基于Bandelets域逐子块阈值的图像去噪

把正交bandelets域经四叉树分割的每一子块系数建模为广义高斯分布,基于Bayesian框架,推导出了自适应逐子块局部阈值的计算公式,找出了其参数分布的最佳范围,提出了图像bandelets域的逐子块阈值去噪算法。由于充分利用了图像的局部统计信息,所提算法对自然图像去噪的视觉效果和评价指标都好于BayesShrink和其它基于阈值的去噪算法。     

新型方向及尺度乘积曲线波去噪算法

小波对处理具有点奇异的目标函数是一种最优的表示方法.对于二维图像而言,图像的主要特征由具有线奇异的边缘所刻画.曲线波变换是一种多尺度变换,对于具有光滑曲线奇异性的目标函数,曲线波提供了稳定的、高效的和近于最优的表示.本文在第二代曲线波的基础上,提出了新型方向及尺度乘积的曲线波去噪算法.实验结果表明,本文算法明显优于小波图像去噪方法,也优于曲线波的阈值方法.     

有效保持细节特征的图像椒盐噪声滤除方法

 论文结合几种去噪方法,提出一种统一的图像去噪模型.该模型通过一个统一的目标函数将图像去噪问题转化为最优化问题,目标函数的构造主要包括估计残差惩罚函数、局部权函数及正则化项三个方面.随后基于此模型提出一种新的去除椒盐噪声的非线性滤波方法,其中估计残差惩罚函数采用L1范数形式,局部权函数采用自适应高斯核函数,正则化项则利用图像的小波域稀疏性作为先验约束来构造.由于充分融合了图像的全局和局部统计特性,因而在抑制噪声的同时能够更好地保持图像边缘等细节特征,相关去噪实验结果证实了本文方法的有效性.     

基于小波变换的图像去噪

消除噪声是图像处理中一个非常重要的预处理步骤,然而,噪声消除与边缘保持构成了相互影响的一对矛盾。由于图像噪声存在不确定性,采用模糊理论进行噪声消除可取得较好的去噪效果。小波变换具有多分辩率的时频分析特性,不仅适用于平稳信号的分析处理,尤其适用于非平稳动态信号的分析处理。本论文将模糊理论与小波变换两者有机地结合起来,提出了WCFM去噪算法和AFTF去噪算法。与相关的去噪算法相比,本文提出的改进算法不仅有效地消除了噪声,而且还具有保持图像边缘细节的优势。通过仿真实验,验证了算法的有效性。     

一种基于一致锐度算子的图像去噪方法

利用一致锐度算子的两个特性,结合小波变换与偏微分方程的方法,提出一个新的图像去噪方法.经仿真实验,表明该方法具有很好的图像去噪效果.     

图像去噪领域中的优化中值滤波算法研究

文中,主要针对传统的标准中值滤波算法的一些缺陷,通过对均值思想的利用设计了基于加权处理的自适应中值滤波算法,实验结果表明,改进后的算法能够在消除脉冲噪声的前提下更好的保护原有图像中细节信息。所以,改进后算法相较于传统的标准中值滤波算法具有更好的适用性。     

基于卷积神经网络的SAR图像去噪新方法

本文针对SAR图像相干斑噪声提出一种基于卷积神经网络的SAR图像去噪新方法。把带噪SAR图像输入到本文设计的网络中，利用网络的卷积层提取SAR图像的深层特征，池化层进一步处理以使深层特征降维，再通过反卷积层得到与输入图像尺寸大小一样的结果，并将其与原无噪图像对比，以两者的误差作为神经网络优化器的输入，驱动网络更新各层参数使误差函数最小。为了缩短网络训练收敛的时间，引入ReLU激活函数和批归一化处理，经过少次训练后，网络输出的结果就能接近原始SAR图像。实测数据试验结果表明，与传统SAR-BM3D和SAR-NL去噪方法相比，新方法去噪能力更强，图像视觉效果更好。     

不同光照条件下遥感图像边缘检测方法研究

开展遥感图像边缘检测时，若不能考虑不同光照条件对遥感图像的影响，会影响图像边缘检测时的检测精度，为提升图像检测效果，提出不同光照条件下遥感图像边缘检测方法研究。该方法首先分析不同光照条件下遥感图像影响因素，并对图像实施畸变校正、去噪等处理；使用图像的融合技术对图像实施模糊化处理，实现图像的增强降低光照条件对图像检测的影响；最后通过Zernike边缘检测方法识别图像边缘点，完成图像的边缘检测。实验结果表明，本方法在开展遥感图像边缘检测时，平均梯度为0.133,信息熵为4.213,检测时间为1.352 s。     

基于边缘增强和快速非局部均值的边缘图像去噪

针对全变分模型不能很好的保持图像边缘信息这一问题,有学者提出了基于边缘定向增强扩散模型,但该模型对图像细节处理不够.快速非局部均值(Fast Non-local means, FNLM)算法利用图像的自相关性与结构信息的冗余性,提高了去噪效果,但不能同时最大限度保持图像边缘信息又抑制平坦区域噪声.由于通过利用结构张量性质,可获取图像的边界、拐角、纹理等重要信息,本文引入结构张量改进边缘定向增强扩散模型,保持了图像边缘,并在此基础上提出了一种基于边缘增强和快速非局部均值的边缘图像去噪模型.该模型通过选取不同的边缘增强正则化参数,根据图像扩散幅度不同,获取带有纹理及噪声的边缘图像;然后对该边缘图像进行FNLM去噪,即过滤出图像原有的纹理结构信息;最后将之反馈到之前的边缘增强去噪图像中.实验结果表明,该方法不仅能够保留较多的纹理细节信息,而且很好的缓解了图像平滑和细节保持的矛盾.     

基于马尔科夫专家场的泊松噪声图像去噪方法

提出一种基于贝叶斯概率模型的泊松噪声图像去噪方法. 该方法基于贝叶斯最大后验概率模型框架,结合泊松概率分布,构建图像去噪模型. 考虑到马尔科夫随机场不能对复杂自然图像有效表征,引入高阶的马尔科夫专家场作为模型先验正则项,以表征图像自身概率分布. 利用二次惩罚函数,优化求解去噪模型,还原清晰图像. 将所提方法与其他去噪算法进行仿真实验对比,并采用峰值信噪比和结构相似性2种评价指标对去噪效果进行客观评价. 实验结果表明：与传统去噪方法相比,该方法的峰值信噪比至少提升了0.18 dB,去噪性能显著优于其他方法,能更好地保留图像的细节信息.