基于图像特征方向的各向异性扩散滤波方法

传统的各向异性扩散滤波方法都是从偏微分方程本身出发的,理论上的分析较为复杂.本文研究了基于图像特征方向的内在正交坐标系,分析了在此框架下的扩散滤波机制,然后直接从该坐标系下建立各向异性扩散滤波方案.这样的扩散滤波方法更加直观,可以简化理论分析.在此框架下,提出了一种新的各向异性扩散滤波方法.数值实验结果表明,新的扩散滤波方法可以更好地考虑图像的局部特性,从而完成细节保护和噪声消除的双重功能.所以,基于图像特征方向建立的各向异性扩散滤波方法更能达到我们预期的效果,该设计方法是有效的.     

一种基于各向异性扩散的图像处理方法

图像修复的方法有很多种,目前最常用的有基于偏微分方程（PDE）和基于纹理合成的修复方法。在图像的修复和去噪上,偏微分方程都有很好的应用,但对于含有噪声的破损图像的修复,传统的方法是先去除噪声再进行修复。在BSCB模型的基础上加以改进,提出了一种新的修复方法,结合现有的图像修复和图像去噪两种技术的优势,对图像破损区域修复的同时进行整幅图像的去噪,修复和去噪的过程都是各项异性扩散的过程,能很好地保留图像的边缘信息。通过数值实验也表明该方法的有效性。     

一种基于各向异性扩散的图像处理方法

图像修复的方法有很多种,目前最常用的有基于偏微分方程(PDE)和基于纹理合成的修复方法.在图像的修复和去噪上,偏微分方程都有很好的应用,但对于含有噪声的破损图像的修复,传统的方法是先去除噪声再进行修复.在BSCB模型的基础上加以改进,提出了一种新的修复方法,结合现有的图像修复和图像去噪两种技术的优势,对图像破损区域修复的同时进行整幅图像的去噪,修复和去噪的过程都是各项异性扩散的过程,能很好地保留图像的边缘信息.通过数值实验也表明该方法的有效性.     

基于多方向中值滤波的各向异性扩散滤波算法

提出一种改进各向异性扩散滤波算法。现有研究方法多存在图像边缘不清,误识别多,扩散系数多凭主观选择等问题。该算法利用保留细节和边缘的能力较为突出的多方向中值滤波方法在多个方向上进行扩散,利用局部方差和图像梯度改进了扩散系数,通过多次迭代修正扩散系数,增强了算法的鲁棒性,且在滤除噪声的同时注重对边缘细节的保持。通过具体实验仿真,以峰值信噪比、均方误差、结构相似度以及图像佳数4个参数作为指标,对实验仿真结果进行了量化比较,表明该算法与传统各向异性扩散方法以及Catté_PM模型等改进方法相比,具备更好的滤除图像噪声以及保持图像边缘的能力。     

一种改进的医学图像各向异性扩散滤波算法

医学图像（CT、MRI）的滤波处理,须保留具有重要诊断意义的边缘细节信息。针对Perona-Malik各向异性扩散模型病态且不稳定的不足,提出了一种改进的各向异性扩散滤波算法。通过采用自适应加权的多尺度形态滤波来改进扩散系数,建立了一个对噪声图像更有效和更具适应性的去噪扩散模型。同时引入迭代终止准则,避免了迭代次数的设定。实验结果表明,算法优于PM方法和Catte方法,在提高信噪比的同时又可保留重要的微细结构,可以较好地满足医学图像的使用要求。     

基于改进各向异性扩散的超声医学图像滤波方法

为了能有效地去除超声医学图像中的噪声,又能较好地保持图像的边缘和重要细节信息,在η-ξ正交坐标系下研究并分析了各向异性扩散模型(P-M模型)的扩散滤波机制,并在此坐标系下建立了一种新的各向异性扩散滤波方案。实验结果表明,改进的扩散模型不仅能够有效地保持图像边缘,而且还能够克服P-M模型对小尺寸噪声的敏感问题。     

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。     

一种改进的各向异性扩散图像去噪方法

研究了基于图像特征方向的正交坐标系,分析了在此框架下的各向异性扩散图像去噪原理。然后根据人类视觉系统的一些特性提出了一种改进的各向异性扩散方法。该方法避免了各向异性扩散方程的不适定问题。实验结果表明,该方法在噪声消除和边缘保留方面能获得较好的效果。     

一种改进的各向异性扩散图像平滑方法

在人类视觉系统特性基础上提出了一个改进的各向异性平滑方法。加入图像四阶偏微分信息避免“阶梯效应”,扩展演化方向,改进数值模型。实验结果表明,该方法在噪声消除和边缘保留方面能获得较好的效果。     

一种改进的各向异性扩散去噪模型

为了既能有效地去除噪声,又能够较好地保持图像的边缘以及重要的细节信息,在Perona和Malik提出的各向异性扩散模型(P-M模型)的基础上,通过对扩散方程中扩散函数的改进,提出了一种具备自适应性的去噪扩散模型,该模型对图像去噪处理更加高效。改进的扩散函数在梯度较小时为一个常数,大于某个阈值后变为单调递减函数,直至某个梯度时递减为零。以上扩散函数特性使各向异性扩散模型能够达到在同质区加速平滑、在边缘区停止平滑的目的。实验结果表明,改进的扩散模型是一种更为理想的保边缘平滑模型。     

