基于二维局部均值分解的自适应保真项全变分图像滤噪方法

为了在滤除图像噪声的过程中既保留图像的边缘细节,又对噪声有良好的滤除效果,提出一种基于二维局部均值分解和局部高频能量的自适应保真项全变分图像滤噪算法.首先采用二维局部均值分解算法自适应地将图像分解成从高频到低频不同尺度的成分;然后将其中最高频的成分用于计算局部能量函数,求得自适应保真项参数;最后通过求解最小化能量泛函实现图像噪声滤除.实验结果表明,该算法能较好地保留图像的细节边缘,即使在强噪声下也能较好地对图像平滑区域实现滤噪,解决了其他算法在保留边缘的同时产生的阶梯效应、斑点效应以及边缘附近噪声滤除效果差等问题;且相比于自适应保真项全变分图像滤噪等典型算法,具有更好的鲁棒性与更快的处理速度.     

基于一类集合算子的图象去噪方法及其快速实现

为了保留图象结构特征 ,消除图象中的脉冲型噪声 ,给出并讨论了一种基于单调集合算子的图象去噪方法 .该方法首先把原图象分解为一簇水平集 ,然后利用特定集合算子 ,对水平集进行滤波处理 ,最后用处理后的水平集重建图象 .该图象去噪方法同传统的中值滤波、高斯滤波相比 ,具有保形、保对比度的特点 .另外 ,为了提高图象去噪方法的效率 ,提出了一种基于 Heap数据结构的快速算法 ,此算法的效率要明显地高于逐次取阈值的方法 .实验结果表明 ,单调集合滤波算子 ,在去除脉冲噪声和保持图象结构与对比度方面具有独特的性能 ,同时给出的快速算法也是可行的     

基于均值操作的快速自适应滤波器

为了满足图象实时处理对算法速度和高斯噪声,脉冲噪声混合的噪声环境对算法鲁棒性的要求,以及适应能够同时抑制高斯噪声和脉冲噪声的需要,提出了一种可以有效滤除混合噪声（高斯噪声和正负脉冲噪声）,而且可以快速实现的自适应滤波器－－ＡＢＡ滤波器,ＡＢＡ滤波器,ＡＢＡ滤波器应用了自适应的滤波结构,它将以脉冲噪的结果充分利用在自适应处理中,实验仿真所得的数据显示,在脉冲噪声的密度小于１０％的情况下,与其它一些滤     

基于噪声调节主成分分析法的彩色图象融合滤波

彩色图象滤波是图象处理领域中的经典命题之一.由于滤波算子选择的不同,滤波后影像的质量也不尽相同.为此在分析经典滤波算子的滤波器特性的基础上,将含噪彩色图象的亮度分量分别经过中值滤波与小波软门限滤波,形成亮度滤波结果图象,而后利用基于噪声调节的主成分分析法对彩色图象与亮度滤波结果影像进行融合处理,得到融和滤波图象.同矢量中值滤波器和α-TMF滤波结果影像相比,融合滤波后影像与原始影像具有更好的峰值归一化均方误差,能够更加真实地反映原始景物的色彩信息.实验证明,该融合滤波方法能有效地滤除高斯噪声、脉冲噪声及其混合噪声.     

结合修剪均值与高斯加权中值滤波的图像去噪算法

为快速准确地滤除图像中的脉冲噪声并较好地保持图像的纹理细节和边缘结构,提出一种基于修剪均值与高斯加权中值滤波的图像去噪算法。根据脉冲噪声的灰度特征与统计特征,以局部统计方式进行噪声检测,将灰度取最小值或最大值且与邻域像素相关性较小的像素识别为噪声像素。对于图像平滑区域和细节区域中的噪声像素,使用自适应修剪均值和高斯加权中值滤波算法进行去噪处理。实验结果表明,该算法在视觉效果、峰值信噪比、结构相似性及计算速度上均优于对比算法,并且能够在彻底滤除噪声的同时,较好地保持图像的纹理细节和边缘结构。     

