基于稀疏分解和聚类的自适应图像去噪新方法

随着信号稀疏表示原理的深入研究,稀疏分解越来越广泛地应用于图像处理领域。针对过完备字典构造和稀疏分解运算量巨大的问题,提出一种基于稀疏分解和聚类相结合的自适应图像去噪新方法。该方法首先通过改进的K均值(K-means)聚类算法训练样本,构造过完备字典;其次,通过训练过程中每一次迭代,自适应地更新字典的原子,使字典更适应样本的稀疏表示;然后利用正交匹配追踪(OMP)算法实现图像的稀疏表示,从而达到图像去噪的目的。实验结果表明：与传统的字典训练方法相比,新算法有效地降低了运算复杂度,并取得更好的图像去噪效果。     

基于模糊聚类的小波变换图像去噪算法改进

介绍一种改进的较优的基于模糊聚类的小波变换图像去噪算法.首先分析了模糊C均值聚类算法中加权指数m的重要性,采用基于模糊决策的方法,分别构造模糊目标和模糊约束,由模糊目标和模糊约束的交集来共同确定最优的加权指数m以获取较为理想的聚类分类结果.再利用该种加权模糊聚类算法把小波系数划分成包含信号与只包含噪声的小波系数两类,将只包含噪声的小波系数置为零,将包含信号的小波系数利用软阈值法进行收缩,最后对处理后的系数根据M带小波变换的局部时频分析能力及其良好的信噪分离能力进行M带小波变换,得到去噪效果较好的图像.     

基于支持向量聚类的多窗口图像去噪方法

提出一种针对椒盐噪声的SVC多窗口图像去噪方法。利用局部统计特性将像素点标记为信号点、可能的正噪声点及可能的负噪声点。在后两类中根据灰度值不同迭代使用支持向量聚类确定出噪声点的位置,并对其进行多窗口滤波。实验证明该方法在噪声率达到70%以上时具有很好的去噪效果,尤其在保持图像细节方面效果显著。     

基于BM3D图像去噪算法的参数研究

BM3D算法是目前最好的图像去噪算法之一,最近提出的很多更有效的去噪算法都是以BM3D算法作为对比基准。BM3D算法先通过块匹配生成三维矩阵,然后在三维变换域去噪,最后逆变换还原图片。通过对BM3D算法的深入研究,发现BM3D算法的性能与它的参数密切相关。针对BM3D算法的参数进行了实验统计,并对BM3D算法的参数设置进行了总结。实验不仅验证了BM3D算法在图像去噪方面取得了较好效果,而且为BM3D算法的参数设定提供了借鉴。     

基于稀疏先验的非局域聚类图像去噪算法研究

图像去噪是一类典型的病态（ill-posed）逆问题求解,噪声掩盖下的真实图像并不确定,需要引入先验信息缩小病态问题的求解范围。为了将外部干净图像的先验信息引入去噪进程,提出了一种基于外部干净图像与内部噪声图像稀疏先验的非局域聚类图像去噪算法,通过联合外部干净图像与内部噪声图像的图像块得到类稀疏化表达字典;通过全局的相似块匹配,得到理想图像的稀疏系数估计;基于类字典和估计的稀疏系数,采用压缩感知技术的稀疏重建方法实现图像去噪。实验表明,与传统的非局域稀疏聚类图像去噪方法相比,所提算法显著降低去噪块效应,在保留更多细节的同时,图像平坦区域过渡更加自然;而理想图像先验来源的扩展则进一步提高了算法在强噪声下的去噪性能,对强噪声具有更强的抑制能力。     

基于非局部自相似性的谱聚类图像去噪算法

常见的图像去噪方法只是单独地利用了无噪图像或含噪图像的先验信息,并没有将这两种图像的先验信息有效地结合起来。针对这个问题,提出一种 联合无噪图像块的先验信息和含噪图像块的非局部自相似性进行去噪的图像去噪算法。首先,对无噪图像块进行谱聚类,通过谱聚类进行学习,图像中的相似块被聚集到同一类,并将学习得到的聚类信息用于含噪图像块的聚类;然后,向量化同一类中的含噪图像块并聚集形成一个矩阵,该矩阵中包含的原始图像数据构成一个低秩矩阵;再通过一个低秩逼近过程估计出相应的原始图像数据;最后,根据逼近得到的原始图像数据重建图像。实验结果表明,相较于已有的自适应正则化的非局部均值去噪算法以及基于主成分分析和局部像素聚类的两级图像去噪算法,提出的算法不仅可以获得较大的峰值信噪比,而且还能较好地保存图像的细节,取得了更好的去噪效果。     

