片相似性各项异性扩散图像去噪

提出了一种基于片相似性的各项异性扩散图像去噪方法.传统的各项异性图像去噪方法都是基于单个像素点的灰度相似性(或梯度信息),不能很好地保持弱梯度边缘和纹理等细节信息.基于片相似性的非局部图像去噪方法由于利用了邻域像素的灰度相似性,而能够很好地保持纹理等细节信息.将片相似性思想引入到各项异性扩散中,利用片相似性构造扩散函数,同时将片相似性各项异性扩散模型扩展到彩色图像的去噪.实验结果表明,提出的改进方法能很好地保持纹理等细节信息,不存在各项异性扩散普遍存在的明显的阶梯效应,同时比非局部图像去噪方法速度快.医学图像去噪实例也表明所提出方法具有很好的应用前景.     

复小波域维纳滤波与偏微分扩散相结合的图像去噪方法

针对图像噪声的去除,提出了一种基于复数小波域上的多方向窗维纳滤波与偏微分方程保持边缘细节相结合的方法。针对小波域维纳滤波的方向性差,去噪后图像容易产生哑铃效应,该方法首先进行双树复数小波变换,集中6个方向上的图像信号能量,之后,再在该6个方向上进行方向维纳滤波,对图像进行初步去噪,再以此引导偏微分方程中的扩散函数,实现各项异性进行扩散,最大限度地在保持图像细节的同时,去除噪声。实验结果表明,该方法的峰值信噪比,以及视觉质量都较复小波去噪或各项异性非线性扩散去噪方法有明显的改善。     

基于修正维纳滤波的小波包变换图像去噪

图像去噪是图像处理中一个非常重要的环节。为了改善降质图像质量,根据Donoho提出的小波阈值去噪算法,分析了维纳滤波原理,提出了一种基于修正维纳滤波的小波包变换图像去噪方法。利用修正维纳滤波对噪声图像进行处理,用处理后的图像计算噪声的标准方差,以此作为小波包的阈值。利用小波包对维纳滤波后的图像进行分解,实现对图像的低频和高频部分分别进行分解,用计算出的阈值对小波包树系数进行软阈值处理。利用小波包逆变换来获取去噪后的图像。结果表明：在噪声方差为0.01时,经该算法去噪后图像的PSNR比小波包自适应阈值去噪后的PSNR高出8.8 dB。该算法不仅能有效地去除加性高斯白噪声,而且能很好地保留边缘信息,极大地改善了图像的视觉质量。     

选择性保真的各项异性扩散模型

基于ROF模型中的全局保真项和结合局部熵的各项异性扩散模型(简称Zhao模型)中的扩散系数,提出一个新的选择性保真项,该保真项可以根据图像的特征信息自适应保真。将该选择性保真项添加到Zhao模型中,提出一个新的各项异性扩散模型。实验结果表明,相比Zhao模型,该模型具有更好的边缘纹理保真效果以及更强的去噪能力。     

基于小波分析的图像去噪处理

近年来,小波理论得到了非常迅速的发展,而且由于其具备良好的时频特性,实际应用也非常广泛。这里希望利用小波的自身特性,在降低噪声影响的同时,尽量保持图像本身的有用细节和边缘信息,从而保证图像的最佳效果。其中图像的小波阈值去噪方法可以说是众多图像去噪方法的佼佼者。     

一种复合各向异性扩散的图像去噪算法

本文提出一种复合各向异性扩散滤波算法,将降斑各向异性扩散(Speckle reducing anisotropic diffusion,SRAD)模型中对边缘敏感的瞬态系数(Instantaneuos coefficient of variation,ICOV)算子运用到了非线性相干扩散(Nonlinear coherent diffusion,NCD)相干模型中,并基于统计学提出ICOV算子的相关系数矩阵对图像的相关度进行度量,系数矩阵的值是每个ICOV算子与其所在行与列的相关度,此相关度的值在边缘附近会取到极大值,这个对图像的边缘检测有很好的度量,根据每个像素与其周围像素的相关度对边缘附近的扩散的强度进行修改,对图像进行更为之有效、更准确的非线性去噪与边缘加强.实验结果表明,与其他各向异性算法相比,本算法可获得更好的性能指标,具有更好的去噪效果和保留边缘功能.     

一种基于小波变换的混合去噪方法

该文提出了一种基于小波变换的混合去噪方法。该方法通过对图像进行小波分解后,首先确定低分辨率的截断参数,对于大于此截断参数的小波系数,进行小波收缩处理;而对小于此截断参数的小波系数,进行异性扩散迭代去噪。实验结果表明,该算法具有两种方法集成优点的去噪效果,边缘也能较好地保持。     

基于异性扩散-中值滤波的超声医学图像去噪方法

针对超声图像存在一种特殊的斑点噪声,使图像边界与细节变得模糊而严重影响图像质量的问题,提出了一种新的去除医学图像斑点噪声的方法,它利用中值滤波和各向异性扩散相结合,不仅可以有效地去除噪声而且很好地保持了边缘、局部细节信息.此外,该方法在扩散过程中,梯度阈值选取的不同对图像结果影响很小,这极大地提高了该算法的健壮性.实验中,通过和各向异性扩散、中值滤波等方法的比较,表明该方法具有良好的去噪效果.     

