一种图像去噪混合框架

提出一种图像去噪混合框架,通过结合应用平滑与自相似两种先验知识,提高去噪效果.算法对图像进行轻平滑处理,从平滑图像中再取得训练样本,从而增强训练样本中的平滑分量.利用机器学习方法从训练样本中统计出图像模式,应用图像模式从原有噪声图像中恢复信号.新框架联合使用了平滑与自相似两类方法,在平滑和纹理区域均能得到较好的去噪效果.试验结果表明,新框架对多组方法组合的性能均有一定提升,去噪效果普遍优于单独使用一种方法.     

基于小波变换和PCA的SAR图像相干斑抑制

提出一种SAR图像相干斑噪声抑制新的滤波方法。该方法利用小波变换结合主分量分析(PCA)对SAR图像进行去噪。小波变换可以很好地保持边缘细节信息,主分量分析(PCA)能从混合信号中提取出主分量即信号的主要特征,将小波变换结合PCA用于图像处理,能在有效消除噪声的同时保持边缘信息。与Kirsch模板加权平滑滤波和结合小波变换的Kirsch模板加权平滑滤波去噪方法进行比较,实验结果表明,该方法具有良好的抑制相干斑噪声效果和较强的边缘保持能力。     

一种新的复杂纹理图像的去噪方法

针对目前复杂纹理图像去噪与保细节的矛盾,并结合以往的时域模板平滑去噪方法,提出了一种新的基于纹理分析的纹理图像去噪方法。该方法首先提出了在去噪之前应进行纹理分析,从而确定图像各个区域的纹理复杂情况;之后,又提出了使用多尺度多方向的时域模板,即根据纹理细节复杂与否来选取模板类型,并且,利用方差大小来决定细节丰富区域的线形模板方向的选取,从而增强了图像细节的保留效果。本方法运算快捷,去噪效果良好。     

基于盲分离的图像去噪算法研究

图像去噪是图像处理中一个重要而又富有挑战性的课题。已有的图像去噪算法对噪声模型作出假设,在达到假设条件时取得较好的去噪效果。这类算法不能完全去除噪声,而且会削弱图像信号的细节。把图像和噪声看作是互相独立的两个信号源,把去噪过程作为信号分离过程来处理。在初步从污染图像中估计出一个虚拟观测图像后,用基于独立分量分析的盲分离来达到去噪目的。实验结果表明,该算法相比传统的基于滤波的去噪方法,在噪声强度很大的情况下,依然能得到较好的去噪效果。     

一种基于图像区域分割的小波去噪方法

提出一种基于区域分割的图像去噪方法。该方法利用具有平移不变性的DWT去噪法和NeighShrink_ SURE去噪法对平滑图像和纹理图像分别具有良好去噪效果,遂将含噪图像进行区域分割得到平滑、突变和过渡三个区域,最终去噪图像的三个区域分别由两种方法得到的去噪图像加权来确定。实验结果显示,该方法利用了前两种算法的优点,得到了具有较高峰值信噪比、较完整保留图像细节而且具有更佳视觉效果的去噪图像。     

基于正交准则的小波滤波和各向异性耗散的天文纹理提取

天文图像具有复杂的形态学层级结构和不规则的纹理形态,可在不同尺度和方向上表示。该文针对天文纹理表示,从正交性对其机理进行假设,从而提取纹理信息。基于正交优化准则( OOC)、小波以及各向异性耗散( AD),提出一种天文图像的纹理特征提取方法。该方法的理论假设为图像纹理和分段平滑分量互相正交,核心技术是正交性参数估计。首先采用基于正交测度的小波阈值方案,使用多尺度框架在不同尺度和方向对纹理进行提取和分析,然后用滤波后分段平滑分量作为下一步耗散的初始值。参数估计用于小波阈值估计和AD迭代步数估计。数据实验采用星系和引力透镜数据,并与国际流行的6种图像分解算法比较。结果证明该方法在天文纹理特征提取上达到令人满意的效果,具有一定优势和先进性。     

基于改进K-SVD和非局部正则化的图像去噪

K-奇异值分解( K-SVD)算法在强噪声下的去噪性能较差。为此,提出一种新的图像去噪算法。使用相关系数匹配准则和噪声原子裁剪方法改进传统K-SVD算法,提高原算法的去噪性能,将非局部正则项融入图像去噪模型,并采用非局部自相似性进一步改善图像的去噪效果。实验结果表明,与传统K-SVD算法相比,该算法在提高同质区域平滑性的同时,能保留更多的纹理、边缘等细节特征。     

