基于双正交小波和边缘加权的图像去噪算法

文中针对现有去噪算法存在的问题,提出了一种基于双正交小波和边缘加权的新的图像去噪算法.该算法对图像进行基于图像移位相关性的自适应二叉分解,研究了白高斯噪声在双正交小波分解下的功率谱,并结合图像的边缘信息,对不同区域的去噪阈值以不同权重加权.实验结果表明,文中算法去噪所得图像的MSE优于小波变换全局阈值去噪,视觉效果明显优于维纳滤波去噪.     

一种基于连续小波阈值的图像去噪新算法

基于图像小波分解的特点和小波分解后高频小波系数的统计特性,构造了一种新阈值函数的去噪算法。对比传统的硬阈值、软阈值去噪算法,介绍了新阈值函数的原理,推导了算法公式。该阈值函数连续、可导。实验结果表明,利用新阈值函数进行图像去噪,能够有效地抑制图像噪声及马赛克效应。     

激光主动成像制导图像去噪算法研究

快速有效地对所获图像进行去噪是提高激光主动成像制导精度的关键一步。针对成像中的散斑噪声,提出了一种改进的小波阈值与基于积分图像的非局部均值滤波相结合的去噪算法。首先对激光主动成像图像进行噪声分析;然后通过对数变换将乘性噪声转换为加性噪声;而后将含噪图像进行两层小波分解,在第一层高频部分运用改进的小波阈值法,在第二层高频部分运用基于积分图像的非局部均值滤波算法进行去噪;最后进行相应的逆变换得到去噪图像。理论分析和实验结果证明,该算法能有效去除噪声,较好地保证了图像细节,并且满足激光主动成像制导对图像去噪实时性的要求。     

一种改进的小波阈值去噪方法

在原有的小波阈值去噪方法的基础上,提出了一种改进的图像去噪方法 Fast ICA-MPSO-WTD。该方法将快速独立主元分析(Fast ICA)和WTD相结合进行图像去噪,为了使小波阈值去噪效果更好,使用改进粒子群算法(MPSO)优化小波阈值参数。为了证明该方法的有效性,选择测试图像进行去噪对比实验,实验使用峰值信噪比(PSNR)评价去噪效果,实验结果表明改进方法 Fast ICA-MPSO-WTD能够有效地提高去噪效果。     

一种改进的自适应图像去噪算法实现

数字图像在形成、传输和处理过程中,往往不可避免的存在噪声污染。因此去噪是数字图像处理的重点也是难点,需要提出一种更加行之有效的去噪算法。针对于传统软硬阈值的缺陷,本文提出一种将改进的的小波阈值去噪法与自适应中值滤波相结合的新的去噪方法。小波阈值去噪即确定一个合适的阈值,对分解的小波系数进行阈值化处理,滤除噪声的小波系数,而保留信号的小波系数。该算法相对于传统软硬阈值的峰值信噪比(PSNR)的提高百分比分别达到了16.32%和8.95%,去噪效果非常理想。该方法较之以往的去噪方法,峰值信噪比有了明显的提高,同时能够有效保留边缘及细节特征。     

小波阈值去噪法的深入研究

针对以往小波阈值图像去噪法在去除图像噪声的过程中会出现的去噪不彻底、噪声残留、和噪声误判的问题,对小波阈值去噪方法中两个重要因素阈值选取方式和阈值函数进行改进,以达到更好去除噪声的目的。在以往的统一阈值基础上加以修改,使阈值能随着分解尺度的变化而改变,减少小波系数和原系数之间的偏差;对传统的软阈值和硬阈值的优点予以保留,改进它们各自的缺点,产生一种新的阈值函数,使它在处理小波系数时更加灵活。通过Matlab的仿真实验和对算法的精度分析表明,用改进后的小波阈值去噪法处理加高斯噪声的lean图像可以很好的去除图像噪声,使图像的信息熵,对比度和信噪比均得到很大的提高,图像质量和视觉效果也得到提升。     