基于反应扩散和非局部自相似的图像去噪算法

为了更好地利用图像先验以及保护图像边缘、纹理等细节信息,提出一种结合反应扩散（TrainedNonlinearReactionDiffusion,TNRD）与基于块组先验去噪（PatchGroupPriorbasedDenoising,PGPD）的改进算法。首先,对PGPD去噪后的图像进行小波分解得到3个正交的子带,由理论分析可知图像为各子带之和;然后利用反应扩散对高频系数大于阈值的子带部分进行扩散处理,并将处理结果替代原来部分从而获得最终去噪图像。实验结果表明,改进算法在峰值信噪比、保护细节信息等方面都有较大的性能改善。     

基于指数变量的复小波域自适应扩散图像滤波算法

为了克服传统各项异性扩散模型在图像滤波时出现的阶梯效应和边缘模糊问题,利用复小波变换较好的完美重构性和方向选择性等特点,结合图像的梯度和复小波变换模特征,设计了一种复小波域自适应图像扩散滤波模型,提出了一种基于指数变量的自适应扩散图像滤波算法。通过计算机仿真验证了所提算法的滤波性能,结果表明该算法在低信噪比条件下可有效地滤除图像噪声,并且能较好地保持图像的边缘、纹理等细节信息。     

基于小波域维纳滤波的图像降噪技术

传统的小波域局部维纳滤波器的参数由小波系数的某个邻域上的系数或某个邻域上的系数加上相邻尺度上的对应系数所估计,由于邻域不可能取得很大,这样会导致在某些点上估计精度的下降.对此,该文首先分析了传统的小波域局部维纳滤波器的估计误差,然后根据分析的结果,提出了一种对该算法的改进,即先用适当的门限值对小波系数进行阈值化处理,再进行局部维纳滤波.对不同噪声水平的测试图像的仿真结果表明,该改进措施可以有效地改善小波域局部维纳滤波的降噪性能,而且噪声污染越严重,改善越明显.     

小波域上图像非线性扩散滤波

提出一个小波域上图像扩散滤波恢复新模型。主要思想是把原图像作为最精细尺度下的小波子带，根据噪声分布的特点，导出保护较大尺度下信息的泛函模型代替小波阈值除噪，对泛函求变分得：Euler-Lagrange方程。新的滤波方法能避免小波阈值除噪的伪Gibbs现象，改进了同类型非线性扩散方程滤波的效果。利用可加算子分裂(AOS)格式求非线性扩散方程的数值解。实例的数值计算说明对图像滤波和保护边缘的有效性。     

IPP在基于小波域Wiener滤波的图像去噪中的应用

为了提高工业在线检测中图像处理的速度,使用英特尔集成性能原件(Intel IPP)作为编程工具,在小波域结合Wie-ner滤波进行图像去噪。对IPP作了简介,并阐述了小波域Wiener滤波原理和ThWiener算法。实验表明,在VC 平台下使用IPP对含噪图像进行小波域Wiener滤波具有良好的去噪效果,并且计算速度快,效率高,在实时图像处理中有较高的应用价值。     

基于多小波基维纳滤波图像去噪

提出一种多小波基维纳图像去噪方法。它把多个小波基用于小波维纳滤波图像去噪，利用多个小波各自独有的特性和维纳滤波估计最小误差估计的优点，达到对图像更有效去噪的目的。实验结果表明，该方法可以有效降低图像噪声，同时，较好地保持图像视觉效果。     

高阶各向异性扩散小波收缩图像降噪算法

证明一种高阶各向异性扩散与小波收缩的等价性,并根据等价性利用高阶各向异性扩散与小波收缩的优势,提出高阶各向异性扩散小波收缩降噪算法。该算法在低频部分采用经典的非线性扩散方法进行扩散,在高频部分采用高阶各向异性扩散方法进行小波收缩。实验结果表明,高阶各向异性扩散小波收缩算法的计算复杂性介于高阶各向异性扩散与小波收缩算法之间,降噪能力高于这2种方法。     

一种改进的小波域维纳滤波的图像降噪算法研究

针对小波域维纳滤波图像降噪存在计算速度慢和降噪效果较差,本文提出一种改进的小波域维纳滤波算法,将阈值化处理引入小波域维纳滤波,通过阈值化处理小波变换后的系数来提高降噪效果。依据改进算法的具体过程和算法步骤,运用MATLAB进行算法仿真,仿真结果表明,改进的小波域维纳滤波算法进行图像降噪可以有效地提高图像的信噪比,降噪效果良好,同时计算速度较快,节约时间。     

用定阈值Wiener滤波去除图像噪声

本文介绍了Wiener滤波中的统计误差,提出 Wiener滤波去噪性能可以通过定阈值对图像作预处理得到提高,用标准 Wiener滤波法、逆滤波法及定阈值 Wiener滤波法对退化图像进行处理的结果表明,在进行图像恢复时,标准 Wiener滤波效果比逆滤波好,定阈值 Wiener滤波则优于标准 Wiener滤波和逆滤波。     

基于剪切波和改进P-M扩散的图像去噪

针对多尺度几何分析方法去噪时产生的伪Gibbs效应和各向异性扩散模型产生的阶梯效应,提出一种基于剪切波的改进各向异性扩散图像去噪方法。首先对噪声图像进行剪切波变换得到不同尺度的系数矩阵,然后利用改进的各向异性扩散方程对变换后的系数进行处理,实现建立在对图像精细分析基础上的各向异性扩散模型。实验结果表明,该方法能较好地抑制噪声和保持边缘,同时有效地抑制伪Gibbs效应,取得良好的视觉效果。