形态学图像去噪中结构元素选取原则

介绍了教学形态学的基本运算和结构元素在形态学运算中的重要性,总结了在形态学图像降噪中结构元素的基本选取原则,即形状的相似性,尺寸的覆盖性和不同结构元素的组合性,并通过实验验证了这3条原则的合理性.     

基于方向信息测度的非线性扩散图像去噪方法

在研究非线性扩散方法图像去噪的基础上,针对非线性系数扩散问题,提出了应用图像方向信息控制扩散系数的非线性扩散方法,该方法利用方向信息测度来表征图像的区域性质,不仅降低了噪声的干扰,而且克服了其他方法必须先进行高斯卷积的影响,并有效控制了各点的扩散行为。实验结果证明该方法是可行的,该方法在图像去噪的同时保持了图像的重要特征,取得比较理想的效果。     

基于复小波系数局部方差无偏估计量的图像去噪

为了更有效地去噪,在考虑了图像局部具有不独立性特点的基础上,利用双树复小波变换,提出了一种新的空间适应算法,该算法对于每个系数利用中心方形窗来估计局部方差,克服了以前的去噪方法不能有效地去除图像边缘噪声的弱点,和目前好的实验结果进行的对比结果表明,该方法有效地改善了去噪效果。     

基于冗余Contourlet变换的图像相关法去噪

Contourlet变换是多尺度几何分析中十分重要的一种方法,可以实现灵活的多分辨、局部、多方向图像表示,但是由于不具有平移不变性,在图像去噪中易产生伪吉布斯现象,这里应用冗余Contourlet变换,具有平移不变性,且能有效表示图像几何纹理信息。在去噪应用中考虑分解系数的层间信息,将BivaShrink方法推广到冗余Contourlet变换中。实验结果表明,本文方法提高了去噪后图像的峰值信噪比(PSNR),同时有效保存了图像纹理信息,视觉效果更好。     

基于域自适应的红外图像去噪算法

在红外图像去噪任务中,由于真实的红外噪声图像难以大量获取,而使深度学习算法高度依赖于人工合成噪声,无法很好地去除真实的红外噪声。本文提出一种基于域自适应的红外图像去噪算法,包括一个图像转换模块和两个图像去噪模块。首先利用图像转换模块将合成红外噪声图像和真实红外噪声图像相互转换,然后将转换后的图像和原图像作为去噪模块的训练数据,采用一致性损失函数使两个图像去噪模块产生一致的结果,最后将训练后的去噪网络框架用于红外图像去噪任务。实验表明,本文提出的算法与BM3D、DnCNN和ADNet算法相比在合成红外噪声数据集上有更高的指标数值和更好的视觉效果,在真实红外噪声数据集上有同样优秀的去噪效果。证明了该算法具有良好的泛化能力,能够在真实噪声下恢复清晰的红外图像。     

基于改进U-Net的低剂量CT图像重建方法

针对低剂量CT图像重建会产生噪声和伪影的问题,在U-Net神经网络基础上引入残差学习和空间注意力机制,在编解码过程中嵌入跳跃连接为上采样增加多尺度信息,使用AAPM公开数据集CT影像进行模型训练和测试。选取峰值信噪比（PSNR）、结构相似性（SSIM）和均方根误差（RMSE）作为图像性能评价指标。在CT重建结果的测试中,与未处理的图像相比,网络模型处理后图像的PSNR、SSIM和RMSE指标平均值分别提升21.699%、2.263%和40.833%。实验结果表明,改进的U-Net神经网络模型能够减少噪声和伪影,保留了更多的纹理细节,对低剂量CT重建图像质量的提高有一定效果。     

基于改进粒子群算法的剪切散斑相位图去噪方法

空间相移剪切散斑干涉技术具有全场、非接触、高灵敏度等特点,是动态无损检测的关键技术。针对瞬态剪切散斑干涉获得的高噪声相位条纹图中噪声强度大、条纹复杂等情况,常规粒子群优化算法在高噪声相位图像的去噪处理中存在处理不完整、无法较好保持条纹细节等问题,因此提出一种基于优化粒子群算法的剪切散斑相位图去噪方法。该方法在常规粒子群优化算法的基础上,改进了传统线性惯性权值调整方法,提出非线性权值分配方法,同时通过调整聚集度系数提高了算法局部搜索能力。实验结果表明,该方法能够有效地保护条纹的边缘纹理和相位信息,与常规粒子群优化算法相比速度提高了15%,相位奇异点数减少了21.3%,与其他现有方法相比,所提出的算法的去噪效果更好。     

基于激光点云数据的三维运动图像重构技术北大核心CSCD

为了解决三维运动图重构时存在的重构测量距离与实际距离误差大、激光点云数据数量多和重构图像清晰度对比低的问题,提出了基于激光点云数据的三维运动图像重构技术,通过配准多帧激光点云数据,从中获取激光点云数据集,再采用平面拟合方法对激光点云数据集实行去噪处理,最后利用曲面重构法完成对曲面模型的拟合,实现三维运动图像重构。实验结果表明,通过对三维运动图像重构进行测量距离与实际距离的对比、激光点云数据数量的对比和测量图像与实际图像清晰度的对比测试,验证了三维运动图像重构技术的实用性高。     

格子玻尔兹曼模型的图像去噪方法

为了实现快速去噪以及更好地保护图像的边缘信息,从各向同性扩散模型出发,提出了一种基于索贝尔(Sobel)梯度算子的格子玻尔兹曼去噪模型,通过该模型求解非线性扩散方程实现图像去噪.模型引入了Sobel算子作为检测边缘的工具,同时满足前向扩散的要求,保证了方程的稳定性.实验分析表明,应用该方法进行图像去噪,能够在保护图像边缘的情况下进行快速去噪.