基于自适应免疫遗传算法的边缘检测

为了使检测的图象边缘结构定位好 ,并且产生连续的精细边缘 ,同时能滤除边缘图象中的噪声干扰 ,基于费用函数最小化方法 ,提出了一种自适应免疫遗传算法用于图象的边缘检测 .为了保持群体中个体的多样性 ,同时加快算法的收敛速度 ,该算法中交叉、变异和免疫算子采用了自适应变化而非固定的概率 ,同时免疫算子采用了几何形式的退火选择方案 .由于该算法能够有效地利用局部边缘结构的一些先验知识和特征信息制作成免疫疫苗 ,其局部搜索能力较经典的遗传算法有很大的提高 .该方法用于灰度图象时产生了令人满意的检测效果 ,并对噪声有较好的抑制作用     

一种彩色图象的非线性自适应滤波算法

本文提出了一种应用于彩色图象去噪和平滑的非线性自适应滤波算法,该算法应用微分算子确定被处理象素及其领域内的象素点是否为噪声点,在具有视觉统一性的色度空间中对图象进行高斯加权时,不仅去除噪声点的影响,而且应用分类准则,对象素及其领域内的点进行分类,选取同类点参加滤波,该方法有效抑制了噪声点的影响,提高了滤
滤波的视觉效益,实验证明了该算法的有效性。     

有效去除图像混合噪声的方法

脉冲耦合神经网络PCNN具有良好的脉冲传播特性,可以用于图像的边缘检测;多级中值滤波是对中值滤波的改进,具有较好的保护图像细节的作用;均值滤波是一种成熟的能较好滤除图像高斯噪声的方法.该算法充分结合上述3种算法的优点,先运用PCNN算法对被混合噪声干扰的图像进行边缘检测,然后利用多级中值滤波和均值滤波方法进行滤波处理.对不同的混合噪声进行滤除的实验结果表明本文算法较中值滤波和均值滤波方法有较大提升.     

修剪中值检测的自适应加权中值滤波算法

针对现有算法在噪声检测与噪声滤除性能上的缺陷,提出修剪中值检测的自适应加权中值滤波算法。算法利用噪声的灰度特征,根据灰度最值0和255检测噪声,再根据邻域像素的相关性以及在灰度上的近似性,做进一步的噪声检测。根据邻域像素之间的相关性随距离的增大而减小的特性,对邻域中的信号像素分别赋予不同的加权系数,取加权中值以滤除噪声。算法去噪的邻域大小,随噪声密度和分布自适应地变化。通过去噪图像的主观视觉效果以及客观的去噪性能指标PSNR(peak signal to noise ratio)和IEF(imageenhancement factor),仿真实验证明,所提出的算法相对于现有的算法具有更好的去噪性能,特别对于滤除高密度噪声,具有显著的优越性。     

基于混合高斯模型的图象去噪方法研究

提出在正交小波域中基于父子小波系数联合分布密度的混合高斯模型实现图象去噪的方法。通过小波父子系数的联合分布密度函数来描述小波域中各相邻尺度系数的非独立特性,运用期望极大估计(EM)算法实现对该联合分布密度的混合高斯模型拟合;根据该结果,利用双变贝叶斯(Bayes)公式获得噪声图象父子小波系数的收缩算子,从而实现图象去噪。该算法同小波域中常用的其他去噪算法相比,仿真结果表明:无论在性能指标上或者感官效果上都能够获得很好的效果,尤其是在低信噪比时,图象的去噪效果更佳。     

Root Mean Square filter for noisy images based on hyper graph model

In this paper, we propose a noise removal algorithm for digital images. This algorithm is based on hypergraph model of image, which enables us to distinguish noisy pixels in the image from the noise-free ones. Hence, our algorithm obviates the need for denoising all the pixels, thereby preserving as much image details as possible. The identified noisy pixels are denoised through Root Mean Square (RMS) approximation. The performance of our algorithm, based on peak-signal-to-noise-ratio (PSNR) and mean-absolute-error (MAE), was studied on various benchmark images, and found to be superior to that of other traditional filters and other hypergraph based denoising algorithms.     

