基于局部保边函数的低信噪比图像去噪

传统的去噪算法要求含噪图像信噪比较高,并且去噪后图像边缘及纹理信息受到不同程度地损失。本文针对传统算法的不足,提出了基于局部保边函数的低信噪比图像去噪算法,首先对低信噪比图像运用自适应中值滤波器减少椒盐噪声对图像的影响同时保留图像边缘和纹理等细节信息;其次分析处理后的图像局部邻域内像素之间的关系,设计图像局部保边映射函数,最后利用Poly-Ribière-Polak(PRP)算法求出目标函数的最值进而实现低信噪比图像的去噪处理,去除高斯噪声和残余的椒盐噪声。 与传统算法相比,本文去噪效果较好,尤其是对PSNR为5.4db的低信噪比图像去噪后图像PSNR 达到24.3dB。     

TV数值计算的图像去噪

继承传统TV去噪算法的图像边缘保护性,弥补平滑区域抑噪不充分的不足,结合图像的空间梯度和像素梯度,提出了新的基于TV数值计算的去噪算法。该算法分析了图像的空间梯度;为了抑制噪声对图像平滑区域梯度的影响,对该区域的空间梯度进行抑制,克服了传统TV算法对平坦区抑噪不充分,甚至出现的虚假边缘和阶梯效应;结合像素梯度分析了图像TV去噪的迭代函数。实验结果表明,该算法实现了保边去噪且残余噪声较小,提高了图像的峰值信噪比(PSNR)和视觉效果。     

基于梯度方向的非局部均值图像去噪算法

传统非局部均值去噪算法忽略了像素点邻域灰度值之间的差异,导致图像边缘模糊及细节丢失.因此,利用两个像素点邻域之间的梯度方向在添加噪声前后仍具有相似性的特点,提出一种基于梯度方向的非局部均值图像去噪算法.首先,对含有噪声的图像进行高斯滤波预处理;其次,充分利用区域的梯度信息和邻域块之间的灰度值共同确定权重,对邻域块之间进行更好的相似性判断,进而优化传统非局部均值滤波算法.实验结果表明,相比传统的非局部均值算法,本文算法可保留更多的图像细节信息,得到更优的去噪性能.     

改进全变分的图像去噪

为了弥补各向同性扩散去噪的非保边性、异性扩散的耗时性,分析了各向同性和异性扩散的机理,根据噪声对像素变化的影响,设计了新的扩散函数,理论上分析了该函数的扩散性能:对平滑区各向同性扩散,边缘区实现各向异性扩散。在传统全变分去噪的基础上,提出了改进全变分的图像去噪模型,运用固定点代算法设计了相应的离散迭代函数。实验结果表明,该算法在图像平滑区进行各向同性扩散,继承了各向同性的优点,降低了传统全变分的运行时间;在边缘区实现了各向异性扩散保护了图像边缘,提高了图像的峰值信噪比和视觉效果。     

基于高阶统计量的小波变换去噪算法

图像在获取和传输的过程中经常要受到噪声的污染.传统的去噪方法不仅滤出了图像的噪声,同时使图像细节变得模糊.本文提出一种基于双谱和小波变换的去噪算法.该方法是根据高斯噪声及椒盐噪声在小波变换下的不同特征,并结合双谱滤波、中值滤波的特点,在小波城内对高频子带进行双谱滤波,去除图像中的高斯噪声,然后进行中值滤波,去除图像中的椒盐噪声.高斯噪声的双谱为零,能够彻底的去除高斯噪声.该算法的实验结果表明不仅能滤出图像中高斯噪声和椒盐噪声,而且能较好的保留图像的边缘细节.其滤波效果优于传统的图像去噪方法.     

基于边缘增强和快速非局部均值的边缘图像去噪

针对全变分模型不能很好的保持图像边缘信息这一问题,有学者提出了基于边缘定向增强扩散模型,但该模型对图像细节处理不够.快速非局部均值(Fast Non-local means, FNLM)算法利用图像的自相关性与结构信息的冗余性,提高了去噪效果,但不能同时最大限度保持图像边缘信息又抑制平坦区域噪声.由于通过利用结构张量性质,可获取图像的边界、拐角、纹理等重要信息,本文引入结构张量改进边缘定向增强扩散模型,保持了图像边缘,并在此基础上提出了一种基于边缘增强和快速非局部均值的边缘图像去噪模型.该模型通过选取不同的边缘增强正则化参数,根据图像扩散幅度不同,获取带有纹理及噪声的边缘图像;然后对该边缘图像进行FNLM去噪,即过滤出图像原有的纹理结构信息;最后将之反馈到之前的边缘增强去噪图像中.实验结果表明,该方法不仅能够保留较多的纹理细节信息,而且很好的缓解了图像平滑和细节保持的矛盾.     