基于XML的检索结果聚类方法

针对XML文档的半结构化特点,提出一种建模XML检索结果片段的新思路,设计综合内容和结构语义信息度量相应文档相似性的方法,给出一种适应检索结果聚类应用需求的动态均值软聚类算法。实验表明,面向XML的检索结果聚类方法聚类效果优于传统方法。     

基于XML的检索结果聚类方法

针对XML文档的半结构化特点,提出一种建模XML检索结果片段的新思路,设计综合内容和结构语义信息度量相应文档相似性的方法,给出一种适应检索结果聚类应用需求的动态均值软聚类算法。实验表明,面向XML的检索结果聚类方法聚类效果优于传统方法。     

小波域三维块匹配图像去噪

提出了一种关于图像去噪的三维块匹配算法（BM3D算法）的改进算法。它不仅保留了三维块匹配算法好的性质,而且最大的优点是能大大减少计算量,缩短运算时间。算法包括三个步骤：首先,对含噪图像进行小波分解;其次,对小波分解后的高频分量用三维块匹配（BM3D）算法进行去噪处理;最后,用处理后的结果进行小波重构得到去噪图像。给出了该算法的详细实现过程,并把它与以前的三维块匹配算法进行了比较。结果表明,改进后的算法,不但保留了三维块匹配算法在去噪方面好的性质,而且大大减少了运算量。     

一种基于相似度聚类的胃癌诊断挖掘算法研究

针对大型胃癌诊断数据库中疑似病例的确诊问题,提出了一种聚类挖掘算法,该算法使用匹配系数计算相似度来确定疑似病例,对于大型的数据库具有较好的优越性能。研究结果表明,运用所提算法在医学领域确定疑似病例能取得较好效果。     

基于混合变分模型的图像去噪

为了有效抑制噪声,获得更好的视觉效果,提出了一种基于混合变分模型的图像去噪方法。将调和模型和全变分模型进行融合,增强模型的去噪性能,根据自适应选取组合系数,组合系数较大时偏向于全变分模型,较小时偏向于调和模型,这样不仅可以有效去除阶梯效应,同时保护边缘细节,采用仿真对比实验以测试模型性能。结果表明,相对其他去噪模型,相同条件下,该模型取得更优的去噪声效果,提高了图像的质量。     

基于非局部正则化的图像去噪

图像复原是图像处理中一个重要的研究课题。大部分图像复原算法,都只是利用图像单个像素点,或某一邻域内的灰度和梯度信息。如果在图像复原模型中能够超越邻域,而更大范围地利用图像内容本身的信息,将可能更有效地改善复原质量。实际上,大多数自然图像中,其内容具有自相似特性。基于非局部的图像处理方法,就是以这类自相似特性为出发点的。提出一种改进的基于非局部的正则化图像去噪算法,主要针对非局部处理方法中的权值计算作了改进处理。与原始算法不同,采用EMD来进行图像子块间的相似度计算,并结合图像的方向信息分类子块区域,以解决     

基于近似U型网络结构的图像去噪模型

针对图像去噪中的去噪效果差、训练周期长的问题,提出一种基于近似U型网络结构的图像去噪模型。首先,使用不同步长的卷积层将原有的线性网络结构修改为近似U型的网络结构;然后,将不同感受野的图像信息叠加以尽可能地保留图像的原有信息;最后,引入反卷积网络层进行图像恢复和噪声的进一步去除。在Set12与BSD68测试集上与去噪卷积神经网络（DnCNN）模型相比,所提模型的峰值信噪比（PSNR）平均提升了0.04~0.14 dB,训练时长平均缩短了41%。实验结果表明,所提模型具有更好地去噪效果和更短的训练时长。     

