一种改进的双项自适应总体变差去噪模型

研究经典总体变差去噪模型及其改进的自适应去噪模型,提出一种基于预处理图像局部信息的双项自适应模型。利用空间自适应保真项缓解二阶非线性滤波对细节的过度平滑,通过自适应正则化项减少阶梯效应,使数值更稳定和收敛。实验结果表明,与原方法相比,改进方法具有更好的鲁棒性,在噪声较高的情况下仍能取得较好的去噪效果。     

自适应非局部数据保真项和双边总变分的图像去噪模型

针对常见去噪方法容易造成特定区域过度平滑、奇异结构残余噪声以及产生阶梯效应和对比度损失等问题,提出一种自适应非局部数据保真项和双边总变分的图像去噪模型,建立了自适应非局部正则化能量泛函和相应的变分框架。首先,对噪声图像利用自适应权值的非局部均值求得数据拟合项;其次,引入双边总变分正则化项,利用正则化系数来适度平衡数据拟合项和正则化项的影响;最后,通过能量函数最小化对不同的噪声统计快速求得最优解,从而达到降低残余噪声并纠正过度平滑的目的。通过理论分析和针对模拟噪声图像与真实噪声图像的实验结果表明,所提出的图像去噪模型能够较好地处理具有不同统计特性的图像噪声,与自适应非局部均值滤波去噪相比,所提算法的峰值信噪比（PSNR）值最多可以得到0.6 dB的改善;与全变分正则化图像去噪算法比较,所提算法的主观视觉效果明显更好,在去噪的同时图像纹理和边缘等细节信息保护得更好,PSNR值最多可以提高10 dB,而多尺度结构相似性度（MS-SSIM）指标可以提升0.3。因此,所提出的图像去噪模型可以在理论上更好地探讨如何合理处理噪声和图像内容本身的高频细节信息,在视频和图像分辨率提升等领域也具有良好的实际应用价值。     

结合自适应保真项的各向异性扩散模型

为了在去除噪声的同时,对图像更好的保真,在各向异性扩散模型的基础上,提出了结合自适应保真项的各向异性扩散模型。该模型能够很好地抑制边缘上的噪声和强噪声。实验结果表明,该模型不仅能有效去除噪声,而且对图像细节、边缘也能很好的保真。     

非线性扩散图像去噪中的耦合自适应保真项研究

讨论了一种基于非线性扩散方程的图像去噪方法.在讨论了图像去噪的3个基本要求的基础上,总结了平均曲率运动去噪模型和总变差去噪模型中利用保真项的不足.将利用图像的局部信息构造的自适应保真项引入到方向扩散去噪模型中,克服了原有方法在耦合保真项上的不足,使新的非线性扩散去噪模型能够在有效地去除噪声的同时很好地保持目标尖角、边缘等重要的几何结构.实验结果表明,耦合自适应保真项的扩散方程能够很好地保持图像中目标的几何结构,同时具有良好的去噪能力.     

引入耦合梯度保真项的非线性扩散图像去噪方法

利用二阶的非线性扩散方程进行图像去噪易产生具有“阶越效应”的去噪结果,也即使分段光滑的图像变为分段常量的.针对低阶非线性扩散去噪方法的不足,通过在原有的扩散方程中引入从梯度保真约束项导出的Euler-Lagrange方程,提出了耦合梯度保真项的非线性扩散图像去噪方法.由于梯度保真约束项考虑了去噪前后图像梯度的相似度,利用该模型能够在保持边缘的同时得到分段光滑的结果,使视觉效果更自然.证明了新模型是一个凸函数,从而保证了最优解的存在性和惟一性.还分析了从噪声图像估计梯度时引入空间正则化对最终结果的影响,并且从理论和实验两个角度分析了合理选择正则化参数的重要性.模型在有界变差函数空间中可积,使得新方法克服了高阶非线性扩散去噪方法易造成边界泄漏以及破坏图像中纹理等高频成分的不足.实验结果表明,通过耦合梯度保真项能够很好地防止“阶越效应”的产生,同时保持图像中的边缘、纹理等结构信息.     

基于结构张量的Non-Local Means去噪算法研究

非局部平均是当前一种新兴而有效的图像去噪方法。为了能充分利用数字图像局部几何结构的自相似性,同时由于结构张量可有效刻画数字图像的局部几何结构特征,进而提出了基于结构张量相似性度量的非局部平均去噪算法。实验结果验证了该算法抑制噪声的有效性,同时能很好地保持边缘等细节特征,峰值信噪比得到有效提高。     

基于结构信息的指数自适应梯度保真项

阶梯效应是利用二阶非线性扩散方程进行去噪很难避免的负面效应之一。已有的梯度保真项虽然能够一定程度上缓解阶梯效应,但也会造成不同程度的图像失真,根据已有方法与指数函数的性质提出了一种新的指数自适应的梯度保真项并且构造了自适应图像梯度的指数函数,在保证削弱阶梯效应的基础上可以得到更好的去噪效果与视觉效果,并且能够适应扩散项。实验证明,指数自适应梯度保真项可以明显减弱阶梯效应,保留更多纹理细节,并且得到与已有方法相比更高的信噪比。     