偏差校正的DCT子空间非局部均值MRI图像去噪算法

针对MRI图像中的莱斯( Rician)噪声直接采用高斯白噪声去噪算法仅能取得次优去噪效果这一问题,在DCT子空间非局部均值去噪算法基础上,提出一种偏差校正的DCT子空间非局部均值MRI图像去噪算法。首先分析MRI图像中Rician噪声的特性,给出在MRI模值平方图中估计噪声偏差的方法;然后使用偏差校正的DCT子空间非局部均值MRI图像去噪算法在MRI图像的模值平方图上进行去噪处理。在模拟MRI图像上进行的实验结果表明,该算法在有效去除Rician噪声的同时,很好地保留了器官和软组织的细节纹理信息,取得了较好的去噪效果。     

偏差校正的DCT子空间非局部均值MRI图像去噪算法

针对直接采用高斯白噪声去噪算法去除MRI图像中的莱斯(Rician)噪声仅能取得次优去噪效果这一问题,在DCT子空间非局部均值去噪算法基础上,提出一种偏差校正的DCT子空间非局部均值MRI图像去噪算法。首先分析MRI图像中Rician噪声的特性,给出在MRI模值平方图中估计噪声偏差的方法;然后使用偏差校正的DCT子空间非局部均值MRI图像去噪算法在MRI图像的模值平方图上进行去噪处理。在模拟MRI图像上进行实验,其结果表明,该算法在有效去除Rician噪声的同时,很好地保留了器官和软组织的细节纹理信息,取得了较好的去噪效果。       

3DDCT变换下的图像去噪与增强方法

为了解决传统图像去噪算法存在边缘纹理信息损失的问题,根据图像平滑区域DCT非零系数个数较少的特点,提出了基于3DDCT的图像去噪及增强处理方法.该方法首先依据l2范式将含噪图像的相似区域块构成块群;再根据块群中块内像素的相关性,对各块进行2DDCT变换并利用阈值进行首次去噪,根据群内块间对应像素的相似性,对块群进行一维...     

改进算法在混合噪声STM图像滤波中的应用

基于小波变换的高斯混合模型小波去噪方法能有效滤除高斯白噪声,中值滤波法能较好滤除脉冲噪声并保留图像边缘及细节信息。将两种方法结合起来,并采用Matlab语言进行仿真,然后对含有高斯脉冲混合噪声的STM(扫描隧道显微镜)图像进行去噪处理。实验结果表明,这种混合去噪方法能有效去除STM图像中的高斯白噪声和脉冲噪声并保留图像的边缘及细节信息,能得到更好的STM图像,其效果要优于单纯使用中值滤波或者小波去噪的效果.     

一种新的活动轮廓模型图像分割方法

局部二值拟合模型利用图像的局部邻域信息拟合能量函数,局部二值拟合模型相当于对活动轮廓内外进行局部均值滤波,因此该模型对高斯噪声有一定的抗噪性,但是该模型对椒盐噪声污染的图像不能取得令人满意的分割结果。为了提高活动轮廓模型对椒盐噪声的鲁棒性,结合局部二值拟合模型中的局部拟合项,提出一种能消除椒盐噪声影响的新的局部拟合项。提出的拟合项的能量函数极小值是局部区域的中值,新的拟合项相当于对活动轮廓内外进行局部中值滤波,中值滤波对椒盐噪声不敏感。原模型中边缘停止函数是基于图像梯度信息,难以区分图像不同区域间模糊的弱边缘和灰度渐进图像目标,并且容易受到各类噪声的影响,抗噪声能力弱。提出一种新的边缘检测算子,重新定义边缘停止函数,进一步提高模型的抗噪性,降低高斯噪声和椒盐噪声对分割结果的影响。为了保持活动轮廓在演化过程中的稳定性,在曲线演化迭代过程中必须周期地初始化以使水平集函数重新变成带符号的距离函数,但重新初始化的计算量大。引入一个惩罚能量,解决水平集函数在演化过程中的重新初始化难题。对不同噪声污染的图像进行试验的结果表明,提出的模型可以取得较好的图像分割结果,比CV模型、LBF模型和LIF模型更具有优势。     

一种高斯噪声组合滤波方法

为了有效滤除高斯噪声,提出了一种组合滤波方法.该方法首先通过定义新的维纳滤波模板进行预处理,以滤除一部分噪声;然后将图像进行二维小波分解,保留低频成分,对高频成分根据其噪声分布特征设计出新的形态学滤波模板分别进行滤波,并进行小波系数重构;最后通过设计一种新的小波增强函数,以提高图像的清晰度,最大限度保留图像细节信息.实验证明该方法滤波效果优于维纳滤波和形态学滤波,是一种较为实用的高斯噪声滤除方法.     

