基于各向异性Markov随机场的三维显微图像复原

提出了基于小波域各向异性马尔可夫随机场模型的三维显微图像复原算法。小波是当前研究的热点,它能够很好地刻画图像的边缘信息。为了有效地保留图像的边缘,根据小波变换后各个子带小波系数的方向性特点,以各向异性马尔可夫随机场模型作为小波系数的先验概率模型进行正则化处理;本文采用正则化比例系数自适应调整方法,当算法收敛到全局最优时,正则化比例系数也达到最优选择;考虑到噪声的影响,算法在每一步迭代求解过程中,对估计出的图像进行去噪处理。实验结果表明,本文算法能够有效地保留图像边缘等细节信息,去除层间干扰并抑制噪声。     

基于改进小波变换的多方向图像边缘检测算法

在对图像的小波变换原理讨论的基础上,针对传统小波变换在图像边缘检测中的不足,提出了基于改进小波变换的图像边缘检测算法.该算法从多个方向对图像进行多尺度小波变换;采用相邻尺度小波系数相乘的方法去除噪声,提取小波系数乘积的极大值点;将这多个方向上的极大点进行融合,形成图像的边缘.仿真实验表明,该算法具有较好的边缘检测和抑制噪声的能力,边缘检测效果明显优于传统的边缘检测方法.     

基于脉冲耦合神经网络模型的小波自适应斑点噪声滤除算法

分析了维纳滤波原理和脉冲耦合神经网络(PCNN)模型的特点,根据斑点噪声统计模型的特征,结合小波变换方法,提出了一种基于PCNN模型的小波自适应斑点噪声滤除算法(W-PCNN-WD)来改善超声图像质量.首先,对超声图像进行对数变换,使斑点噪声转换为加性噪声;对医学图像进行维纳滤波处理,计算其加性噪声的标准方差,并以此作为小波阈值.然后,利用小波变换对图像进行预处理,利用PCNN在小波域中对小波系数进行相应的修正.最后,进行小波逆变换和指数变换,获得滤除噪声的图像.结果表明:本文提出的滤波方法优于其他滤波方法,当噪声方差为0.01时,本文滤波算法获得的峰值信噪比(PSNR)比经Wiener滤波方法获得的高出9 dB.该滤波方法能在有效去除超声斑点噪声的基础上保留图像的边缘细节信息,极大地改善了图像的视觉质量.     

基于小波变换和数学形态学的足迹边缘检测算法

根据足迹图像的特点,提出了一种足迹边缘检测算法.本算法利用小波变换和数学形态学边缘检测的优点,确定了足迹边缘,并采用合理的融合规则融合边缘信息.实验结果表明,该算法能有效地抑制噪声,较好地再现足迹的边缘信息.     

双阈值法在图像边缘检测中的应用

利用小波变换模极大值法进行图像边缘检测时,需选择阈值,将小波变换系数较小的点滤掉,但是一幅图像中边缘的奇异性并不均匀,如果对变换后的图像取单一阈值,那么微弱边缘将会因为灰度不均匀、噪声等一并被滤除.针对这一问题,在上述算法中用双阈值法代替单阈值,使得图像边缘连续,同时也能很好地消除噪声,实验结果表明该算法简单实用,易于实现.     

基于双正交小波包分解的自适应阈值语音增强

传统的小波去噪算法是一种有效的去除白噪声的算法.为了能够去除多种有色噪声,本文提出了基于双正交小波包分解的自适应阈值语音增强方法.该方法能够自适应地跟踪噪声的水平,以此来更新所选阈值.同时采用动态阈值方法去除噪声,从而能有效地去除或降低多种有色噪声.实验结果表明.该方法由于能够在处理过程中保证相位不失真,从而性能优于基于正交小波分解的去噪方法.     

基于多小波收缩与子带增强的图像去噪方法

边缘特征是图像最为有用的高频信息,因此在图像去噪的同时,应尽量保留图像的边缘特征,基于这一思想,提出了多小波阈值收缩与子带增强相结合的图像去噪方法.该方法以多小波变换为基础,将变换后的多小波系数分为噪声相关系数和边缘相关系数,对变换系数进行软阈值多小波收缩消去噪声相关系数;阈值收缩是非线性变换,对图像边缘有平滑作用,因此该方法提出在阈值收缩后进行线性的子带增强,增强边缘相关系数.实验表明与单一的阈值收缩方法相比,该方法不但保留了图像的边缘特征,而且提高去噪图像的峰值信噪比,实验结果优于普通的阈值收缩方法.     

基于机器视觉和改进形态学边缘检测算法的钢球缺陷检测技术研究

为提高钢球表面缺陷检测的效率和准确性,设计一种基于机器视觉的钢球表面缺陷分拣系统。对钢球表面图像进行图像分割、平滑去噪和二值化预处理,获取钢球表面图像的准确信息,并采用改进的中值滤波算法去除噪声;利用小波变换和多尺度形态学融合算法进行钢球表面缺陷的边缘检测;通过该融合算法和其他算法的检测结果对比和客观数据评价,验证了本文所提算法能够有效保留图像真实细节,并满足钢球分拣系统的需求。     

一种基于分形和小波变换的图像放大算法

为了更好地进行图像放大,利用小波变换的思想,提出了一种分形插值和小波变换相结合的图像放大算法.分形插值能够较好的保持原有图像的纹理特征,小波变换后的高频分量具有丰富的细节边缘信息,因而能够重构出高质量的图像.实验表明,和其它算法相比,使用该算法放大后的图像具有更好的主观和客观质量.     

一种基于稀疏表示的图像去噪算法

利用稀疏表示的自适应特征,将稀疏表示的多分辨理论应用于图像的去噪处理中,提出了一种基于稀疏表示的图像分块去噪方法。首先将噪声图像分割成一定尺寸的图像块,选出同质块与非同质块;然后利用小波去噪方法处理同质块,而采用脊波去噪方法处理非同质块,从而得到去噪后的图像;最后采用维纳滤波器对去噪后的图像进一步处理。实验结果表明,该方法与单纯的小波去噪方法和脊波去噪方法相比,信噪比有了较高的改善,较好地去除图像噪声,并且很好地保存图像的边缘纹理信息。