基于提升Directionlet域高斯混合尺度模型SAR图像噪声抑制

提出了一种新的SAR图像相干斑噪声抑制方法.该方法将高斯混合尺度(GSM)模型引入Directionlet变换域,构造了基于提升Directionlet分解系数的邻域模型,并利用Bayes最小均方估计进行局部去噪.作为一种新的多尺度几何分析工具,Directionlets通过多方向选择来捕捉图像中各向异性特征,滤波器结构为可分离设计;采用提升方案进一步减小变换的运算量.文中对相邻位置和尺度的系数建立GSM模型,能较好地描述系数的边缘分布,充分体现邻域间系数的相关性.对大量真实SAR图像的去噪实验表明,文中方法取得了比空域滤波及小波方法更优的去噪性能,同时在图像边缘等细节特征保持方面具有明显优势.     

基于平稳小波变换邻域系数萎缩的图像去噪法

为消除图像去噪过程中普遍存在的边缘失真,先利用Canny边缘检测算子提取含噪图像的边缘特征,使边缘图像的像素点和含噪图像的像素点一一对应,将含噪图像中边缘像素点的值设零,再将得到的去掉边缘信息的含噪图像进行二维离散平稳小波变换,对小波系数采用基于邻域的方法进行系数萎缩.该算法充分考虑了平稳小波系数的邻域性质,对处理后的小波系数进行平稳小波反变换得到平滑去噪图像,最后将边缘图像嵌入平滑图像中得到去噪后的图像.该算法能够在去除噪声的同时较好地保护图像的边缘,是一种有效的图像去噪法.     

基于非局部自相似的Shearlet自适应收缩图像去噪

针对Shearlet收缩去噪引入的Gibbs伪影和"裂痕"现象,提出一种结合非局部自相似的Shearlet自适应收缩图像去噪方法.首先,对噪声图像进行多方向多尺度的Shearlet分解;然后,基于高斯比例混合(GSM)模型的Shearlet系数分布建模,利用贝叶斯最小二乘估计对Shearlet系数进行自适应收缩去噪,重构得到初始去噪图像;最后,利用非局域自相似模型对初始去噪图像进行滤波处理,得到最终的去噪图像.实验结果表明,所提方法在更好地保留边缘特征的同时,有效地去除噪声和收缩去噪引入的Gibbs伪影,该方法获得的峰值信噪比(PSNR)和结构自相似指标(SSIM)比基于非抽样剪切波变换(NSST)的硬阈值去噪方法提高1.41 dB和0.08;比非抽样Shearlet域GSM模型去噪方法提高1.04 dB和0.045;比基于三变量模型的剪切波去噪方法提高0.64 dB和0.025.     

基于方向波域混合高斯模型的SAR图像去噪

为了解决传统去噪方法处理SAR(Synthetic Aperture Radar)图像存在的失真、图像边缘模糊等问题,提出一种新的去噪算法。首先对经过对数变换后的SAR图像进行方向小波变换,并对无噪图像的方向小波系数建立混合高斯模型,再用矩估计法对其进行参数估计,最后通过贝叶斯滤波器去除噪声。实验结果表明,该算法可以得到较好的去噪效果,并且有效地解决传统去噪算法在图像失真、边缘模糊等问题存在的不足。     

复数Curvelet 变换域复数高斯尺度混合图像降噪

提出了一种基于复数Curvelet 变换域复数高斯尺度混合（CGSM）模型的图像去噪方法．指出Curvelet 变换重构图像存在“划痕”和“嵌入污点”的主要原因是Curvelet 变换域存在频谱混叠,为此,采用复数小波变换和 改进的Radon 变换分别代替原Curvelet 变换中的实小波变换和Radon 变换．构造了具有抗混叠性能的复数Curvelet 变换．本文同时把高斯尺度混合（GSM）模型扩展到复小波域,形成对复小波系数的幅值和相位信息具有有效捕捉 能力的复数GSM 模型,并在复数Curvelet 变换域,采用贝叶斯最小平方（BLS）估计器对CGSM 模型下含噪复系数 进行有效估计,从而实现降噪．实验结果表明,无论是用PSNR 指标评估,还是在视觉效果上,本文方法的去噪性能 均好于传统Curvelet 去噪、Curvelet 域HMT 去噪和小波域BLS-GSM 去噪．本文方法在有效去噪的同时,具有很好 的图像边缘和细节保护能力．     

基于NSCT域自适应缩减原理的SAR图像去噪

根据SAR图像在NSCT变换域中高频子带系数的现实分布特性,提出一种自适应缩减原理的SAR图像去噪方法,使分解后的高频子带系数中代表噪声的系数得到有效抑制,而代表边缘细节的系数得到完美保护,经NSCT反变换后得到较理想的去噪图像,实测SAR图像的去噪结果表明该方法在减少噪声的同时很好地保持了图像的细节,实验证明该方案比原有的去噪方法具有更好的边缘保持性能和后向散射系数保持性能.     

