基于分割块的冗余Bandelet图像去噪方法

结合第二代Bandelet变换的特点,提出了基于分割块的自适应多阈值冗余Bandelet图像去噪方法。首先采用冗余的二维小波变换实现图像的多分辨率表示,通过稀疏的观点,而不是率失真的观点而定义拉格朗日函数在各个高频子带进行Bandelet化,在Bandelet化的过程采用没有风险的估计阈值来寻找最佳几何流方向和完成最优四叉树分割,最后通过Bayes软阈值萎缩法实现在Bandelet域去噪。实验结果表明：该算法的去噪效果要优于经典小波以及curvelet和contourlet,去噪后图像的边缘没有伪Gibbs效应,具有好的图像的视觉质量。     

基于第二代自适应Bandelet变换彩色图像融合算法

提出基于第二代自适应Bandelet变换彩色图像融合算法。该算法引入了表现彩色图像灰度正则变化的几何流,对几何规则彩色图像,Bandelet基可以达到最佳逼近,可以很好地获取原始彩色图像的特征信息,为彩色图像融合提供更丰富的信息,特别在处理尖锐的彩色图像过渡时非常有效。通过对256×256的Clock彩色图像仿真实验,实验结果表明算法对于多聚焦、纹理和边缘特征丰富的彩色图像融合是最理想的,无论从主观视觉效果上还是客观质量指标上均优于小波变换的融合算法。     

基于第2代Curvelet变换的彩色图像去噪

提出基于第2代Curvelet变换的彩色图像去噪算法,克服小波变换在表达彩色图像边缘的方向特性等方面的内在缺陷。该算法适合分析二维彩色图像中的曲线或直线状边缘特征,且具有较高的逼近精度和稀疏表达能力。通过Matlab对512×512的Lena和Babon彩色图像进行仿真实验,结果表明,该算法在视觉效果和性能指标方面都优于小波和Ridgelet算法。     

自适应Bandelet框架及其在图像去噪中的应用

在Bandelet变换中噪声影响了对图像实际几何方向的寻找。针对这一问题,提出了一种自适应Bandelet框架——根据图像去噪这一应用目标,重新修定建立四叉树结构和确定图像几何方向的若干规则,从而计算出较为精确的图像几何方向,并且实现了基于自适应Bandelet框架的去噪算法。实验表明同传统的小波子带多阈值去噪法相比,该算法不仅提高了去噪后图像的峰值信噪比（PSNR）,而且更好地保留了图像的细节特征。     

基于曲波变换和色度模型的彩色图像去噪

针对彩色图像中高斯噪声难以去除的问题,提出了一种基于色度模型的色度中值滤波与曲波变换域Bayes多阈值滤波相结合的彩色图像去噪方法。该方法首先将RGB图像转换为HSI图像,通过在色度平面搜索色度中值分别消除H和S分量中的噪声,然后采用循环平移的曲波变换域Bayes多阈值对I分量噪声进行消除,最后通过HSI反变换得到去噪后的彩色图像。对比实验结果表明,本文方法对彩色图像高斯噪声去除,在获得较高峰值信噪比的同时,能较好保留彩色图像的色度、亮度和图像纹理细节信息,避免了"伪影"现象的产生。     

结合FT与NSCT的自适应阈值去噪算法

为更好地对图像进行稀疏表示,以改善去噪效果,提出一种傅里叶变换与非下采样轮廓波变换(NSCT)相结合的自适应阈值去噪算法。在傅里叶域中对含噪图像去噪,在NSCT域中利用分层噪声估计的贝叶斯阈值算法,结合多尺度多方向的能量阈值修正方案自适应地滤除剩余噪声。实验结果表明,该算法的去噪性能较好。     

基于小波变换的图像去噪算法的实现

图像的有效去噪是图像信息预处理的关键步骤,该文描述了利用正交小波变换和软阈值方法对数字图像的去噪的实现算法。它主要包含正交小波变换、阈值去噪与小波反变换部分,其中,正交小波反变换是指对包含噪声的数字图像进行正交小波变换,得到小波系数;阈值处理是指对小波系数进行软阈值处理,去除噪声;正交小波反变换是指对去噪后的小波系数进行正交小波反变换,得到去噪图像。此外,为了减少图像边缘失真,进行了滤波处理。     

基于Contourlet变换的图像DCT去噪新方法

为了改进滤波效果,以提高图像去噪质量,提出了一种通过离散余弦变换对Contourlet域中噪声能量进行估计来实现去噪的新方法.该算法不依赖于对噪声方差进行估计,而是直接利用离散余弦变换来对高频各子带进行局部特征提取,以便估计噪声能量的估计阈值.实验结果表明,与传统的小波软、硬阈值去噪方法和基于小波变换的图像离散余弦变换去噪方法比较,该方法有效地克服了采用硬阈值法引起的伪吉布斯现象和软阈值法因导致过度光滑而使信号失真等缺点.实验表明,该算法不仅可提高处理图像的信噪比,而且图像的视觉效果也明显改善,因此更具有实用价值.     

第2代小波变换算法的改进及应用

在阐述第2代小波变换基本原理及特点的基础上,将最优插值估计引入到预测器设计中,提出了第2代小波变换算法的改进算法.为了验证改进算法的效果,本文将它应用到信号的去噪处理中,并将其去噪效果与第2代小波变换的去噪效果和传统小波变换的去噪效果进行了比较,结果表明,用第2代小波变换改进算法去噪具有更好的性能.     

