基于小波包变换与自适应阈值的图像去噪

提出了一种基于图像小波包变换及与分解层次相关的自适应阈值的去噪方法。利用小波包对图像进行分解,可以同时对图像的低频和高频部分进行分解,可以更好地保留图像信息,减少噪声对图像的影响。同时对小波包树系数用自适应阈值进行软阈值处理,可以很好地保留边缘等图像信息,这一方法比采用常用的阈值明显提高了去噪图像的信噪比。通过对加噪图像的实验可以看出,本文方法不仅可以有效地去除加性高斯白噪声,而且很好地保留原图信息,对进一步图像处理有所帮助。     

新软阈值去噪方法在临场感中的应用

本文在分析了软阈值算法的优点与不足之处的基础上,提出了一种新的软阈值图像去噪方法,并将此方法成功运用到临场感系统中.该方法不仅继承了软阈值算法失真误差小、实现简单等优点,而且针对原始算法阈值划分粗糙、图像边缘模糊等缺点,引入了调整因子和相邻窗口等方法降低阈值估计风险和提高图像清晰度.理论证明及实验结果表明,新方法是一种高效的实时去噪算法,其不仅具有良好的视觉效果和较低计算复杂度,而且在相同噪声情况下,新方法的MSE、PSNR等指标均优于传统算法.     

一种基于双Haar小波的图像去噪算法

在小波域实现信号噪声的滤除是近年来图像处理领域中的研究热点,尤其是三通道双Haar小波的提出,使噪声抑制更加有效.基于双Haar小波变换,并根据Lee滤波的局部统计特性,考虑到小波变换的高频部分涵盖大量的图像边缘等细节信息,因此在滤波窗口选择上提出了具有方向性的新算法,实现了在小波域中平滑噪声的同时还可以保护图像边缘细节不受损失.实验表明新窗口的模型与Donoho的软门限方法相比较,可以给出更好的去噪效果.     

非线性扩散和变分模型在矢量图像去噪中的应用

分析了非线性扩散、基于整体变分方法的ROF模型以及矢量图像耦合技术的原理,比较了这些扩散、去噪模型的优缺点。根据矢量图像耦合思想将TV流运用到矢量图像扩散中,并参考ROF模型逼近项变分模型的优点,提出了基于非线性扩散、ROF模型和矢量图像耦合原理的改进TV流矢量图像耦合扩散模型,目地是在彩色图像中,去噪同时更好地保留图像轮廓、边缘等重要信息。实验对比分析了改进前后模型的去噪效果,并分析了改进模型下正、逆向扩散在彩色图像去噪中的作用。实验结果表明,改进的矢量图像耦合扩散模型能有效地保持彩色图像中的边缘信息,同时具有良好的去噪性能,且改进模型下,正、逆向扩散的性质在彩色图像去噪工作中仍能保持。     

基于各向异性扩散方程的局部非纹理图像修整与去噪

图像修整(image inpainting)是一种图像插值的方法,它根据丢失信息区域周围的图像信息来猜测和填充这个区域,图像修整属于图像恢复的范畴。利用变分方法导出的各向异性扩散方程对于图像边缘的良好保持特性,而在图像处理中得到了广泛的应用。基于这一思想,本文提出了一种基于各向异性扩散方程的图像修整算法:在填补修整区域的同时,可有效地去除噪声,同时保持边缘信息。理论分析和实验结果表明了这一点。     

去除椒盐噪声的交替方向法

传统图像去噪法基于有用信息和噪声频率特性的差别实现去噪,实际中,有用信息和噪声在频带上往往存在重叠,因此,传统去噪法在抑制噪声的同时,往往损失了细节信息,使图像变模糊. 本文引入稀疏与低秩矩阵分解模型描述图像去噪问题,基于该模型,采用交替方向法（Alternating direction method,ADM）得到复原图像. 实验证明该方法比常用的中值滤波法更有效地抑制了椒盐噪声,同时更好地保持了原始图像的细节信息.     

基于形状自适应PCA的三维块匹配图像去噪

三维块匹配法中3-D变换真实信号的稀疏表达能力较弱,针对该问题,提出一种关于图像去噪的三维块匹配(BM3D)改进算法。采用形状自适应的图像块(邻域)代替BM3D算法中的平方窗图像块,对3-D变换处理的形状自适应图像块进行PCA变换。实验结果证明,该算法能够有效去除图像的高斯噪声,提高图像的峰值性噪比和结构相似度,且在保持图像的边缘等细节信息方面性能较好,图像视觉效果有明显改善。     

自适应中心加权的彩色图像中值滤波方法

提出一种彩色图像自适应中心加权的矢量中值滤波方法。通过引入投影距离确定与待滤波点最接近的若干个像素的关系,并考虑该点与由聚合距离所确定的中值的关系,自适应地确定该点的权系数,形成相应模板下的一个多重向量集合,将该集合的中值作为滤波中值。实验证明所提出方法能有效地去除彩色图像的椒盐噪声,同时能够较好地保持其色调和细节信息。     

基于PCA和总变差模型的图像融合框架

为了能够抑制融合图像中的噪声且提升融合效果,提出一种在进行融合时去噪的新框架,并在此基础上提出一种基于主成分分析(PCA)的融合框架.首先将源图像进行PCA操作,依据前几个主成分重建图像,再经下采样过程得到近似图像;然后通过上采样得到与上层图像的差异图像,即细节图像;最后将最底层近似图像与各层细节图像累加,完成图像的重构.将该框架纳入总变差模型后形成一种新的具有融合和去噪效果的框架.实验结果表明,该方法不仅能对同分辨率图像融合,获得较好的融合效果,而且在全色图像和多光谱图像的融合中可较好地保持光谱信息和空间信息,并能够抑制图像中存在的噪声.     

基于非抽样Contourlet变换的最佳软阈值图像去噪

研究了小波变换在图像处理中的缺陷,以及Contourlet变换在图像处理中产生伪Gibbs失真的原因。为了在多尺度分析框架下改进图像去噪的效果,提出了一种基于非抽样Contourlet变换的图像去噪算法,利用非抽样Contourlet变换的多尺度多方向性以及平移不变性,对加噪图像进行非抽样Contourlet变换得到变换系数,然后对变换系数采用分层最佳软阈值处理,最后将其反变换得到去噪后的图像。实验结果表明,与Contourlet变换图像去噪算法相比,该算法可以达到更好的效果。