基于MatLab的数字图像清晰化方法

图像增强目的是为了改善图像的视觉效果。但是在实际的应用中,仅仅对图像加以增强是不够的,还要将改善图像对比度、图像亮度、图像去噪等多种方法联合起来进行综合处理,以达到数字图像清晰化。文章采用MatLab处理工具,结合小波分析理论,实现数字图像清晰化。实验发现该方法对含噪图像有较好的处理效果。     

基于各向异性扩散方程的并行图像去噪研究

各向异性扩散方程是一种非线性PDE模型,在图像去噪中,通过非线性扩散因子来滤除噪声,同时能保留原有的边缘和纹理。但是当图像很大时,求解PDE的差分运算量将很大,满足不了实时系统的要求。针对该模型,在MPI并行编程环境下,利用图像像素的独立性和PDE求解的并发性,采用并行方式对图像去噪,在保证去噪性能的同时,极大地降低计算时间。     

混合维纳滤波与改进型TV的图像去噪模型

在图像去噪处理过程中,为了保持图像的边缘及内部纹理信息,提出一种基于全变差改进的加权维纳滤波图像去噪模型。提出的模型利用加权项将维纳滤波与改进后的全变差模型相结合,通过构建新算子建立新的扩散模型使得图像每一个像素点的梯度信息可以自适应地选择去噪的最佳模式来平滑噪声图像,既能够在保护边缘的条件下预先处理高斯噪声,同时可以克服全变差模型的"阶梯效应"。结果表明,新模型不仅能够有效去除噪声,强化边缘还有效地保证了边缘结构的细节信息。在峰值信号噪声比测试中,该模型较之于传统线性滤波法的信噪比提高了20 d B左右,均方差也大幅降低,更具理想性。     

改进型PM与递归滤波器相结合的图像去噪方法

由于各向异性扩散算法在运用于图像去噪的过程中，容易产生图像边缘信息丢失，纹理细节模糊等现象.针对这一情况，提出了一种改进型PM与递归滤波器相结合的图像去噪算法，该算法首先通过控制梯度方向和垂直于梯度方向的扩散系数来保留图像的边缘信息，再通过递归滤波算法减少迭代次数来保护图像的细节纹理特征.实验结果表明，新方法在图像去噪和保护图像的边缘细节信息等方面都有着优越的效果，且大幅降低了均方差，对于图像的峰值信噪比也有显著的提高.     

基于分组字典与变分模型的图像去噪算法

针对加性高斯噪声去除问题，在现有传统的K均值奇异值分解（K-SVD）字典学习算法的基础上，提出一种将字典学习与变分模型相融合的改进算法。首先，根据图像的几何和光度信息将图像进行聚类分组，再将图像组按照边缘和纹理类别进行分类，根据噪声水平和图像组类别训练一个自适应字典；其次，将通过所学字典得到的稀疏表示先验与图像本身的非局部相似先验进行融合来构建变分模型；最后，通过求解变分模型得到去噪后图像。实验结果表明，与同类去噪算法相比，当噪声比率较高时，所提算法可以解决前期算法准确性较差、纹理丢失较为严重、产生视觉伪影等问题，在视觉效果上要更为理想；同时该算法结构相似性指数有明显提高，峰值信噪比（PSNR）的值更是平均提高了10%以上。