基于模糊神经网络的彩色图像滤波器研究

为实现彩色图像噪声的滤波，基于模糊神经网络技术构建了一种新型的彩色图像滤波器．该滤波器通过对滤波窗口的彩色图像像素矢量进行模糊加权来判断邻近像素和中心像素的关系，针对不同性质的噪声由神经网络的自学习和自组织功能来自动调节滤波器的权值以实现噪声的滤除．用Flowers图像和Lena图像对经过训练的滤波器和矢量中值滤波器进行了测试对比．结果表明：模糊神经网络彩色滤波器无论对单纯的脉冲噪声及高斯噪声，还是二者的混合噪声，其滤除能力都要优于矢量中值滤波器，并且有较好的边缘和细节保持能力．     

一种改进的基于小波变换的图像去噪算法

提出一种改进的多参数小波阈值算法,通过调节因子k和r可以适应阈值λ的变化,与传统的硬阈值和软阈值法相比较,新算法去噪效果明显,尤其适用于去除强高斯噪声。以源图像和去噪后图像的峰值信噪比最大为依据,采用粒子群优化算法来选择自相应的调节参数,对新算法进行实验验证,仿真结果表明,新算法不仅可以有效去噪,而且可以避免高频信息的...     

同场景多幅图像中的强噪声抑制

提出了利用独立分量分析滤除同场景多幅图像中的噪声方法,假设在含噪的同场景多幅图像中,噪声信号和图像信号之间是相互独立的。利用独立分量分析方法可以将含噪的同场景多幅图像分解成图像信号分量和噪声信号分量,根据独立分量的固定时间模式的标准差特性可以将图像信号分量提取出来,以重构成去噪结果图像。实验结果表明,该方法能有效地抑制多幅同场景图像中非零均值强高斯噪声,而且可适用于稳定噪声强度和不稳定噪声强度环境。     

局部同质性测度的平滑式图像噪声估计

提出一种基于局部同质性测度的静止图像平滑式加性噪声估计方法。为增强图像中各像元的同质性测度值差异,以柯西分布函数作为核函数,提出一种图像同质性测度的新方法。为提取图像的真实边缘,采用各向异性扩散平滑算法。在去除包含图像真实边缘的子图像的基础上,根据所设定的同质性测度阈值,选取具有较高同质性的子图像,并计算这些子图像的标准方差。最后。将这些各子图像标准方差的中值作为图像噪声的估计值。本文所提出的图像噪声估计算法可自动化实现,无需任何人工参与。试验结果表明,与其它滤波式噪声估计方法比较,本文所提出的方法具有更高的估计精度和更好的鲁棒性。     

一种抗加性高斯白噪声的盲图像源分离方法

针对基于聚类稀疏成分分析的盲图像源分离方法噪声敏感的问题,提出了一种抗加性高斯白噪声的盲图像源分离算法.通过分析混合图像与噪声图像间的相关性,估计混合图像中的噪声并去除,对去噪后的混合图像进行稀疏成分分析,即分离出源图像.实验结果表明,该算法能直接、有效地去除同分布的加性噪声,使叠加噪声的混合图像得到精确的分离.     

去除乘性噪声的非局部扩散模型

提出了一种基于非局部扩散的去除乘性噪声的模型。该模型根据图像噪声为高斯噪声的假设建立图像恢复的能量泛函,由变分法得到偏微分方程。通过人工合成图像和真实图像的实验结果可知,本文提出的模型在去噪效果方面优于基于有界变差的乘性噪声模型。     

多尺度方向性Hermite变换在低信噪比图像边缘检测中的应用

针对现有的边缘提取方法存在着无法同时满足抑噪能力强和定位精度高的问题,提出了多尺度的Her-mite变换边缘检测法.通过分析可以证明Hermite法是一种建立在滤波基础上的边缘提取方法,而且由于Her-mite变换提取出的是图像局部最优方向下的边缘检测,因此其在提取边缘时的抑噪能力要比一般方法高.此外,由于多尺度Hermite变换结合了大尺度的抑噪能力和小尺度的定位能力,因此这种方法能非常有效地提取出边缘并保持了较高的定位精度.通过与Sobel法的边缘检测结果进行对比,可以发现多尺度Hermite变换法在进行低信噪比条件下的边缘检测时具有较好的抑噪和定位能力.     

基于多尺度小波的图像增强算法

提出了一种基于多尺度小波的图像增强算法。首先对图像做小波分层,利用散布矩阵对分层后的图像提取更丰富的局部结构信息,最后对每一个子图像进行局部直方图均衡化,就可将这些子图像合成为一个完整的输出图像。实验结果表明该方法的增强效果明显优于传统的直方图均衡化方法,既提高了图像的整体对比度又突出了图像的局部细节,同时还抑制了噪声。