基于方向增强邻域窗和非下采样Shearlet描述子的非局部均值图像去噪

非局部均值(Non-Local Means,NLM)是一种有效的图像去噪方法。然而它仅关注图像的几何结构信息而忽略了图像表面模型和方向信息,其相似性度量鲁棒性差。针对这些缺点,该文首先提出了一种基于非下采样的Shearlet的描述子(NSSD),它能更好地描述图像块的特征,基于此构造的相似性度量具有较强的鲁棒性。本文基于此描述子与非局部计算模型提出了一种更加有效的非局部均值去噪算法(SNLM)。其次,针对明显包含纹理和方向的图像块,提出了一种方向增强邻域窗,使得邻域窗内主导方向像素点在相似度计算中权重增加。实验结果证明,新方法在自然图像去噪中优于传统的NLM算法。特别地,对于纹理图像去噪,基于方向增强邻域窗的算法,能够在去除噪声的同时很好地保留纹理边缘等细节信息。     

基于PDE的非线性图像去噪与增强

应用偏微分理论,提出一种改进的基于偏微分方程的非线性图像去噪与增强方法,对传统的P-M非线性扩散模型进行改进。首先将图像变换到梯度域,然后通过改变梯度域扩散函数来达到去噪和增强的目的。与以往的时域和频域图像去噪方法相比,本文方法不仅能有效去除噪声,还能很好地保留图像的纹理细节。文章采用有限差分法将偏微分方程离散化,并结合热方程简化计算复杂度,从而实现简单快速的计算过程,为实时的图像去噪与增强处理提供保证。     

全变分耦合图像去噪模型

针对TV模型去噪后图像容易产生“阶梯效应”的现象,提出一种全变分耦合图像去噪模型。首先,根据去噪过程中图像梯度的变化趋势,构造一个趋势保真项,该保真项不但能有效去除图像噪声,而且能抑制“阶梯效应”。然后用小波在频域里对图像进行系数分解,利用Canny算法的边缘检测特性,设计控制函数,控制能量的扩散方向,保持了TV模型和趋势保真项的优点,能够在保护图像边缘纹理等细节信息的同时,抑制“阶梯效应”。实验结果表明,新模型的峰值信噪比、结构相似度、视觉效果均有显著提高。另外,所提模型的运行时间较短。     

基于统计假设测试的图像结构检测方法及修复

图像去噪是数字图像处理中的一个重要方法,任何图像去噪算法都不可避免地会把一些边缘或纹理等图像结构给平滑掉,基于修复去噪后的图像中一些图像结构的目的,首先根据统计假设测试原理给出一种度量图像结构特征的方法．通过图像结构特征度可以判断出局部区域是边缘纹理区域还是纯噪声区域,然后应用图像结构特征度来修复被去噪处理后的图像结构...     

基于边缘特征融合网络的图像去噪方法

目前大多数图像去噪算法在去除噪声的同时,通常会丢失图像的边缘细节信息.针对这一问题,提出了一种基于边缘特征融合的图像去噪方法.首先,通过基于Canny算子的边缘提取网络提取图像的边缘信息,由于Canny算子不需要训练,这在很大程度上缩短了去噪时间;其次,通过基于残差密集连接的初去噪网络来保证训练的稳定性以及避免梯度消失,实现图像的初步去噪;最后,通过基于信道与空间注意力机制的融合网络将提取的边缘信息图像与初步去噪图像充分融合,自适应地给相对重要的边缘信息分配更大的权值,对图像的边缘细节进行增强,以得到具有更多边缘信息的清晰图像.实验结果表明,在BSD68和Set12数据集上,与常见的DnCNN、BM3D等去噪方法相比,所提出去噪方法的平均PSNR比DnCNN分别高出0.13 dB、0.29 dB,比BM3D分别高出0.76 dB、0.82 dB,在视觉效果上看也保留了更多的图像细节,同时去噪速率也大幅度的提高.     

一种基于卡通纹理分解的X光图像恢复方法*

针对X光图像去噪时在抑制噪声的同时会模糊图像边缘的情况,提出采用图像卡通纹理分解和基于全变分的增广拉格朗日算法进行图像恢复.图像可以分解为卡通部分和纹理部分,噪声信息及图像的快变信息被分离到图像的纹理部分.通过基于增广拉格朗日算法的全变分去噪模型对纹理图像进行去噪处理,将卡通图像与处理后的纹理图像加权合成得到恢复图像.仿真实验结果表明,该方法不仅可以对图像进行快速处理,而且能够较好地保持图像的边缘信息,获得较高的输出信噪比.     

一种基于曲率变分正则化的小波变换图像去噪方法

噪声和图像的细节特征主要集中于图像高频部分,在图像去噪过程中,图像的某些重要特征（如边缘、细小纹理等）易受到破坏.针对这一情况,本文提出基于曲率变分正则化的小波变换图像去噪方法,首先用小波提取图像的高频成分,对图像进行增强处理,然后用增强图像的水平集曲率建立一个基于水平集曲率的曲率驱动函数,再将曲率驱动函数作为一个校正因子引入到变分模型中,建立曲率变分模型,用以控制图像的整体结构.在缺乏图像梯度信息的情况下,该模型克服了ROF模型错误扩散这一缺点,符合图像处理的形态学原则.最后,用建立的曲率变分模型处理提取的高频成分,重构处理后的高频成分和原来的低频成分,得到去噪后的图像.分析和仿真结果表明,新算法可有效抑制噪声,有极高的图像结构相似度,去噪效果明显.     

一种高效的小波变换去噪方法

小波变换用于图像去噪的思想已经提出了很久,然而前人所提出的这种方法对于去噪的效果并不理想。图 像经这种小波变换去噪后,纹理特征被弱化,图像的边缘出现较明显的Gibbs效应,图像变模糊。针对以上问题,本文提 出了一种高效的小波变换去噪方法(HPID)。此去噪方法是基于小波变换的新方法,与经典的小波去噪方法不同,该方法不 依赖图像大小来判定去噪门限,不需方差信息,且适用于不同类型噪声。采用本方法处理的噪声图像与经典方法相比,不 仅消除了Gibbs效应,而且图像的边缘信息更清晰,纹理特征增强,去噪能力得到改善。     

基于图像区域分割的SAR 图像去噪算法

给出了一种结合图像分割的合成孔径雷达(SAR)图像去噪算法,利用水平集图像分割方法将SAR 图像分割得到多个连通区域,并利用基于结构相似性指数的非局部均值滤波(NLM鄄SSIM)去噪算法对每个连通区域进行去噪。对每个连通域分别去噪利于维持连通区域边缘的原有数值特征,同时也能够保证图像平滑区域的滤波效果,提高了去噪算法的性能。实验部分使用了合成孔径雷达图像中的道路、农田、沟壑和建筑图像块进行测试,将本文算法与非局部均值滤波(NLM)和NLM鄄SSIM 算法进行了去噪效果比较,并通过等效视数(ENL)和边缘平均梯度比(EGR)评价指标验证了文中算法的有效性。     

基于Contourlet变换的红外图像梯度自适应去噪

对Contourlet变换图像去噪阈值的选择进行了研究.分析了可见光图像去噪和红外图像去噪的特点,提出了红外图像梯度能量自适应去噪算法.通过实验证明,与传统的几种去噪相比,这种方法更好的保留了图像的轮廓细节,提高了图像的PSNR值,增强了去噪后的视觉效果.