焰图像去噪方法。首先采用自适应权重中值滤波方法对火焰图像去噪,然后再对去噪后的图像进行小波分解,分解后对不同子带采用不同的滤波方法进行有效滤波。实验结果表明,该方法不仅能够有效地滤除图像噪声,提高火焰图像的质量,而且在边缘保持能力上比传统的去噪方法要好。     

基于自适应耦合PDE模型的车牌图像去噪研究

针对车牌识别预处理中的图像去噪问题,提出一种自适应耦合偏微分方程(PDE)去噪模型;该模型在各项异性扩散模型的基础上,构造一种新的去除椒盐噪声的扩散项,能够根据噪声图像特点自适应控制扩散速度,有效抑制椒盐噪声,并将新的扩散项与各向异性扩散模型进行耦合,并提出一种新的耦合系数计算方法,根据图像信息自适应计算耦合系数,使得新模型能够在新的扩散项和各项异性扩散模型间自适应转换,有效去除车牌图像中的混合噪声;为了抑制去噪引起的图像边缘模糊问题,引入振动滤波进行逆滤波,增强图像的边缘信息;实验结果表明,自适应耦合PDE模型能更有效去除车牌图像中的混合噪声,保护图像的边缘信息,提高图像的峰值信噪比(PSNR);去噪后的图像更有利于后续的字符分割与识别,有效提高车牌图像的识别准确率。     

一种基于边缘检测的改进的中值滤波去噪方法

中值滤波是一种去除椒盐噪声的有效算法,在现实生活中应用相当广泛。传统的中值滤波在去噪的同时很容易丢失图像的边缘信息。本文提出一种基于边缘检测的改进的中值滤波去噪算法。它先将含噪图像的边缘信息检测出来,然后将边缘信息保存下来,再对原含噪图像用中值滤波进行图像去噪,然后对于保存下来的边缘信息用小模板进行去噪,再用该小模板去噪后的边缘信息区替换中值滤波后的边缘信息。最后通过实验验证,此去噪算法可以在去噪的同时更好地保护图像的边缘信息。     

平滑区域梯度保真的图像降噪方法

基于有界变差的图像去噪模型在去除噪声的同时会产生“阶梯效应”,在模型中藕合梯度保真项能够有效地抑制“阶梯效应”,但全局梯度保真却导致图像的边缘模糊。新模型讨论了平滑区域的判定方法,在此基础上给出了基于平滑区域梯度保真的去噪模型和两种修正方法。新的去噪方法在去除图像噪声的同时压低了“阶梯效应”,且能够很好地保留图像的边缘。数值实验验证了所提模型的效果。     

异型纤维图像去噪分析

为了去除异型纤维图像中的噪声,首先分析了异型纤维图像中的噪声模型,然后针对噪声模型提出了一种能同时去除异型纤维图像中高斯和脉冲混合噪声的去噪算法.该算法在全变差(Total Variation,TV)算法的基础上进行了算法改进,综合了中值滤波的优点,在达到去噪目的的同时,较好地处理了去除噪声、保留边缘细节信息这对在图像去噪中存在的矛盾.同时,对参数的选取也做了分析,较好地平衡了去噪效果和处理效率问题.数值对比实验中的视觉效果和客观标准均表明了该去噪算法的有效性。     

实现自适应边缘增强的P-M模型

P-M模型利用扩散偏微分方程进行图像平滑,通过随梯度自适应变化的扩散系数实现去除噪声的同时保护图像边缘特征,为进一步提高图像视觉效果,希望在图像边缘附近进行逆扩散以增强边缘特征,为此提出了实现自适应边缘增强的P-M模型。该改进模型中的边缘增强作用基于shock滤波器逆扩散方程,通过设置随梯度自适应变化的逆扩散系数而实现。实验结果表明,相比经典P-M模型,改进模型能使去噪后的图像有更好的主观视觉效果,同时峰值信噪比也更高。     

红外图像的自适应混合消噪方法

针对带有高斯噪声和脉冲噪声的红外图像,提出一种自适应混合去噪方法。首先将受脉冲噪声和高斯噪声污染的像素区分开来,然后对被脉冲噪声污染的像素采用自适应层叠中值滤波法,对被高斯噪声污染的像素采用基于局部噪声方差估计的自适应局部滤波法。实验表明,该方法在信噪比(SNR)和最小均方误差(MSE)的改善上明显优于线性平滑滤波法和普通中值滤波算法,并具有较好的图像细节保护能力和较快的滤波速度。     

