基于改进的小波软阈值法的SAR图像去噪

斑点效应是SAR图像所不可避免的，在不降低图像空间分辨率前提下消除或最大限度地抑制斑点噪声，是当前研究的热点。本介绍了一条能够让小波技术更好地应用于雷达图像去噪而实现起来又非常简便的途径——将原始雷达图像作对数变换，将乘性噪声转化为加性噪声，再进行小波去噪。     

小波的循环阈值去噪方法

在D.L.Donoho提出的多分辨分析小波阈值去噪方法的基础上,针对SAR图像的相干斑噪声现象,提出一种小波域SAR图像的循环阈值去噪法,通过估计的噪声标准差和滤除信号后的噪声标准差之间的循环迭代,得到最优阈值。并以峰值信噪比和平滑指数等作为评价指标,与传统的软阈值、硬阈值以及几种空域滤波方法进行了比较。仿真结果表明,提出的新的阈值去噪算法无论是峰值信噪比,还是主观质量都优于软阈值、硬阈值去噪算法和各种空域滤波方法。     

图像噪声去除的小波相位滤波算法

利用小波变换进行信号与图像去噪是小波应用的一个重要方面。小波变换具有“变焦”时频局部化特性,可以实现紧立集正交变换,使得其在数据压缩、图像处理与去噪等领域得到广泛应用,并且得到了不少较为成熟的算法。在大量的小波去噪文献中,以基于小波幅度去噪的研究居多,而本文则欲讨论基于小波相位特性的图像去噪方法。通过对图像作二维小波分解,然后对各尺度上得到的小波系数依据相位特性进行滤波,由所余系数重构图像即可得到去噪的结果。1 图像的快速小波分解 1.1 小波分析理论所谓小波分析,从数学角度去看,它属于调和分析的范畴,但从事计算数学的工作者把它认为是一种近似计算的方法,用于把某一函数在特定空间内按照小波基展开;从工程角度去看,小波分析是一种信号与信息处理的工具,是继Fourier分析之后的又一有效的信号分析方法。小波变换作为一种新的多分辨分析方法,特别适合于处理非平稳信号。     

非高斯噪声背景下小波阈值算法分析

针对小波阈值算法以高斯噪声为研究背景的局限性,为解决硬阈值函数不连续和软阈值函数估计小波系数和分解小波系数存在恒定偏差的问题,在非高斯噪声背景下提出一种新的小波阈值算法。新阈值函数从Garrote阈值改进而来,引入了高阶幂函数。该算法首先对加入一类非高斯噪声的信号进行小波分解,然后根据新的阈值函数对每层高频小波系数进行量化,最后用小波分解的低频系数和处理过的高频系数重构信号。在非高斯噪声背景下进行的仿真结果表明,新阈值函数去噪相对于软阈值、硬阈值、两类改进阈值以及Garrote阈值在信噪比和最小均方误差上都得到了改善。     

基于非线性软阈值化的小波图像压缩方法

针对传统硬阈值和软阈值化过程中因信号锐变导致图像质量变差的问题,本文对小波压缩中的软阈值算法进行了改进,提出了非线性软阈值压缩算法,使得图像压缩质量有了较大提高。     

图像阈值法分割综述

图像分割是一个经典的难题,由于图像分割的复杂性,图像分割的方法很多也很难有一个通用的方法。该文主要是对图像阈值法分割的一个综述,叙述了阈值法分割的一些方法。最后对这些算法做了一个总结,以及对阈值法分割的期望。     

双曲线函数在灰度图像小波阈值去噪中的应用

小波硬阈值去噪由于在阈值处不连续,在重构时会出现振荡;软阈值处理后的小波系数与真实值之间存在恒定的偏差等情况,重构时会模糊图像的边缘和细节。将双曲线函数引入小波阈值去噪法,根据参数选择的不同可构造出两种不同的阈值函数,解决了阈值处的连续性问题,并在一定程度上消除阈值处理后小波系数与真实值之间的偏差,在去除噪声的同时,很好地保持了图像的边缘和细节。     

一种新的小波半软阈值图像去噪方法

在小波半软阈值图像去噪方法基础上,提出了一种基于自适应局部相关系数的新方法。该方法在软阈值法和硬阈值法之间有很好的折衷,通过加入局部相关系数,使其在各种小波变换中均能增强子带内小波系数的相关性。在阈值选取中选用了基于Bayes风险估计的自适应阈值和具有统计意义上的阈值方法,获得了小波系数不同子带不同方向的最优估计。实验结果显示,该方法去噪效果显著,同时能够改善小波变换所造成的图像视觉失真和边缘振荡效应,更好地保留了图像边缘和细节纹理特征。该方法可通过调节局部相关系数控制图像去噪程度和效果,能满足不同需求,具有很高的实用价值。     

基于软阈值的小波图像增强方法

针对传统图像增强中存在的一些问题,如增强噪声、丢失细节等,提出了一种基于软阈值的小波图像增强方法。图像经过小波分解后可以得到一系列不同尺度上的子带图像,在不同尺度的子带图像上进行基于软阈值滤波的细节系数增强,再进行小波重构,即可得到增强后的图像。该方法可以有效地增强图像的细节信息,保持图像的边缘特征,改善图像的视觉效果。     