两阶段多层感知的随机脉冲噪声比例预测

目的 基于卷积神经网络（CNN）在图块级上实现的随机脉冲噪声（RVIN）降噪算法在执行效率方面较经典的逐像素点开关型降噪算法有显著优势,但降噪效果如何取决于能否对降噪图像受噪声干扰程度（噪声比例值）进行准确估计。为此,提出一种基于多层感知网络的两阶段噪声比例预测算法,达到自适应调用CNN预训练降噪模型获得最佳去噪效果的目的。方法 首先,对大量无噪声图像添加不同噪声比例的RVIN噪声构成噪声图像集合;其次,基于视觉码本（visual codebook）采用软分配（soft-assignment）编码法提取并筛选若干能反映噪声图像受随机脉冲噪声干扰程度的特征值构成特征矢量;再次,将从噪声图像上提取的特征矢量及对应的噪声比例分别作为多层感知网络的输入和输出训练噪声比例预测模型,实现从特征矢量到噪声比例值的映射（预测）;最后,采用粗精相结合的两阶段实现策略进一步提高RVIN噪声比例的预测准确性。结果 针对不同RVIN噪声比例的失真图像,从预测准确性、实际降噪效果和执行效率3个方面验证提出算法的性能和实用性。实验数据表明,本文算法在大多数噪声比例下的预测误差小于2%,降噪效果（PSNR指标）较其他主流降噪算法高24 dB,处理一幅大小为512×512像素的图像仅需3 s左右。结论 本文提出的RVIN噪声比例预测算法在各个噪声比例下具有鲁棒的预测准确性,在降噪效果和执行效率两个方面较经典的开关型RVIN降噪算法有显著提升,更具实用价值。     

局部均值噪声估计的盲3维滤波降噪算法

目的 图像在获取和传输的过程中很容易受到噪声的干扰,图像降噪作为众多图像处理系统的预处理模块在过去数十年中得到了广泛的研究。在已提出的降噪算法中,往往采用加性高斯白噪声模型AWGN（additive white Gaussian noise）为噪声建模,噪声水平（严重程度）由方差参数控制。经典的BM3D 3维滤波算法属于非盲降噪（non-blind denoising algorithm）算法,在实际使用中需要由人工评估图像噪声水平并设置参数,存在着噪声评估值随机性大而导致无法获得最佳降噪效果的问题。为此,提出了一种新的局部均值噪声估计（LME）算法并作为BM3D算法的前置预处理模块。方法 本文专注于利用基于自然统计规律（NSS）的图像质量感知特征和局部均值估计技术构建图像噪声水平预测器,并通过它高效地获得噪声图像中准确的噪声水平值。关于自然场景统计方面的研究表明,无失真的自然场景图像在空域或者频率域上具有显著的统计规律,一旦受到噪声干扰会产生规律性的偏移,可以提取这些特征值作为反映图像质量好坏的图像质量感知特征。另外,局部均值估计因其简单而高效率的预测特性被采用。具体实现上,在具有广泛代表性且未受噪声干扰图像集合上添加不同噪声水平的高斯噪声构建失真图像集合,然后利用小波变换对这些失真图像进行不同尺度和不同方向的分解,再用广义高斯分布模型（GGD）提取子带滤波系数的统计信息构成描述图像失真程度的特征矢量,最后用每幅失真图像上所提取的特征矢量及对其所施加的高斯噪声水平值构成了失真特征矢量库。在降噪阶段,用相同的特征提取方法提取待降噪的图像的特征矢量并在失真特征矢量库中检索出与之类似的若干特征矢量及它们所对应的噪声水平值,然后用局部均值法估计出待降噪图像中高斯噪声大小作为经典BM3D算法的输入参数。结果 改进后的BM3D算法转换为盲降噪算法,称为BM3D-LME（block-matching and 3D filtering based on local means estimation）算法。准确的噪声估计对于诸如图像降噪,图像超分辨率和图像分割等图像处理任务非常重要。已经验证了所提出噪声水平估计算法的准确性、鲁棒性和有效性。结论 相对人工进行噪声估计,LME算法能够准确、快速地估算出任意待降噪图像中的噪声大小。配合BM3D算法使用后,有效提高了它的实际降噪效果并扩大它的应用范围。     

Multispectral image denoising with optimized vector non-local mean filter

Nowadays, many applications rely on images of high quality to ensure good performance in conducting their tasks. However, noise goes against this objective as it is an unavoidable issue in most applications. Therefore, it is essential to develop techniques to attenuate the impact of noise, while maintaining the integrity of relevant information in images. We propose in this work to extend the application of the Non-Local Means filter (NLM) to the vector case and apply it for denoising multispectral images. The objective is to benefit from the additional information brought by multispectral imaging systems. The NLM filter exploits the redundancy of information in an image to remove noise. A restored pixel is a weighted average of all pixels in the image. In our contribution, we propose an optimization framework where we dynamically fine tune the NLM filter parameters and attenuate its computational complexity by considering only pixels which are most similar to each other in computing a restored pixel. Filter parameters are optimized using Stein's Unbiased Risk Estimator (SURE) rather than using ad hoc means. Experiments have been conducted on multispectral images corrupted with additive white Gaussian noise. PSNR and similarity comparison with other approaches are provided to illustrate the efficiency of our approach in terms of both denoising performance and computation complexity.     