基于特征提取的SAR图像滤波算法

针对SAR图像所包含的地物目标比较复杂的特点,提出一种新的SAR图像滤波算法.该算法利用Contourlet变换能保持边界.结合特征提取可以获得区域目标点特征的特点,利用自适应阈值的方法对SAR图像进行滤波.与传统Lee滤波和保持边缘特征滤波算法进行比较,实验表明新的算法不仅提高了图像的质量.其量化指标也得到了提高.作为该算法的应用.利用变换域内低频图像和子带图像的融合规则对L和C两个波段的SAR图像进行去噪融合,可以看出该算法的去噪效果.     

基于对偶树复小波域图像融合的SAR图像去噪

边缘信息是图像重要的细节信息,保护图像的边缘信息对提高图像质量非常重要.但是在图像去噪的过程中,往往会破坏图像的边缘信息.针对去除噪声和保护边缘信息的双重考虑,提出一种基于对偶树复小波域图像融合的SAR图像阈值去噪.考虑到局部硬阈值和软阈值各自的特点,利用对偶树复小波变换的优点和图像融合的特点,首先在自然对数域对SAR图像进行对偶树复小波分解,然后对小波系数分别执行局部硬阈值去噪和局部软阈值去噪,最后依次通过图像融合,对偶树复小波反变换,指数变换得到去噪以后的图像.实验结果表明,算法融合了两种周值去噪方法的优点,在明显去噪的同时,更好地保护了图像的边缘信息.     

一种新的非下采样Contourlet域图像去噪算法

作为新型高维奇异性分析工具,非下采样轮廓(Nonsubsampled Contourlet)变换不仅克服了小波(Wavelet)变换的非奇异性最优基缺点,而且提供了优于轮廓(Contourlet)变换的平移不变性.以性能优越的非下采样轮廓变换为基础,提出了一种新的图像去噪方法.该方法首先对图像进行非下采样轮廓变换,以得到不同尺度、不同方向上的变换系数;然后结合噪声分布特点确定多尺度阈值,并依此阚值对高频系数进行去噪处理;最后对去噪处理后的变换系数进行反变换,以得到去噪图像.仿真实验结果表明,该方法不仅拥有较强的抑制噪声的能力,而且具有较好的边缘保护能力,同时消除了图像边缘附近的伪吉布斯(Gibbs)现象,整体性能优于小波变换图像去噪和轮廓变换图像去噪方法.     

基于提升Directionlet变换的零块嵌入图像编码算法

提出一种新的基于提升Directionlet变换的图像压缩算法, 能有效捕捉图像中的多方向各向异性特征, 并具备格形可分离的滤波和采样结构. 利用四叉树分块寻找局部最优的变换方向, 针对Directionlet变换系数分布构造了块集合分裂嵌入编码, 并通过改进链表排序方式和设计新的上下文算术编码器, 进一步提高压缩性能. 仿真实验结果表明, 与基于原始Directionlet变换的压缩算法和基于小波变换的SPECK, SPIHT, JPEG 2000等经典算法相比, 本文算法在性能参数和视觉效果方面均有较大提高, 且在低比特率下仍能较完整地保留图像中的边缘和细节信息.     

基于Contourlet域的SAR图像去噪算法

从SAR图像斑点噪声特性和Contourlet变换系数的统计特点出发,将Contourlet变换与二元收缩去噪模型相结合,提出一种新的基于Contourlet变换的SAR图像去噪方法。对于高分辨率SAR 图像,该算法能更有效地去除SAR图像上的斑点噪声。     

非下采样Contourlet变换自适应图像去噪方法

提出了一种基于非下采样Contourlet变换的自适应图像去噪方法。首先对噪声图像进行非下采样Contourlet变换,得到各个尺度各个方向子带的系数,再根据该系数的能量自适应地调整去噪阈值。实验表明,与Contourlet多尺度阈值去噪、Contourlet自适应阈值去噪相比,该方法在保留图像边缘细节的同时,能提高图像的PSNR值,减少了Gibbs现象。     

基于Curvelet域隐马尔可夫树模型的SAR图像去噪

从SAR图像相干斑噪声的统计特点出发,将Curvelet变换与隐马尔可夫树(HMT)模型相结合,提出了一种基于Curvelet域隐马尔可夫树(HMT)模型的图像去噪方法.利用HMT模型捕获Curvelet系数之间的尺度从属性,较好地实现了普通图像去噪和SAR图像的相干斑噪声抑制,同时分析了文中算法的去噪机理和计算复杂度.仿真实验证明,与小波域HMT模型方法和Curvelet变换方法比较,主观视觉效果和数值指标都有明显改进.平滑指数(FJ)值大小适中,水平和垂直边缘保持指数(ESI)平均提高了约0.2～O.3.     

