一种改进的经验Wiener滤波用于图像去噪

传统的经验Wiener滤波要求引导小波和去噪小波必须配对，但究竟如何配对，对这方面的研究没有一个囊定的结论，只能根据实验结果得到一个经验性的原则，本文利用多个小波基联合去噪的实验结果作为引导图像，用来估计真实信号的方差，这样就避免了小波基的配对问题，而且去噪效果非常明显。     

新小波阈值函数在图像去噪中的研究应用

针对传统小波阈值函数在阈值处不连续性、不渐近性、不光滑性等问题，导致去噪后的图像失真严重。因此，文中以小波变换为基础，提出了一种改进的阈值函数，与硬阈值、软阈值以及已存在阈值函数比较，得出该函数具有优越的数学特性，并用峰值信噪比和均方值误差客观评价法验证了该算法的优越性。通过Matlab仿真实验表明，新改进的小波阈值去噪方法不仅保留了原始图像的细节，而且有效抵制了噪声，最终使图像质量得到明显提升。     

加强边缘保护的Curvelet图像去噪方法

提出了一种基于Curvelet变换的图像去噪方法。我们改进了Starck等所提出的Curvelet变换，去除了“环绕”现象，并将硬阈值去噪法与基于子带相关的图像去噪法相结合，在去除噪声的同时对图像的边缘特征予以保护。实验结果表明，用该方法去噪后的图像PSNR值更高，视觉效果也更好。     

改进的梯度倒数加权算法在图像平滑中的应用

介绍了一种图像去噪的方法：梯度倒数加权算法。此种算法可以较好地去除图像的噪声同时又能保持图像的细节信息，但该算法对椒盐噪声污染的图像平滑效果不理想。基于此种算法我们提出了一种改进的算法，事实证明改进的方法既能很好地去除了图像中的椒盐噪声，同时又能保持图像的边缘和细节。     

一种基于小波变换的夜视图像去噪和融合方法

微光夜视图像使用的像增强器会导致电子噪声和低照度的产生,2种因素会导致图像不清晰,细节不足.该文分析了2种影响因素的产生原理,针对其采用改进的小波变换去噪算法和融合算法进行处理以提高图像分辨率.实验结果表明:经过去噪和融合的微光夜视图像获得了更高的图像分辨率,保留了更多的图像细节.     

基于小波分析的图像去噪处理研究

图像中的噪声会妨碍人们认识处理图像,而图像去噪就是为了去除图像中的嗓声,以便人们对图像作进一步地处理,本文主要介绍了三种经典的小波变换去噪方法——模极大值去噪法、相关性去噪法、阈值去噪法,并对三种方法的性能进行了对比。     

基于自蛇模型和小波分析的图像去噪

提出基于自蛇模型和小波分析的集成图像去噪算法,以及峰值信噪比、保护边缘指数的去噪性能综合评价指标。首先利用自蛇模型对含噪图像滤波,然后将处理后的图像进行小波分解,保持低频分量系数,对其高频分量再次利用自蛇模型去噪,最后对处理后的小波系数进行重构,得到去噪后的图像。实验结果表明,本文算法在去噪能力和和保护边缘能力两方面均好于自蛇模型算法和2次迭代自蛇模型算法。     

基于CHMM 的尖锐频率局部化Contourlet 域图像去噪

提出了一种基于上下文信息隐马尔科夫模型（CHMM）的尖锐频率局部化Contourlet 域图像去噪方法。首先,对噪声图像进行循环平移操作,再利用尖锐频率局部化Contourlet 变换对平移后的图像进行分解,解决了原始Contourlet 变换频率非局部化及缺乏平移不变性的问题,抑制图像在奇异点处产生的伪吉布斯现象。然后,设计一种新的上下文构造方案,针对图像高频子带系数构建CHMM 进行去噪处理。最后,执行尖锐频率局部化Contourlet 逆变换以及逆向循环平移操作获得最终的去噪图像。文中方法采用有效的变换机制并利用上下文信息构建了一个全面的统计相关模型,充分表达了轮廓波高频子带系数在尺度间的持续性、尺度内的多方向选择性和空间邻域内的能量聚集特性,更加有利于图像的去噪处理。实验结果表明:该方法在提高去噪图像PSNR 值的同时进一步改善了其视觉效果,去噪性能优于基于小波变换和原始Contourlet 变换的去噪方法。     

一种改进的二阶偏微分去噪模型

分析了基于二阶偏微分的扩散方程模型的基本原理,针对该模型在去噪的同时会产生阶梯效应的缺点,提出了一种基于图像结构信息的二阶偏微分去噪模型。在该模型中,在二阶偏微分的全变分模型的正则化项加入图像的切矢量和法矢量信息,并由此推导出相应的扩散方程,再对扩散方程的扩散强度因子进行修改。在实验中,将模型分别与基于二阶偏微分、四阶偏微分的全变分模型进行对比分析表明,实验结果证明该模型能有效地去除图像噪声,克服阶梯效应的产生,主观性能最优。     

一种改进的自适应分数阶积分图像去噪算法

为了改善图像去噪的效果,提出一种基于分数阶积分和中值滤波的改进自适应图像去噪算法,首先利用自适应中值滤波算法(Ranked-order Based Adaptive Median Filter,RAMF)中的噪声判别条件来检测噪声点,然后利用"噪声边缘"判别函数对其中的可疑噪声点进行二次检测,同时根据图像的局部统计信息和结构特征构造自适应的分数阶阶次,最后将检测出的噪声点进行自适应的分数阶积分滤波去噪。与传统的分数阶积分去噪算法相比,该自适应算法有效地保留了被错误误去除的图像边缘点,并且实现了分数阶积分的阶次自适应化,在去除噪声的同时很好地保留了图像的边缘及纹理细节信息。