基于图像变换系数稀疏性的去噪处理

为解决传统图像去噪算法存在边缘纹理信息损失的问题,根据图像平滑区域离散余弦变换(DCT)非零系数个数较少的特点,提出了基于图像变换域稀疏表示的去噪算法：首先依据l2范式将图像的相似区域块构成块群;然后对块群中的各块进行DCT。由变换域系数的稀疏性,利用阈值进行首次去噪。为进一步去除噪声,对块群进行主成分分析（PCA）,提取块群PC分量,运用PC分量对块群进行分析处理;最后把处理后的图块结合Kaiser窗口返回到原图像中,得到去噪后的图像。与传统去噪相比,该方法在去噪过程中保留了边缘纹理信息,抑制了该信息对去噪的影响,提高了图像的视觉效果。     

基于均值滤波和小波变换的图像去噪技术研究

采用均值滤波和小波变换相结合的图像去噪方法是先将含噪图像进行小波分解,在小波域中,选取适当的阈值对小波系数进行处理,然后对图像信号进行局部重构至第一层,并采用不同的模板对第一层的各细节子图像进行均值滤波,最后将低频近似图像与均值滤波后高频细节图像合成得到去噪后的图像.这种方法与全局Donoho软、硬阔值小波去噪方法和Birge-Massart策略软、硬阈值小波去噪方法相比,其去噪效果更为明显.它在降低了图像的噪声的同时,又尽可能地保留图像的细节,且图像更加平滑.仿真实验证明,该方法是一种有效的图像去噪方法.     

基于分数阶偏微分方程的图像去噪新模型

将分数阶微分理论和全变分方法相结合应用于图像去噪,提出了一种基于分数阶偏微分方程的图像去噪新模型。该模型很好地继承了现有的全变分(TV)模型去噪效果与保持图像边缘细节特征的优点,同时利用分数阶微分运算特有的幅频特性优势,较好地保留了图像平滑区域中灰度变化不大的纹理细节。实验结果表明：一方面,与现有去噪方法相比,新模型不仅具有较强的抑制噪声能力,而且能较好地保持图像边缘特征,还能保留更多的图像纹理细节信息,优于常用的整数阶偏微分图像去噪方法;另一方面,从峰值信噪比的对比实验可以看出该模型去噪效果优于其他方法,较好地达到了去噪目的,是一种有效、实用的图像去噪模型。     

形态成分正则化约束的图像恢复方法

如何设计能够保持图像纹理等小尺度结构特征的图像恢复方法是目前该领域有待解决的难点问题。由于自然图像往往包含卡通（平滑、边缘）、纹理等多种形态结构成分,很难找到单一有效的正则项对整幅图像进行约束。因此将各形态成分分开处理,建立多形态成分正则化的图像恢复最优化模型。采用交替最小化策略,对相应的多变量优化问题进行数值求解,每一子问题采用TwIST算法进行快速求解。仿真实验结果显示与min-TV和min-l1方法相比,形态成分正则化方法可以较好地保持恢复图像的整体视觉效果及纹理等小尺度结构特征。     

动静态联合滤波器在多聚焦图像融合中的应用

动静态联合滤波器具有良好的边缘平滑特性,对梯度反转和全局强度迁移等伪影具有很强的鲁棒性。为了保留源图像的结构信息,提出了基于动静态联合滤波器的多聚焦图像融合方法。首先采用动静态联合滤波器将源图像分解为结构分量和纹理分量,以视觉显著度加权法对结构分量进行融合,综合相位一致性和清晰度信息对纹理分量进行融合;将两分量叠加获得初始融合图像,并通过计算源图像与初始融合图像间的结构相似度作为决策矩阵,获得最终的融合图像。通过对比多组融合图像主、客观评价结果发现,该方法能有效保留边缘信息。     

基于小波变换与偏微分方程的图像分解及边缘检测

针对含纹理的自然图像在图像分解时,结构图像的边缘信息容易被当作纹理分解到纹理图像中,致使结构图像的边缘不清晰,检测到的边缘不准确,提出了基于小波分解的偏微分方程(PDE)图像分解及边缘检测模型。首先利用小波变换阈值提取部分纹理信息,再利用改进的保边缘的偏微分方程图像分解模型进一步分解图像并提取边缘。实验结果表明,新方法提高了图像分解的质量,纹理信息提取充分,结构图像有较好的分片光滑性和较清晰的边缘,检测到的结构边缘更准确。     