基于各向异性主动轮廓模型的图像分割方法研究

摘 要：分割的作用是将数字图像分割为多个简单区域,并根据区域中图像的某种特征提取和分离出的目标区域,便于图像识别与理解分析。主动轮廓模型(snake)是一条可变形的参数曲线及相应的能量函数,广泛应用于医学领域的图像分割。主动轮廓模型是以最小化能量函数为目标,控制参数曲线变形,最后具有最小能量的闭合曲线就是所需分离的目标轮廓。在采用主动轮廓模型进行分割之前,通常都采用高斯滤波器对图像进行滤波,在对图像进行平滑的同时,也会使边缘模糊化,从而影响分割效果。本文将各向异性滤波和主动轮廓模型结合起来,充分利用各向异性滤波在平滑图像的同时能保持边缘的特点,在利用主动轮廓模型进行分割之前使用各向异性滤波代替传统的高斯滤波对图像进行预处理。实验结果表明：与传统方法相比,在主动轮廓模型的预处理阶段,采用本文所提出的算法平滑噪声图像,提高了后续图像分割的准确性。     

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。     

基于各向异性逆扩散方程的指纹图像锐化去噪方法

基于逆扩散过程的启发,提出各向异性逆扩散算法用于指纹图像的锐化去噪方法,克服了退化扩散方程对大曲率边缘点的模糊效应,兼顾了去噪和保持边界这一矛盾的两个方面,尤其适合于纹理密集的指纹图像锐化.实验结果表明,本文算法对于带噪指纹图像的锐化效果明显优于以往非线性扩散处理算法.     

各向异性扩散的图像复原

根据图像复原的性质和非线性约束的原理,提出了各向异性扩散的图像复原新算法。主要思路是根据图像的纹理和边缘结构中梯度特性,采用各向异性的自适应扩散,通过最小化能量方案来极小化代价函数,同时通过定点交替迭代策略将非线性方程进行线性化处理。实验结果表明文中方法能对模糊图像的进行有效复原,提高图像的质量。     

基于边缘估计的自适应各向异性扩散的医学超声图像降噪算法

提出了一种针对医学超声图像的自适应各向异性扩散算法;该算法充分利用图像本身的边缘信息以及图像水平和垂直方向梯度的差异,用GHAD方法在两个方向设置不同的梯度门限,避免了传统的常数及单一梯度门限带来的鲁棒性差等问题;改进的扩散系数改善了传统扩散系数收敛过快及边界平滑的问题;经过多组仿真实验,综合峰值信噪比(PSNR)和边缘保持度(FOM)等指标,表明该算法相比同类算法有更好的降噪和边缘保持效果。     

基于小波维纳滤波和各项异性扩散的图像去噪

提出一种基于小波和各项异性非线性扩散的新图像去噪算法。小波域局部阈值维纳滤波是一种简单有效的去噪方法,利用该方法先对原始图像进行初步去噪,以此引导非线性扩散模型中的边缘检测函数,再用非线性扩散进行去噪。实验表明:该算法不仅很好地保存了图像的边缘信息,而且有效地去除了图像中的大部分噪声,无论是视觉效果还是客观标准上都优于单纯的小波域维纳滤波或各项异性非线性扩散去噪。     

高阶各向异性扩散小波收缩图像降噪算法

证明一种高阶各向异性扩散与小波收缩的等价性,并根据等价性利用高阶各向异性扩散与小波收缩的优势,提出高阶各向异性扩散小波收缩降噪算法。该算法在低频部分采用经典的非线性扩散方法进行扩散,在高频部分采用高阶各向异性扩散方法进行小波收缩。实验结果表明,高阶各向异性扩散小波收缩算法的计算复杂性介于高阶各向异性扩散与小波收缩算法之间,降噪能力高于这2种方法。     

Lattice Boltzmann Models for Anisotropic Diffusion of Images

The lattice Boltzmann method has attracted more and more attention as an alternative numerical scheme to traditional numerical methods for solving partial differential equations and modeling physical systems. The idea of the lattice Boltzmann method is to construct a simplified discrete microscopic dynamics to simulate the macroscopic model described by the partial differential equations. The use of the lattice Boltzmann method has allowed the study of a broad class of systems that would have been difficult by other means. The advantage of the lattice Boltzmann method is that it provides easily implemented fully parallel algorithms and the capability of handling complicated boundaries. In this paper, we present two lattice Boltzmann models for nonlinear anisotropic diffusion of images. We show that image feature selective diffusion (smoothing) can be achieved by making the relaxation parameter in the lattice Boltzmann equation be image feature and direction dependent. The models naturally lead to the numerical algorithms that are easy to implement. Experimental results on both synthetic and real images are described.