改进的样本块修补算法去除肉品图像反光

由于肉品中存在水分,在可见光下采集图像就会产生反光区域,进而导致肌肉信息部分丢失。为了提高获取肉品图像相关信息的准确性,需尽量还原反光区域。在基于样本块的图像修补算法基础上,结合肉品图像特点,提出改进算法：用Prewitt算子代替Robert算子,使信息缺损区域的线性结构得到更好的保持;采用二次匹配法减少搜索最佳匹配块过程中的扫描数据量,比原算法节约约2/3的修复时间;在修复过程中加入α剪裁均值滤波消除接缝效应,使得修复结果更好地满足视觉心理学要求。实验结果表明,改进的修补算法在效率和修复效果上优于原算法,不仅可用于肉品图像反光区域的修复,对其他图像的修复也有效。     

基于小波变换和数据融合技术的图像降噪方法

提出了一种基于小波变换和数据融合技术的图像降噪的方法．此方法对同一原始图像信号不同噪声的多源图像分别进行小波分解，在图像分解的高频域内，对小波系数进行阈值处理后，再进行数据融合处理，根据“多数原则”选择重要小波系数．在低频域内，新的逼近系数则通过对多幅图像的逼近系数直接进行加权平均得到．然后利用重要小波系数和逼近系数进行小波反变换，即可得到融合后的图像．实验结果表明：此方法既可以有效地降低噪声，又可以较好地保持图像细节．     

基于小波变换和PCA的SAR图像相干斑抑制

提出一种SAR图像相干斑噪声抑制新的滤波方法。该方法利用小波变换结合主分量分析(PCA)对SAR图像进行去噪。小波变换可以很好地保持边缘细节信息,主分量分析(PCA)能从混合信号中提取出主分量即信号的主要特征,将小波变换结合PCA用于图像处理,能在有效消除噪声的同时保持边缘信息。与Kirsch模板加权平滑滤波和结合小波变换的Kirsch模板加权平滑滤波去噪方法进行比较,实验结果表明,该方法具有良好的抑制相干斑噪声效果和较强的边缘保持能力。     

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。     

基于小波变换的含噪图像边缘检测算法

针对含噪图像边缘检测时出现的噪声去除不完全和边缘定位不精确的问题,本文提出一种改进的图像边缘检测算法,该算法首先根据范数性质改进对图像进行小波变换求模极大值边缘检测时的梯度模算法,然后对得到的边缘图像利用本文所提出的阈值算法处理,最后连接图像,得到最终的图像边缘。计算机仿真结果表明,对于含噪图像,改进的算法能得到较为理想的图像边缘信息,实现了去噪和目标边缘精确定位的双向平衡,与传统的检测算法相比,检测效果有一定的提高。     

基于变差函数和方向小波的噪声图像边缘检测方法

为了检测受噪声污染图像的边缘,提出了一种基于变差函数和方向小波的多尺度边缘检测新方法.首先,在我们前期研究成果的基础上,基于变差函数理论,提出了图像中45度和135度方向边缘的判别准则.然后根据图像中边缘的方向性,选择合适的方向小波旋转参数,再利用方向小波对各个子区域进行不同尺度小波变换.仿真实验表明,对于受高斯白噪声污染的图像,所提出的边缘检测方法无论在边缘定位的准确性还是在去除伪边缘点方面,均优于传统的小波边缘检测方法.     

用小波变换实现红外图像的边缘提取方法研究

红外图像的边缘提取是其判读和识别的重要技术基础。红外图像背景复杂、噪声较为严重。针对这一特点，本文利用小波变换易于消除噪声、运算方便的特点。提出了一种基于小波变换的红外图像边缘提取算法。首先利用小波算法对红外图像进行滤噪，然后利用高斯函数作为平滑函数对图像进行水丑和垂直方向的小波变换。提取红外图像边缘特征。文后给出了仿真实例，证明了该算法的科学性和可靠性。     

基于改进边界判别噪声检测的脉冲噪声滤波方法

边界判别噪声检测(BDND)算法对不平衡椒盐噪声和随机值噪声检测效果不佳。针对该问题,提出一种基于改进BDND的脉冲噪声滤波方法。修改BDND分群不等式,将边界值b2置于高灰度群中,利用BDND第一阶段检测图像的所有像素点,生成噪声的直方图向量,通过比较相邻噪声数值的比值与给定阈值的关系,重新定义上下边界值,对中心像素做进一步检测。实验结果表明,该方法的检测性能明显优于BDND,漏检率和误检率大幅降低,并且能够在消除噪声的同时更好地保护图像的细节信息。     

小波分析在图像处理中的应用

简要介绍了小波分析的基本原理和分类,及其在图像处理中的应用。重点论述了小波分析在图像增强、降噪、压缩和融合中的应用。通过实例充分说明了小波在图像处理中的实用价值与工程作用。     

一种针对彩色图像随机值脉冲噪声的矢量滤波方法

为了去除彩色图像随机值脉冲噪声,提出了一种新的矢量滤波方法。该方法对图像的平滑区域和边缘区域的滤波工作分开进行,平滑区域滤波方法将窗口分成多个区域,然后基于矢量中值和平滑区域像素的特征检测出平滑区域的信号,边缘区域的滤波是在已知信号的基础上对非信号进行矢量中值滤波。仿真实验结果表明,该方法能够有效地去除彩色图像的随机值脉冲噪声,尤其当噪声密度较高时,去噪效果明显优于传统的矢量中值滤波。