基于超像素分割的非局部均值去噪方法

针对非局部均值(NLM)去噪算法在变化丰富的纹理区域采用平移窗口的方法选择相似块的不足进行了研究,提出一种基于超像素分割的非局部均值去噪算法。该方法充分考虑非局部均值去噪算法中相似性对噪声去除的影响,利用经过超像素分割处理得到的图像块内部相邻像素间以及纹理边缘都具有一定相似性的特点,在超像素分割块基础上优化纹理区域相似窗口的选择策略,提高图像块与中心像素块之间的相似性,从而达到提升非局部均值算法的去噪水平、边缘纹理不被模糊的目的。在多幅经典自然图像上的实验结果表明,该方法能够有效的去除图像中包含的噪声信息,相比于传统的非局部均值方法,保留了更多的纹理信息。     

基于PDE的图像去噪方法

针对P-M非线性扩散模型以及自蛇模型对图像滤波的不足,为了充分利用两种模型各自的优势,提出了一种新的基于自蛇模型与P-M扩散模型相混合的去噪方法,同时在其扩散方程中添加了忠诚项,这样噪声去除与边缘保留就可以得到一个较好的效果。最后实验结果表明,该方法既能有效去除图像噪声,也能很好地保持图像的边缘等细节信息。     

基于稀疏自编码特征聚类算法的图像窜改检测

同图复制窜改是图像窜改较为常见的一类,基于块匹配检测方法往往存在准确率低、时间复杂度高等问题,为提高准确率并大幅度降低时间复杂度,应用深度学习特征和聚类算法进行检测。首先用稀疏自编码器训练大量样本集找出同图复制图像的内部规律并得到降维的隐藏层权值矩阵,通过权值矩阵获得检测图像的隐藏层特征,即定义的稀疏自编码特征;用K-means算法一次聚类自编码特征去除图像平滑区域,二次聚类纹理特征获得检测结果,若检测结果中含有少量异常块,通过欧氏距离判断和RANSAC（random sample consensus）算法将异常块去除,从而实现窜改区域的检测。实验结果表明,该算法与其他算法比较综合准确率提升14.3%,时间效率提升72%。将深度学习特征与聚类算法结合使用,使得同图复制窜改在时间效率和准确率上皆有所提升。     

基于HMT模型的图像去噪方法研究

小波图像去噪已经成为图像去噪的主要方法之一。利用小波变换在去除噪声时,可提取并保存对视觉起主要作用的边缘信息,但现有的去噪声方法忽略了小波系数之间的相关性。针对这一不足,在小波域隐Markov树模型（HMT）的基础上给出了一种图像去噪新方法。实验结果表明,与普通的小波去噪方法相比,该方法不但可以保留图像的边缘信息,而且能提高去噪后图像的峰值信噪比。     

基于平稳小波域的各向异性扩散图像去噪方法

针对传统的各向异性扩散去噪方法存在的导致图像细节丢失的问题,提出了一种基于平稳小波域的各向异性扩散图像去噪方法。该方法根据平稳小波变换的特性,通过在高频和低频子带上选用不同的梯度门限进行各向异性扩散,然后进行重构得到去噪后的结果图像。实验结果表明,该方法在有效去除噪声的同时,图像细节保留较好,去噪后的图像具有更好的质量。     

基于分数阶Riemann-Liouville积分的图像去噪

为了在获得更好去噪性能的同时更多地保留图像纹理信息,介绍了分数阶Riemann-Liouville(R-L)积分算子在信号滤波中的作用,将分数阶R-L积分理论引入到数字图像去噪中,并利用阶梯逼近方法来实现数值计算。模型通过设定微小的积分阶次来构建相应的图像去噪掩模,由此实现噪声图像的局部微调,并利用迭代的思想来控制模型的去噪强度,从而获得较好的图像去噪效果。实验结果表明,基于分数阶R-L积分的图像去噪算法较传统的去噪方法不仅可以提高图像的信噪比(SNR),所提出的算法去噪后图像的信噪比为18.3497dB,较传统去噪方法最低也提升了大约4%,而且可以更好地保留图像的弱边缘和纹理等细节信息。