一种加窗的双重局部维纳滤波图像去噪算法——基于SWT和DTCWT

提出了一种基于静态小波变换和对偶树复小波变换的加窗的双重局部维纳滤波图像去噪算法。在第一次局部维纳滤波中,用静态小波变换对含噪图像进行分解,然后利用椭圆方向窗来估计不同方向子带的各点信号的方差;在第二次的局部维纳滤波中,第一次局部维纳滤波恢复后的图像被对偶数复小波变换分解后,利用由子带能量自相关函数确定的自适应窗来估计不同方向子带的各点信号的方差,然后利用逆对偶数复小波变换对图像进行恢复。实验结果及分析表明了该去噪算法的有效性。     

基于小波域加权阈值的图像去噪方法

针对小波全局阈值去噪的缺点,介绍了一种子带自适应的阈值加权算法。通过对图像小波分解系数统计特性的分析,提出了一种近指数模型作为分解层之间小波系数的先验分布。在此基础上,对比噪声图像和无噪图像在各尺度下统计特性,给出了一种子带自适应的加权阈值计算方法,避免了各层子带去噪的不平衡。实验表明,与全局阈值和其它子带自适应阈值去噪方法相比,基于加权阈值的图像去噪方法能获得更高的信噪比和更好的视觉效果。     

小波分析在图像处理中的应用

本文比较全面地探讨了小波分析在图像处理中的应用,涉及的范围主要包括图像压缩、图像去噪、图像边缘检测(图像特征提取和识别)、图像目标检测、图像增强、图像配准、图像镶嵌、图像细化、图像融合、图像分解等方面.同时还与其他传统分析方法比较,介绍了小波分析方法的独特优势.最后展望了小波分析的前景.     

双Haar小波变换系数的MAP估计及在图像去噪中的应用

小波变换作为一种新的工具,在信号去噪中得到了重要的应用。本文对双Haar小波变换系数,提出了MAP的估计方法,并对其在图像去噪中的应用进行了讨论。实验表明所提出的小波收缩算法与软门限方法相比较,用于图像去噪时可以给出更好的结果。     

基于独立分量分析的近红外图像去噪方法的研究与应用

独立分量分析（Independent Component Analysis,ICA）是一种新的盲源信号分离方法,近年来已吸引了信号处理学界和神经网络学界众多学者的研究兴趣.该文提出了基于独立分量分析的近红外图像去噪方法,该方法能有效地处理用黑白CCD传感器监测电力设备所产生的图像,使这种监测方案具有实用价值.文中简单描述了以黑白CCD传感器为核心器件的电力设备在线监测系统,阐述了ICA的基本原理,介绍了基于负熵判据的FastICA算法,给出了所提方法的具体实现步骤及相应的实验处理结果.结果表明利用该方法可以有效的去除监测图像中的噪声,使温度场的显示更清晰,满足了实际的需求.     

基于平稳小波变换的图像去噪方法

正交小波阀值消噪方法已广泛地应用于图像噪声抑制，目前对于正交小波阈值去噪方法的研究主要集中于如何选取阈值使消噪达到较好的效果，然而对于图像中噪声幅度较大的情况下，正交小波变换阀值消噪会使图像边缘失真，甚至图像模型，提出的平衡小波变换的图像消噪方法，可以有效地降低噪声，同时又较好地保持图像边缘细节，与正交小波变换阈值降噪方法相比，有明显优越性。     

一种新的基于小波变换的图像去噪算法

小波去噪算法的关键是如何处理小波变换系数。把电路中同或的思想引入图像去噪领域,在识别信噪属性时,综合考虑了小波系数的模极大值、相位等因素,提出了小波域同或去噪算法。较之经典方法,此方法在改善去噪效果的同时提高了算法的执行速度。     

基于小波变换的多阈值图像去噪改进方法

图像去噪就是在保留图像边缘及其他特征的基础上去除噪声,小波变换域的阈值去噪方法是图像去噪众多方法中最有效的方法之一,本文对多阈值图像去噪方法进行了改进,得到一种新的图像多阈值图像去噪方法,实验证明该方法可以有效地提高图像去噪效果。     

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。     

基于模糊异质扩散的图像去噪方法

将模糊思想与Perona-Malik方法相结合,提出一种新的基于模糊理论的图像异质扩散滤波方法。把异质扩散方程中的边界停止函数看作像素梯度对于图像连续平滑区域的模糊隶属度函数,利用模糊熵的概念来确定图像中分片连续区域间的边界阈值σ。本文的模糊方法和其他经典方法的异质扩散比较实验说明,该方法在保持图像的细节方面更具有优越性。