基于小波变换和脊波变换的自适应图像去噪算法

为了克服单纯小波变换或脊波变换的不足,提出了基于小波变换和脊波变换的自适应去噪算法。实验结果表明,在处理点奇异性和线奇异性的图像时,该方法比单纯小波变换或脊波变换的阈值去噪算法更具优越性,在实际应用中更为有效。     

基于平稳小波变换的图像去噪方法

正交小波阀值消噪方法已广泛地应用于图像噪声抑制，目前对于正交小波阈值去噪方法的研究主要集中于如何选取阈值使消噪达到较好的效果，然而对于图像中噪声幅度较大的情况下，正交小波变换阀值消噪会使图像边缘失真，甚至图像模型，提出的平衡小波变换的图像消噪方法，可以有效地降低噪声，同时又较好地保持图像边缘细节，与正交小波变换阈值降噪方法相比，有明显优越性。     

基于第二代Bandelet和区域特性的多聚焦图像融合算法

提出了一种能充分利用第二代Bandelet变换自适应捕获图像边缘的能力,并基于区域特性进行融合的多聚焦图像融合新算法。首先将源图像分解至Bandelet变换域,然后结合区域特性进行融合处理：对几何流,采用绝对值最大的融合规则;对Bandelet系数矩阵采用区域方差的融合规则,最后通过Bandelet逆变换得到融合图像。实验结果表明,所提出的新算法能够更好地提取参与融合的原始图像的基本特征进行融合处理,融合效果在主观视觉效果和客观性能指标两方面都较经典的拉普拉斯金字塔算法和小波变换算法更具优势,尤其是对纹理及边缘信息明显的源图像,融合结果优势更加明显。     

基于第二代Bandelet变换和斜变换的半脆弱水印算法

针对图像的常规操作和恶意攻击,提出一种新的半脆弱水印算法。在该算法中,先将原图像压缩后的数据作为恢复比特嵌入到图像的最低有效位,再把经过Turbo码编码后的第二代Bandelet变换系数嵌入到分块的斜变换的中频区域。认证时,通过Turbo码产生的误码和Bandelet系数的比对实现认证和篡改定位。仿真实验表明,该算法对于图像的常规操作具有良好的鲁棒性,可以精确地检测与定位恶意篡改区域,并且具有较好的篡改恢复能力。     

基于全变差的Bandelet变换域SAR图像相干斑抑制方法

根据SAR图像的特性,提出了一种基于全变差最小化的Bandelet变换域SAR图像相干斑抑制方法。该方法首先对SAR图像进行Bandelet变换,得到图像的Bandelet系数和几何流,然后采用主成分分析法提取图像的Bandelet系数和几何流的主成分,利用全变差最小化的方法确定阈值,并通过循环递归运算处理重构后的图像。实验表明:该方法在抑制图像相干斑的同时较好地保留了几何结构信息,并去除了伪吉布斯现象。     

基于Bandelet变换域的图像自适应增强算法

提出了基于Bandelet变换域的图像自适应增强的新算法,利用Bandelet变换在表示二维图像线、面奇异性时的优越性,实现了抑制噪声和凸显细节间的有效均衡。按照最小化逼近误差原则,寻找出二进剖分块的几何方向,在最小化均分误差(MMSE)的原则下合并二进剖分块,寻找出图像增强的方向。根据图像增强方向将Bandelet块分为两类:有几何方向的Bandelet块和无几何方向的Bandelet块,并分析了这两类Bandelet块系数的不同特征,从而区分出噪声和信号、清晰边缘和脆弱边缘。在此基础上提出了一种新的增强函数,在抑制噪声的同时,增强较弱细节并保护图像中的清晰边缘不失真。实验结果表明,与传统的图像增强算法相比,该算法在抑制噪声和放大细节特征两方面均有明显改进。     

轮廓波消噪中消噪效果与噪声强度的关系*

首先简单回顾了轮廓波变换的基本原理和实现方法;然后阐述了基于轮廓波变换的图像消噪实现方法,针对包括小波消噪、第一版轮廓波变换消噪和第二版轮廓波消噪变换消噪在内的三种变换域消噪方法在不同噪声强度下的消噪效果进行了实验和分析.实验表明,第一版轮廓波变换在噪声强度较大时,比小波有较高的信噪比;在噪声强度较小时,比小波有更低的信噪比;第二版轮廓波变换则总是在信噪比上优于小波.     

一种小波和脊波联合去噪方法

由于小波变换不能有效地处理图像中的奇异线,而脊波变换能很好地弥补这一不足,提出了一种基于图像分块的小波和脊波联合去噪方法。该方法把噪声图像分成一定尺寸的图像块并选择其中的同质块和非同质块;利用小波去噪方法处理同质块,而非同质块用脊波去噪方法处理得到去噪后的图像;用维纳滤波器进一步处理去噪后的图像。实验表明,该方法与单纯的小波去噪方法和脊波去噪方法相比,信噪比有了较高的改善,能有效地保留图像的边缘细节信息。     

结合第二代Bandelet变换分块的字典学习图像去噪算法

针对以往稀疏编码在图像去噪过程中存在的噪声残留和缺乏对图像的边缘与细节的本质特征的保护等问题,提出了一种结合第二代Bandelet变换分块的字典学习图像去噪算法,其更好地利用了图像的几何特性进行去噪。首先,通过第二代Bandelet变换可以灵活地根据图像几何流的正则性特征并能够自适应地获得图像的最稀疏表示来准确估计图像信息,并能自适应地选择最优的几何方向;然后,根据K-奇异值分解(K-Singular Value Decomposition,K-SVD)算法来训练学习字典;最后,通过四叉树分割对噪声图像进行自适应分块,从而去除噪声并保护图像的边缘与细节。实验结果表明,相比于其他学习字典,所提算法能更有效地保留图像的边缘特征与图像的精细结构。