一种小波域与空域相结合的图像滤波方法

利用小波阈值去噪方法和传统空间域Lee 滤波的特点, 提出了一种图像去噪的的组合滤波方案。首先在小波域对图像阈值去噪, 得到预去噪图像; 再在空间域上利用自适应Wiener 滤波器进一步提高恢复图像的精度。为了保证小波域和空间域两种算法之间的匹配, 对预去噪图像中残留噪声的分布进行了研究, 对其噪声方差估计做了改进, 提出了一种估计噪声方差的近似最优公式。仿真实验表明, 与单独的在小波域或空域去噪相比, 该方法的均方误差和信噪比指标均得到了改善。     

一种小波域与空域相结合的图像滤波方法

利用小波阈值去噪方法和传统空间域Lee滤波的特点,提出了一种图像去噪的的组合滤波方案。首先在小波域对图像阈值去噪,得到预去噪图像;再在空间域上利用自适应Wiener滤波器进一步提高恢复图像的精度。为了保证小波域和空间域两种算法之间的匹配,对预去噪图像中残留噪声的分布进行了研究,对其噪声方差估计做了改进,提出了一种估计噪声方差的近似最优公式。仿真实验表明,与单独的在小波域或空域去噪相比,该方法的均方误差和信噪比指标均得到了改善。     

基于图像分解的PCB图像去噪算法研究

为了提高印刷电路板(PCB)图像的检测效果,提出了一种基于图像分解的PCB图像去噪算法,对传统全变分算法进行改进,设计了一个基于L₂范数的正则项去噪模型。通过该模型,将待去噪的PCB图像分解为结构和纹理两个部分,并将Split Bregman迭代框架应用到该模型中,缩短求解时间;使用非局部均值算法对纹理部分进行去噪处理;对结构部分和纹理部分进行融合,得到最终的PCB去噪图像。通过主观视觉和客观评价指标对获得图像进行评估,并通过实验结果验证了所提算法的有效性。     

基于小波分解的计算机图像去噪算法

计算机图像在形成过程中较易受到外界因素的干扰而形成噪声,对图像质量噪声较大的影响,小波分解可对图像信号在频域中进行细致的划分,选择合适的阈值可实现图像去噪的目的。文中分别对图像质量,小波分解、Mallat算法和小波阈值去噪进行阐述,并利用Matlab仿真软件对应用小波分解的图像信号进行去噪。仿真结果表明,该方法具有较好的图像去噪效果。     

基于小波变换的红外图像去噪

小波图像去噪已经成为目前图像去噪的主要方法之一。本文介绍了小波阈值去噪的基本原理,并将其应用于红外图像去噪。实验结果表明,该算法优于传统滤波去噪方法,能有效地抑制噪声,可用来对红外图像做进一步的分析与处理。     

基于小波变换的目标检测关键算法研究

图像去噪和边缘检测都是目标检测中至关重要的过程。结合半软阈值法和比例萎缩法,提出了一种改进的小波局部自适应阈值图像去噪算法,给出了一种高斯小波模极大值算法进行图像边缘检测。实验证明,去噪算法优于传统的半软阈值算法,较好地保留了图像的细节信息。边缘检测算法与经典的Canny算子相比得到了更多细节信息,使图像变的更真实。     

一种改进的小波阈值裂纹图像去噪法

文中采用一种新的小波阈值法进行数字图像去噪。该方法是在原有小波算法之上进行改进,一方面改进闽值公式,寻求最优的阈值,获取更好的边缘保护,从而达到图像原始信息完整性;另一方面通过优化阁值函数获得改进的阚值方法,提高小波系数阈值判断的准确性,获得更好的去噪效果。实验结果表明,与通常的方法相比较,能更好的去除数字图像噪声、保护图像边缘,获得更好的峰值信噪比、边缘保持指数和更好的视觉效果,达到去噪要求。     

基于非抽取小波变换的遥感图像贝叶斯去噪

图像去噪是遥感图像处理的一个重要方面。文中基于非抽取小波变换,提出了一种贝叶斯图像去噪方法。对小波系数采用广义高斯分布建模,根据贝叶斯估计理论,得到贝叶斯收缩阈值,采用软阈值收缩去噪。实验结果表明：该去噪方法能够有效地抑制正交小波变换产生的人为干扰和伪Gibbs现象,与正交小波变换阈值去噪方法相比具有明显的优越性。     

Feature-based wavelet shrinkage algorithm for image denoising.