基于自适应分割的多曝光图像融合算法

针对传统多曝光图像融合存在颜色和细节信息保留不完整的问题,提出了一种新的基于自适应分割的多曝光图像融合算法。首先,采用超像素分割将输入图像分割为颜色一致的图像块,再利用结构分解将图像块分解为三个独立分量。根据各分量特点设计不同融合规则,以保留源图像中的颜色和细节信息。然后,采用引导滤波平滑各分量的权重图以及信号强度分量和亮度分量,有效地克服块效应缺陷,保留源图像中的边缘信息,减少伪影。最后,重构融合后的三个分量,得到最终的融合图像。实验结果表明,与传统的融合算法相比,所提算法在互信息（MI）上平均提升了53.6%、标准差（SD）上平均提升了24.0%。该算法能够有效地保留输入图像的颜色和细节纹理信息。     

一种自适应正则化的图像超分辨率算法

提出一种自适应正则化的图像超分辨率重建算法. 首先, 利用局部残差均值自适应地计算各低分辨率图像通道的权值参数矩阵, 可有效地利用各通道对应区域间的交叉信息; 其次, 利用正则项局部误差均值自适应地计算平衡正则项和保真项的正则化参数矩阵, 能较好地保持图像边缘纹理等信息.实验结果表明本文算法不但具有较高峰值信噪比(Peak signal to noise ratio, PSNR) 和结构相似度(Structural similarity, SSIM), 而且在边缘、纹理等细节区域具有更好的重建效果.     

Single-image super-resolution reconstruction based on global non-zero gradient penalty and non-local Laplacian sparse coding

Methods based on sparse coding have been successfully used in single-image super-resolution reconstruction. However, they tend to reconstruct incorrectly the edge structure and lose the difference among the image patches to be reconstructed. To overcome these problems, we propose a new approach based on global non-zero gradient penalty and non-local Laplacian sparse coding. Firstly, we assume that the high resolution image consists of two components: the edge component and the texture component. Secondly, we develop the global non-zero gradient penalty to reconstruct correctly the edge component and the non-local Laplacian sparse coding to preserve the difference among texture component patches to be reconstructed respectively. Finally, we develop a global and local optimization on the initial image, which is composed of the reconstructed edge component and texture component, to remove possible artifacts. Experimental results demonstrate that the proposed approach can achieve more competitive single-image super-resolution quality compared with other state-of-the-art methods.     

A repartition method improving visual quality for PCA image coding

Image coding using principal component analysis (PCA), a type of image compression technique, projects image blocks to a subspace that can preserve most of the original information. However, the blocks in the image exhibit various inhomogeneous properties, such as smooth region, texture, and edge, which give rise to difficulties in PCA image coding. This paper proposes a repartition clustering method to partition the data into groups, such that individuals of the same group are homogeneous, and vice versa. The PCA method is applied separately for each group. In the clustering method, the genetic algorithm acts as a framework consisting of three phases, including the proposed repartition clustering. Based on this mechanism, the proposed method can effectively increase image quality and provide an enhanced visual effect.     

基于算子的图像分解

图像的形态学卡通纹理分解与图像层级分解是近年来图像分析领域的研究热点.针对现有图像分解算法求解过程复杂且不易对图像层级分解的问题,提出了一种基于算子的快速图像分解算法.在该方法中,由局部奇异线性算子来刻画图像的纹理成分,剩余图像信号则被描述为卡通成分;同时通过引入自适应参数调节的方法来实现对剩余信号的分解,进而实现图像的层级分解.其中,自适应参数由图像局部全变差变化率来确定.实验结果表明,该算法具有较好的运行效率,同时具有较好的分解视觉效果.     

结合活动轮廓模型的无监督纹理图像分割

定义了清晰度参数、细节信号能量参数和边缘信号能量参数3个纹理参数,对图像的纹理特征进行分析,以获取原图像的特征能量图;再利用基于简化Mumford-Shah的活动轮廓模型对图像进行纹理分割,该分割模型能较好地处理模糊、缺省的边界,同时具有去噪的功能．利用水平集方法求解该模型,解决了演化曲线拓扑可变的问题．与传统的纹理分析方法相比,文中方法能更好地表达图像中复杂纹理的信号特征．通过对合成纹理图与自然纹理图进行分割及大量实验结果表明：该方法能有效、快速地分割纹理图像．     

基于内容的标准烟叶图像数据库检索

基于内容的检索是当前多媒体数据库发展的一个重要研究领域。在图像数据库中,基于内容的图像检索技术一般采用颜色直方图为特征。该文提出了把图像的形状特征、颜色特征和纹理特征结合起来的方法进行基于内容的图像检索。通过对人的视觉检索过程的研究,提出把数据库中的图像依次分别按形状特征、颜色特征和纹理特征分级聚类的方法,既符合人的视觉特点又大大提高了检索效率。