一种改进正态逆高斯分布模型的图像去噪算法*

针对传统去噪算法去除含噪声较大的图像时仍有部分噪声残留的问题,本文基于变换域提出一种改进正态逆高斯分布的图像去噪算法。该算法在非下采样剪切波变换域,利用最优线性插值阈值函数改进正态逆高斯模型作为系数分布模型,对高频子带分解系数进行统计建模,以贝叶斯最大后验概率理论实现图像去噪。实验结果表明对于添加不同标准差的高斯白噪声图像,该算法在有效保留图像细节和纹理信息的同时在峰值信噪比方面优于同类去噪算法。     

图拉普拉斯正则化稀疏变换学习图像去噪算法

从噪声图像中恢复干净的图像是对图像进行有效处理与分析的首要前提之一,而去除噪声的同时保持图像的特征则是图像去噪的一个具有挑战性的问题.为了在去除噪声的同时尽量保持图像的局部结构特征,提出了一种基于图拉普拉斯正则化稀疏变换学习的图像去噪算法.通过引入图拉普拉斯正则化对邻域像素进行约束,可以较好地保护相邻像素之间的相关性,...     

迭代自适应权重均值滤波的图像去噪

针对现有滤波方法滤除图像椒盐噪声的性能不理想和耗时长等缺陷,提出了一种迭代自适应权重均值滤波的图像去噪方法（IAWF）。首先,利用图像邻域像素与处理点的相似性采用新型方法构建邻域权重;然后,将此邻域权重与开关裁剪均值滤波结合形成新型权重均值滤波方法,充分利用像素间的相关性和开关裁剪滤波的优势,有效提高了算法的去噪效果,同时采用自适应的方式调整滤波窗口大小,以便尽可能地保护图像细节;最后,采用迭代式滤波方法,即如果上述操作还没有处理完噪声点,则迭代去噪直至噪声点处理完毕,实现自动处理。仿真实验结果表明,在各种不同噪声密度下,IAWF在峰值信噪比（PSNR）、失真度,以及视觉效果等方面均优于现有的几种优秀的滤波算法,且具有更快的运行速度,更适用于实际应用场合。     

基于曲波变换和小波变换的图像去噪算法

针对应用曲波变换进行图像处理过程中所产生的伪影现象,提出一种基于快速离散曲波变换和小波变换的联合去噪算法。对噪声图片分别采用非抽样小波变换和快速离散曲波变换进行去噪,并对经过快速离散曲波变换去噪后的图像进行四叉树分解,根据分解结果对图像进行重构得到最终融合图像。实验结果表明,联合去噪算法对图像的边缘和均匀区域都有较好的去噪效果,能够有效抑制伪影,具有较高的峰值信噪比。     

Context model based edge preservation filter for impulse noise removal

In this article, a new edge preserving contextual model based image restoration technique is proposed for images affected by impulse noise. The proposed restoration technique consists of two stages: noisy pixel identification and restoration. Center sliding window is considered as current processing pixel for both noisy pixel identification and restoration. In the first stage of the proposed technique, we follow an absolute directional difference of the neighborhood pixels to identify the pixels those are affected by impulse noise. We propose an edge preserving contextual model to restore the noisy pixels. The noise correction stage of the proposed scheme depends on the context model of the noise-free pixels in the selected window. The parameters of the contextual model are obtained using a Gaussian kernel. The proposed algorithm is tested on nine benchmark test images. The evaluation of the proposed algorithm is carried out by comparing it against nine competitive state-of-the-art algorithms for impulse noise removal. The proposed algorithm is evaluated using Peak Signal to Noise Ratio (PSNR), Mean Structural Similarity Index (MSSIM), Non-shifted Edge Ratio (NSER) and Correlation Factor (CF) performance measures. Experimental results corroborate that the proposed algorithm provides better performance than the existing state-of-art impulse denoising methods.