一种基于Contourlet变换的图像去噪方法

在变换域阈值去噪过程中,阈值的选取和阈值处理方法至关重要。提出一种基于contourlet变换的图像去噪方法。采用分层阈值,为每一级contourlet系数选取一个阈值。阈值处理中给出一种基于邻域的阈值处理方法,不仅考虑单个系数幅值的大小,而且考虑它的邻域系数幅值的大小。同时为了抑制在去噪图像边缘附近的伪吉布斯效应,引入cycle spin-ning来抑制这种图像失真。实验结果表明,利用文中去噪方法进行去噪比其他方法得到更好的视觉效果和更高的PSNR值。     

一种基于Contourlet变换的图像去噪方法

在变换域阚值去噪过程中，阈值的选取和阚值处理方法至关重要。提出一种基于conmurlet变换的图像去噪方法。采用分层阈值，为每一级contourlet系数选取一个阈值。阈值处理中给出一种基于邻域的阈值处理方法，不仅考虑单个系数幅值的大小，而且考虑它的邻域系数幅值的大小。同时为了抑制在去噪图像边缘附近的伪吉布斯效应，引入cycle spinning来抑制这种图像失真。实验结果表明，利用文中去噪方法进行去噪比其他方法得到更好的视觉效果和更高的PSNR值。     

改进的多尺度学习字典图像去噪算法

常规字典学习方法在单一尺度下对图像进行稀疏表示,不能完全表示图像的有效信息,去噪结果有待提升。针对上述局限性,提出一种改进的多尺度学习字典图像去噪算法。该算法使用改进的自适应阈值曲波变换对图像进行多尺度分解,并以此构建曲波域的多尺度学习字典,通过循环迭代完成字典和稀疏系数更新并叠加对应的曲波域图像块,最后执行曲波反变换得到去噪图像。结果表明,相对常规去噪算法,论文方法的灰度图像去噪结果峰值信噪比平均提升56.6%,结构相似度平均提升0.44;实际B超图像的完全无参考值提高47.3%,专家平定值提高32.3%。结论认为,改进方法对图像的边缘/纹理细节保持好,图像质量提升明显。     

基于小波阈值和全变分模型的图像去噪

针对小波阈值函数去噪不彻底并且造成图像边缘模糊的问题,提出一种自适应小波阈值和全变分模型相结合的去噪方法。利用小波变换的时频域特性将含噪图像分解得到各维度小波系数,对低频小波系数利用全变分模型去噪,对于高频系数根据不同分解尺度选择不同的最佳阈值去噪,克服了统一阈值的不足,增强了算法的自适应性。理论分析和仿真实验结果表明,所提方法兼顾了小波变换和全变分模型的去噪优点,在有效去除噪声的同时更完整地保留了图像的边缘和细节信息,有较高的结构相似度和峰值信噪比。     

基于稀疏重构框架下剪切波的SAR图像去噪

SAR图像很容易被乘性噪声多污染,进而影响SAR图像后序的分析与处理。本文中提出了一种基于剪切波稀疏编码的SAR图像移除乘性噪声的新模型。首先通过压缩感知理论建立SAR图像去噪模型;其次通过剪切波变换获得剪切波系数,每个尺度的系数视为一个单元;对于每个单元,通过剪切波域的贝叶斯估计对稀疏系数进行迭代估计。重现的单元最后结合起来构造去噪后的图像。SAR图像去噪效果显示了该算法有良好的表现性,对噪声具有鲁棒性;本文提出的算法不仅有较好的去噪效果,而且还保存了更多的边界信息。     

基于边缘检测的空间自适应小波去噪

一般的图像去噪方法在去除噪声的同时也使得边缘变得模糊,结合边缘检测和空间自适应思想,提出一种新的基于小波变换的图像去噪方法。先用小波边缘检测方法提取出图像各个尺度上的边缘,将小波系数分为边缘点和非边缘点,再根据边缘将小波系数分为各个小区域,这样将小波系数分为边缘点和各个区间内的非边缘点,分别对它们进行阈值处理。根据自适应准则,各个系数的阈值由它相邻的、有相同性质的系数决定,这使得在去噪的同时对图像的边缘特征予以保护。实验结果表明,该方法去噪后的图像信噪比更高,视觉效果也更好,在一定程度上解决了去噪时的边缘模糊问题。     

基于四元数小波混合统计模型的图像去噪

图像的去噪和压缩一直是图像处理的经典问题,传统的方法中很难将二者 同时兼顾。四元数小波变换是实小波、四元数理论及二维希尔伯特变换相结合的产物,是一 种新的多尺度分析图像处理工具。图像经四元数小波变换后,其小波系数不仅在尺度内具有 相关性,而且在尺度间也具有一定的相关性。文中提出一种混合统计模型,该模型包括尺度 间的二元非高斯分布模型和尺度内的广义高斯分布模型,然后运用最小均方误差（MMSE） 估计从噪声图中的小波系数恢复原图的系数,从而达到去除图像的噪声的目的。仿真实验表 明,论文方法不仅可以获得信噪比上的提高、视觉上达到明显的去噪效果,而且取得了较高 的压缩比。