一种基于梯度保真项的图像去噪法

为了解决P-M模型的＂阶梯＂效应,在原有的扩散方程中引入梯度保真约束项,提出了一种基于梯度保真项的非线性扩散图像去噪方法。利用该方法能得到分段光滑的结果,视觉效果更自然。     

图像平滑的自适应保真全变分模型

提出一种自适应保真的全变分平滑模型,证明其解的稳定性。结合各向同性和全变分的优点,利用扩散系数构造保真项,从而增强图像边缘,该模型根据图像的梯度信息确定门限值进而选择合适的图像平滑方法。在去除噪声和保持边缘的同时避免了“阶梯”效应,实验结果表明,该模型能有效地去除噪声,提高图像的峰值信噪比。     

基于改进的非局部均值去噪算法

非局部均值(Non-Local Means,NLM)利用图像块之间灰度值的欧式距离确定权重,距离越小权重越大。不过,这种权重计算方法忽略了图像块之间的结构相似性。为解决这个问题,提出了一种结合图像结构信息的非局部均值去噪方法。该方法同时利用图像块之间的灰度距离、结构相似性来确定权重。实验结果表明该方法在PSNR、SSIM标准下均优于NLM及其一些改进算法。     

一种基于整体变分自适应图像平滑去噪的方法

在图象处理过程中,图象降噪是底层的处理,将影响图像的后继分析处理质量。基于整体变分法的一种自适应TV去噪方法,它根据图像中每一像素点的梯度信息,自适应选取去噪模型中决定平滑强弱的参数P,从而达到较好的去噪效果。仿真实验结果表明方法的有效性。     

基于图像亮度局部约束的总变分图像去噪法

为了解决总变分图像去噪方法易产生虚假边缘这一不足,结合总变分理论和图像亮度局部约束的优点,提出了一种新的图像去噪方法。在总变分图像去噪的数值求解过程中,利用局部均值和局部方差对迭代过程中所获得的结果进行局部约束。实验结果表明,本文方法具有良好的图像去噪能力,在高噪声水平下,其峰值信噪比(Peak signal-noise ratio,PSNR)至少提高了1dB左右,图像视觉效果也有了很大改善。     

自适应Shearlet域约束的全变差图像去噪

采用传统非线性扩散图像去噪方法得到的图像边缘模糊,为此,提出一种有限自适应Shearlet域约束的极小化变分图像去噪算法。通过自适应阈值收缩Shearlet系数,保留图像纹理与边缘空间,利用全变差极小化平滑空间,建立全变差正则化的能量泛函去噪模型。实验结果表明,该算法能在减少图像噪声的同时,保留图像边缘信息,对含有丰富纹理结构的图像,去噪性能更佳。     

红外图像的自适应混合消噪方法

针对带有高斯噪声和脉冲噪声的红外图像,提出一种自适应混合去噪方法。首先将受脉冲噪声和高斯噪声污染的像素区分开来,然后对被脉冲噪声污染的像素采用自适应层叠中值滤波法,对被高斯噪声污染的像素采用基于局部噪声方差估计的自适应局部滤波法。实验表明,该方法在信噪比(SNR)和最小均方误差(MSE)的改善上明显优于线性平滑滤波法和普通中值滤波算法,并具有较好的图像细节保护能力和较快的滤波速度。     

邻域小波系数自适应的图像降噪

如何去除自然图像中的高斯白噪声是图像处理中的一个经典问题。基于小波收缩的NeighShrink降噪方法取得了很好的降噪效果,但是NeighShrink在所有小波子带上均使用了次优的universal阈值以及固定的邻域窗口尺寸,导致了较大的偏差,而且使得算法不健壮。为此,运用Stein的无偏风险估计改进了NeighShrink方法。该方法能够为每个小波子带确定最优的阈值和邻域窗口尺寸。实验结果显示,该方法取得了比NeighShrink更低的均方误差,也优于当前尖端的图像降噪算法—FeatShrink,其平均MSE大约低6%。     

自适应的快速非局部图像去噪算法

文章对非局部均值（NL-Means) 图像去噪算法进行了改进,提出一种定量估计算法滤波参数最优值的方法,由噪声图像估计噪声方差,进而由噪声方差与图像方差估计滤波参数h。另外,根据局部区域加权欧氏距离的对称性,将算法中复杂度最高的两像素间距离计算由两次降为一次,从而在不损失性能的条件下使计算复杂度降低到原来的一半左右。在多个典型图像上的实验结果表明,提出的自适应非局部均值算法(ANL-Means)可达到近似最优性能,且处理时间只有标准NL-Means算法的一半左右。