学习字典下自适应稀疏度估计的分解去噪算法

针对固定字典下稀疏分解在图像去噪过程中缺乏自适应稀疏度估计和回溯优化等问题,本文在K-SVD学习字典下,利用自适应稀疏度估计匹配追踪(ASMP)方法自适应估计图像的稀疏度,并对原子进行回溯优化选择。算法不仅改善了固定字典的表示性能,同时减少了图像稀疏度人为设定的盲目性又提高了算法鲁棒性。实验表明,与传统的稀疏分解去噪算法相比,学习字典下自适应稀疏度估计的分解去噪算法能获得更高的峰值信噪比。     

连续子邻域内的鲁棒双边滤波

提出一种连续子邻域内的鲁棒双边滤波算法(Robust Bilateral Filtering)。首先,利用自适应区域生长方法在图像局部部域中分割出种子像素的连续子部域;然后,在该连续子部域中采用改进的双边滤波算法对种子像素值进行平滑处理。为了提高算法的鲁棒性能,类似非局域均值滤波算法(Non-Local Means Filtering),以像素空间临近度和像素局部窗口相似度定义该滤波器核函数。算法结合了双边滤波和非局域均值滤波的优点,且在连续子部域内进行去噪处理相对可获得更为合理的图像效果。仿真实验表明,该算法具有良好的去噪效果,同时较好地保留了图像的细节特征。     

新的强高斯噪声自适应滤波方法

为有效去除严重的高斯噪声、更好地保护图像细节,提出了一种基于改进脉冲耦合神经网络（PCNN）的自适应去噪方法。根据PCNN神经元的点火捕获特性,定位受强噪声污染的像素,并采用类中值滤波对强噪声点进行滤除;基于无连接脉冲耦合神经网络（PCNNNI）的点火时刻矩阵自适应选择滤波方法平滑弱噪声点。实验结果表明,与传统去噪方法相比,该方法噪声去除效果好,图像细节保持完整,而且系统具有一定的泛化能力。     

一种改进的非局部均值图像去噪算法

传统非局部均值滤波算法中使用指数型加权核函数,容易导致图像细节因过度平滑而变得模糊。为此,在指数型加权核函数的基础上,采用余弦系数加权的高斯核函数,设计一种改进的非局部均值图像去噪算法,并将其应用于加权系数计算中。实验结果表明,该算法的去噪性能优于传统算法,且能更好地保留原图像的细节信息,峰值信噪比最大可以提升1.6 dB。     

一种基于自适应阈值的图像去噪新方法

Selecting threshold is the most important in threshold-based nonlinear filtering by wavelet transform. In this paper, a novel adaptive threshold is proposed by minimizing a Bayesian risk(It is adaptive to subband because it depends on data-driven estimates of the parameters). Combining this thresholding method with Wiener fitting can re-sult a new denoising method. Expermental results show that the proposed method indeed remove noise significantly and retaining most image edges. The results compare favorably with the reported results in the recent denoising liter-ature.     

CUDA架构下的快速图像去噪

图像处理通常需要较大的计算量,其中图像去噪是经常使用的一种预处理算法,研究其快速算法具有重要意义。图形处理器具有强大的并行计算能力,但大部分时间处于闲置状态。统一计算设备架构提供了一种简单易用的开发环境,可利用图形处理器进行通用计算。提出了基于统一计算设备架构的快速图像去噪算法,可以利用GPU的计算能力,加快去噪过程,显著地减少计算时间。     

基于形态学算子的各向异性扩散去噪方法

针对相干增强扩散模型采用高斯线性滤波做图像预处理的不足,及扩散张量特征值的选取不适合平坦区域的去噪,易在平坦区域产生虚假边缘,文中提出了一个基于形态学算子的各向异性扩散去噪方法.该方法首先利用形态学闭开算子代替高斯滤波做预处理,然后结合二阶方向导数设计结构张量,且依据自适应的梯度阈值设计扩散张量的特征值.数值实验结果表明,改进后的方法在有效去除噪声的同时,还能很好地保持图像的细节特征和消除平坦区域的虚假边缘     

采用改进结构特征度度量分析的噪声标准差估计算法

提出了一种基于改进的噪声标准差估计的轮廓波去噪算法,在常用的轮廓波去噪算法基础上提出了新的解决方案。该方案将滤波法与改进的图像结构特征度度量分析算法结合起来,筛选出适合计算噪声标准差的图像子块集合,再用直方图法估计图像噪声标准差,然后将该标准差用于轮廓波去噪。在标准差估计对比试验中,将滤波法、分块法、改进的分块法与文中的标准差估计算法进行对比;在去噪对比试验中,采用基本的小波阈值去噪算法(universal阈值),由小波阈值法引申出的普通轮廓波阈值去噪算法,基于维纳滤波的轮廓波去噪算法,基于系数建模的轮廓波去噪算法与文中算法做对比。实验结果表明:文中算法能够更加精确地估计图像噪声标准差,且去噪效果与普通轮廓波去噪及其他轮廓波去噪算法相比更加稳定,鲁棒性更好。     

基于形态成分分析和Contourlet变换的自适应阈值图像去噪方法

针对含有丰富纹理和边缘特征的噪声图像,提出一种基于形态成分分析(MCA)和Contourlet变换的自适应阈值图像去噪方法.该方法首先引入MCA将噪声图像分为低频部分和高频部分,在此基础上设计一种自适应的分层阈值估计处理策略.根据噪声的分布特性,通过阈值估计和Contourlet变换对噪声图像的低频部分和高频部分进行分频带去噪处理,有效去除噪声图像中的噪声.通过对噪声图像的仿真实验表明,文中方法能较好地保留图像纹理和边缘,并且去噪效果优于传统的均值滤波去噪、中值滤波去噪、小波多层阈值去噪和轮廓波多层阈值去噪方法.     

小波变换和稀疏冗余表示的混合图像去噪

为改进K-SVD方法抑制强噪声的效果,提出一种小波域稀疏冗余表示图像去噪方法——单尺度低频小波K-SVD(SLWK-SVD)。首先对含噪图像做单尺度小波变换,然后用K-SVD算法对变换后的图像逼近系数学习过完备自适应字典,而对于高频小波系数则简单置零,最后用逆小波变换得到恢复图像。实验结果表明,与K-SVD方法相比,所提方法具有良好的抑制强噪声能力,在所给强噪声下(方差介于50和100),恢复图像信噪比提高了约0.5—1.5 dB,并克服了K-SVD方法去噪后图像出现的明显波动效应,具有更佳的视觉效果。