Towards a partial differential equation remote sensing image method based on adaptive degradation diffusion parameter

For the anisotropy diffusion feature, Partial Differential Equation (PDE) methods keep edge detail characters well in case of denoising, thus being widely applied in remote sense image denoising, smoothing, filtering and reconstruction. A PDE remote sensing image denoising method based on Adaptive Degradation Diffusion Parameter (ADDP) was proposed in the paper to deal with fuzzy detail problem caused by increasing iteration number. The PDE denoising method with ADDP enlarged diffusion size in the plat region of remote sensing image without affecting the remote sensing image edge, thus avoiding loss of remote sensing image detail and intersections caused by Gaussian convolution smoothing in the PDE filtering model based on curvature-based movement (CM) and image denoising model based on total variation (TV). In the region where gradation value changes little, the method executed isotropic diffusion to remove isolated noise. The upwind scheme was applied for model numerical realization. Experimental in remote sensing image denoising results proved its feasibility and effectiveness.     

结合修剪均值与高斯加权中值滤波的图像去噪算法

为快速准确地滤除图像中的脉冲噪声并较好地保持图像的纹理细节和边缘结构,提出一种基于修剪均值与高斯加权中值滤波的图像去噪算法。根据脉冲噪声的灰度特征与统计特征,以局部统计方式进行噪声检测,将灰度取最小值或最大值且与邻域像素相关性较小的像素识别为噪声像素。对于图像平滑区域和细节区域中的噪声像素,使用自适应修剪均值和高斯加权中值滤波算法进行去噪处理。实验结果表明,该算法在视觉效果、峰值信噪比、结构相似性及计算速度上均优于对比算法,并且能够在彻底滤除噪声的同时,较好地保持图像的纹理细节和边缘结构。     

改进的自适应中值滤波

均值滤波能较好的平滑图像的噪声,自适应中值滤波能较好的保存原始图像的细节和边缘。为了恢复被高密度脉冲噪声污染的图像,提出了改进的自适应中值滤波算法,新算法结合了均值滤波和自适应中值滤波两者的优点。实验结果表明,该算法能够有效地消除被污染图像中的高密度脉冲噪声,并较好地保留原始图像细节和边缘。     

一种混合噪声图像去噪方法

首先分析了含有高斯白噪声和脉冲噪声的图像必须采用不同去噪方法的原因;然后分别给出了小波变换后的低频子带图像与高频子带图像的去噪方法：用改进的邻域平均法对低频子带图像进行去噪处理。对高频子带图像采用中值滤波、阀值处理、小波系数增强方法去除脉冲噪声;最后对经过处理后的各子带图像进行小波逆变换得到恢复图像;实验结果证明了理论分析的正确性。     

一种用于图像匹配识别的高斯—脉冲混合噪声去除方法

简要分析了无人机所拍摄数字图像中噪声的产生原因与数学分布模型,结合图像匹配的实际需求,提出了一种高斯—脉冲噪声混合噪声去除方法,并采用ASIFT匹配算法对提出去噪方法的实际应用效果进行检验。该方法首先采用自适应中值滤波方法去除图像中的脉冲噪声,然后采用OWT SURE—LET算法去除图像中的高斯白噪声。实验结果表明:该算法不仅运算时间更短,而且图像匹配效果稳定。     

基于多层小波阈值函数的彩色图像边缘检测

针对彩色图像边缘检测中RGB颜色空间分量之间高的关联性会导致部分色彩信息未能被有效识别、检测及抗噪性低,提出一种多层小波阈值去噪函数的彩色图像边缘检测方法。采用改进的小波阈值去噪方法对彩色图像进行去噪预处理;运用四元数思想构建四方向特征矩阵求解Canny算子梯度幅值和幅角;进行非极大值抑制和自适应双阈值处理得到最终边缘检测图像。实验表明,该算法能够较好地获取彩色图像边缘信息,并有效降低漏检率和错检率,增强了自适应性,提高了边缘检测中边缘的连续性和抗噪性。