A selective wavelet shrinkage algorithm for digital image denoising is presented. The performance of this method is an improvement upon other methods proposed in the literature and is algorithmically simple for large computational savings. The improved performance and computational speed of the proposed wavelet shrinkage algorithm is presented and experimentally compared with established methods. The denoising method incorporated in the proposed algorithm involves a two-threshold validation process for real-time selection of wavelet coefficients. The two-threshold criteria selects wavelet coefficients based on their absolute value, spatial regularity, and regularity across multiresolution scales. The proposed algorithm takes image features into consideration in the selection process. Statistically, most images have regular features resulting in connected subband coefficients. Therefore, the resulting subbands of wavelet transformed images in large part do not contain isolated coefficients. In the proposed algorithm, coefficients are selected due to their magnitude, and only a subset of those selected coefficients which exhibit a spatially regular behavior remain for image reconstruction. Therefore, two thresholds are used in the coefficient selection process. The first threshold is used to distinguish coefficients of large magnitude and the second is used to distinguish coefficients of spatial regularity. The performance of the proposed wavelet denoising technique is an improvement upon several other established wavelet denoising techniques, as well as being computationally efficient to facilitate real-time image-processing applications.     

基于小波域Curvelet变换的湍流图像去噪算法

为了提高湍流图像的空间分辨率,提出了一种基于小波域Curvelet变换(wavelet domain Curvelet transform,WDCT)的湍流图像去噪算法。该算法根据湍流退化图像噪声的统计特性,结合贝叶斯萎缩方法优化阈值选择。首先,对含噪湍流图像进行单层二维离散小波变换,接着提取高频系数并对它作快速离散Curvelet变换,最后根据贝叶斯准则估计阈值T,改进阈值的自适应选取方法,获得最优阈值,最后给出湍流图像去噪实现过程。为验证本文算法,根据客观评价标准峰值信噪比(peak signal to noise ratio,PSNR)和均方根误差(mean square error,MSE),对模拟图像和实测湍流图像进行去噪实验。与DWT-NABayesShrink算法、UWT算法相比,视觉效果更好,PSNR值分别提高7.27%和4.92%,MSE值分别降低26.3%和23.1%。本文算法得到较清晰的目标图像,对湍流退化图像去噪有一定的应用价值。     

遥感图像的NSCT自适应阈值去噪方法

提出了一种基于非下采样Contourlet变换(NSCT)相结合的遥感图像自适应阈值去噪方法。通过小波估计被噪声污染遥感图像的噪声强弱,根据噪声的强弱以及NSCT的分解特点及系数所在邻域的特性,给出不同尺度不同方向的自适应阈值。仿真实验结果表明,与小波硬阈值、Contourlet硬阈值和基于非下采样Contourlet硬阈值去噪方法比较,该方法在提高了图像的峰值信噪比的同时也减少了Gibbs现象,图像视觉效果也得到明显的改善。     

基于图形小波变换的遥感图像表示与去噪

离散小波变换(Discrete Wavelet Transform,DWT)通常用于图像的表示。然而,对于具有不规则形状边缘的图像,尤其是对于纹理和细节信息较多的遥感图像,DWT却很难有效表示,进而影响后续去噪效果。针对该问题,提出了一种基于图形小波变换(Graphic Wavelet Transform,GWT)的图像去噪方法。首先,将图像表示为图形信号,并通过该图形信号的谱表示构造相应的变换矩阵;然后,设计了一种改进自适应阈值的图像去噪方法,在GWT变换域内对图像去噪。实验结果表明,与常用的图像去噪方法相比,所提算法能够提供更好的图像主观质量。采用均方根误差(Root Mean Square Error,RMSE)和峰值信噪比(Peak Signal-to-Noise Ratio,PSNR)作为客观指标,结果表明,采用所提方法得到的重建图像客观质量更优。     

基于自适应阈值正交小波变换兰姆波去噪方法

提出了基于自适应阈值正交小波变换兰姆波去噪方法 （WT-AL）。首先利用正交小波变换降低含噪兰姆波信号的自相关性,然后利用自适应阈值方法自适应地对不同尺度的正交小波变换系数进行阈值处理,最后利用小波重构获得重构信号。实验结果表明：该方法去噪后信号信噪比明显提高,均方误差明显降低。