A novel fusion paradigm for multi-channel image denoising

Multi-channel and single-channel image denoising are on two important development fronts. Integrating multi-channel and single-channel image denoisers for further improvement is a valuable research direction. A natural assumption is that using more useful information is helpful to the output results. In this paper, a novel multi-channel and single-channel fusion paradigm (MSF) is proposed. The proposed MSF works by fusing the estimates of a multi-channel image denoiser and a single-channel image denoiser. The performance of recent multi-channel image denoising methods involved in the proposed MSF can be further improved at low additional time-consuming cost. Specifically, the validity principle of the proposed MSF is that the fused single-channel image denoiser can produce auxiliary estimate for the involved multi-channel image denoiser in a designed underdetermined transform domain. Based on the underdetermined transformation, we create a corresponding orthogonal transformation for fusion and better restore the multi-channel images. The quantitative and visual comparison results demonstrate that the proposed MSF can be effectively applied to several state-of-the-art multi-channel image denoising methods.     

On denoising and compression of DNA microarray images

We address the problems of noise and huge data sizes in microarray images. First, we propose a mixture model for describing the statistical and structural properties of microarray images. Then, based on the microarray image model, we present methods for denoising and for compressing microarray images. The denoising method is based on a variant of the translation-invariant wavelet transform. The compression method introduces the notion of approximate contexts (rather than traditional exact contexts) in modeling the symbol probabilities in a microarray image. This inexact context modeling approach is important in dealing with the noisy nature of microarray images. Using the proposed denoising and compression methods, we describe a near-lossless compression scheme suitable for microarray images. Results on both denoising and compression are included, which show the performance of the proposed methods. Further experiments using the results of the proposed near-lossless compression scheme in gene clustering using cell-cycle microarray data for S. cerevisiae showed a general improvement in the clustering performance, when compared with using the original data. This provides an indirect validation of the effectiveness of the proposed denoising method.     

多小波变换及其在信号滤波中的应用

多小波拥有对称性、正交性、有限支撑等这些信号处理中十分重要的特性,从而弥补了单小波的不足,具有更为广阔的应用前景.本文从滤波的角度,重点分析并设计了多小波预滤波与多小波分解系数处理方法.仿真表明多小波分析方法的优越性.     

基于图像内容的多子波去噪

本文介绍了多子波变换的一般理论及OPTFR多子波的性质,通过改进其一阶平衡器,避免了预滤波,从而简化了运算。在将OPTFR多子波用于图像处理时,采用了一种基于图像内容的阈值方法,实验结果表明,其去噪效果优于CL多子波及一般的阈值方法。     

一种空间自适应小波门限去噪算法

提出了一种空间自适应小波门限去噪算法,该算法在小波域对含噪小波系数做两次自适应去噪,两次自适应门限分别基于最大似然(ML)方差估计和最大后验概率(MAP)方差估计.仿真结果表明,该算法与其它自适应门限去噪算法相比,去噪后的图象具有更高的峰值信噪比(PSNR).     

叠后记录Radon变换压制干扰方法

在叠加剖面中,下伏反射界面的反射信号同相轴呈连续的或带有限个间断点的连续层状图像,各种干扰则呈无规则的图像。对此剖面的振幅数据进行 Radon 变换,即分别向各方向进行投影,层状图像将产生一定形状的光滑曲线,而干扰数据将相互抵消,其剩余数据呈高斯分布。在Radon 域中通过平滑等方法消除这些呈高斯分布的噪声数据,再经 Radon 逆变换,便可获得信噪比较高的叠加剖面。其结果不改变原叠加剖面的分辨率和信号波形特征。理论与实际剖面的处理结果表明,这是一种良好的压制干扰方法。     

叠后地震剖面的线性化波阻抗反演

本文提出了由井旁道出发逐道进行的叠后地震剖面的线性化波阻抗反演方法。每一道反演采用逐次线性化对波阻抗进行修正，反演的纵向分辨率为一个采样时间间隔，并以合成记录道与实际地震道的相似系数作为迭代收敛准则，已处理的地震道波阻抗作为下一道反演初始值。实际资料处理表明，该方法具有较高的分辨率和运算速度快的优点。     

估计小波系数方差邻域大小的研究

利用小波变换去噪时小波系数方差的估计对去噪结果影响很大。自然图像小波分解后得到的系数在不同的分辨率中差异很大,所以利用邻域估计中心点方差时,不同分辨率应有不同大小的邻域。首先对在邻域中利用极大似然准则估计中心点方差进行分析,再结合自然图像小波分解后的系数在不同分辨率子带中,根据平稳性和重要性选择邻域的大小。最后进行去噪实验,并取得正交小波分解下理想的去噪性能。     

单小波去噪方法在多小波去噪中的应用研究

单小波去噪方法中Visualshrink去噪法是渐进最优的。但将'Visualshrink单小波去噪方法用于多小波去噪,其优越性丧失,图象中存在严重的Gibbs效应,且去噪效果降低,对此,我们改进了单小波Visualshrink去噪方法的门限选取,提出了改进的Visualshrink多小波去噪方法(VMD)。同时,还给出了离散多小波变换的具体实现方法。实验结果证明,改进的多小波去噪方法与直接将Visualshrink方法用于多小波去噪相比,前者效果明显好于后者。     

基于无监督深度图像生成的盲降噪模型

鉴于有监督神经网络降噪模型的数据依赖缺陷,提出了一种基于无监督深度生成（UDIG）的盲降噪模型。首先,利用噪声水平评估（NLE）算法测定给定噪声图像中的噪声水平值并输入到主流FFDNet降噪模型中,所得到降噪后的图像（称为初步降噪图像）作为UDIG降噪模型的输入。其次,选用编码器—解码器架构作为UDIG模型的骨干网络并用UDIG模型的输出图像（即生成图像）分别与初步降噪图像、噪声图像之间的均方误差之和构建混合loss函数;再次,以loss最小化为优化目标,通过随机梯度下降（SGD）网络训练算法调整网络模型的参数值从而获得一系列生成图像;最后,当残差图像（噪声图像与生成图像之间）的标准差逼近之前NLE算法所测定的噪声水平估计值时及时终止网络迭代训练过程,从而确保生成图像（作为降噪后图像）的图像质量最佳。实验结果表明：与现有的主流降噪模型（算法）相比,UDIG降噪模型在降噪效果上具有显著优势。