自适应阈值的小波去噪改进算法研究

基于小波变换的图像去噪方法在消除噪声的同时,可有效保留图像边缘细节信息,是近阶段图像去噪领域研究与应用的热点.现有的基于小波阈值法的去噪算法多为全局阈值,易引起边缘模糊.因此,在阐述小波去噪基本原理的基础上,将小波变换和多尺度边缘检测两者结合,充分考虑小波分解不同层数的特性,提出一种具有自适应阈值的小波图像去噪改进算法.实验表明,改进算法与传统去噪方法(维纳滤波法)及一般小波阈值法(VisuShrink阂值法、NormalShrink阈值法、BayesShrink阈值法)相比,可有效去除多种程度的加性高斯白噪声,更好保留图像边缘细节信息.     

一种改进K-奇异值分解稀疏表示图像去噪算法

为解决传统K-奇异值分解(K-SVD)算法字典训练耗时过长以及低信噪比情形下去噪效果不佳的问题,提出了一种改进算法。首先将原始含噪图像进行高低频分离,然后对图像的高频部分使用基于残差比阈值的批量正交匹配追踪算法(Batch-OMP)实现稀疏重构,最后将图像的高低频部分叠加完成最终的去噪。实验结果表明,相较于小波变换去噪、DCT稀疏表示去噪以及传统K-SVD稀疏表示去噪,改进的算法能够更好地保留图像的边缘轮廓信息,并且去噪时间明显缩短。     

一种改进K-SVD稀疏表示图像去噪算法

为解决传统K-奇异值分解(K-SVD)算法字典训练耗时过长以及低信噪比情形下去噪效果不佳的问题,提出了一种改进算法。首先将原始含噪图像进行高低频分离,然后对图像的高频部分使用基于残差比阈值的批量正交匹配追踪算法(Batch-OMP)实现稀疏重构,最后将图像的高低频部分叠加完成最终的去噪。实验结果表明,相较于小波变换去噪、DCT稀疏表示去噪以及传统K-SVD稀疏表示去噪,改进的算法能够更好地保留图像的边缘轮廓信息,并且去噪时间明显缩短。     

面向输电线路的压缩感知图像去噪方法

传统的基于字典学习的输电线路图像去噪方法,易受冗余字典影响存在重建图像边缘细节恢复不足的问题.为了有效抑制输电线路图像表面存在的高斯噪声,提出一种图像非局部自相似特性与改进K-SVD字典学习算法融合的输电线路图像去噪方法,利用图像非局部自相似性作为正则项约束并加权稀疏表达模型,提高去噪图像复原和保留细节的能力.实验选取含有自然图像和输电线路典型缺陷图像进行仿真实验测试.实验结果表明,所提出的算法不仅能够很好的保留图像纹理特征与边缘细节,对高斯噪声也具有良好的鲁棒性.     

基于改进小波变换的图像去噪与融合

为了提高图像去噪的质量，提出一种基于改进小波阈值的图像去噪和融合算法。首先利用小波阈值法和传统均值法对含噪图像进行去噪，得到两幅去噪图像；然后采用小波融合方法进行图像融合，得到最后的去噪图像。针对图像小波系数分布特点，低频系数采取加权能量融合算法，高频系数采取局部均值和局部标准差相结合的融合算法，尽可能保留图像的边缘纹理信息。为了验证该方法的有效性，与多种滤波方法进行比较，实验结果表明，在视觉效果和峰值信噪比定量指标上该方法去噪效果均优于单一小波去噪。     

利用小波域平滑和边缘保留的图像去噪算法

提出了一种基于小波域低频信号平滑及高频边缘保留的图像去噪方法.由于图像噪声主要集中在小波高频子图部分,且系数较小,常用的阈值去噪法存在阈值选取过大以致连同丢失掉边缘细节信息的缺陷,因此可以对高频子图提取边缘并保留和进行软阈值去噪处理后再融合;低频子图进行自适应维纳平滑滤波,进而得到重构出的去噪图像.实验结果表明,该方法在有效去噪的同时较好的保留了原有的边缘细节信息,效果明显.     

针对医学图像的小波阈值去噪方法

为了改善小波阈值去噪算法中硬阈值和软阈值存在的不足,提出一种新的小波阈值去噪方法.该算法在进行小波阈值去噪前,先将图像分割成背景平坦区域和细节区域两部分,然后分别进行小波阈值去噪,最后融合两图像从而获得去噪图像.在分别进行小波阈值去噪时,利用迭代法进行阈值选择,采用"软、硬阈值折中"阈值函数.根据对医学图像去噪的仿真实验结果表明,该算法在去噪效果上均优于传统的软硬阈值方法.     

一种基于去冗余字典的图像去噪算法

图像去噪是图像处理中的关键问题之一,也是图像后续处理的基础.结合近年来兴起的稀疏表示理论,能更好的处理图像去噪问题.在正交匹配追踪(orthogonal matching pursuit,OMP)的基础上,采用K-奇异值分解(K-SVD)算法对图像进行去噪.为了得到更好的去噪效果,改进了字典更新算法,对字典原子进行优化选择,去除冗余的字典原子,并用图像块替换字典原子,用于提高字典训练的效率,与自然图像数据相适应.实验结果表明,与小波去噪算法相比,该算法具有良好的去噪能力,能较好地保持图像的细节和边缘特征,去噪后的图像更为清晰.     

基于小波收缩阈值和维纳滤波的去噪方法

针对高斯噪声图像的结构特点及传统去噪方法中所存在的问题,提出一种基于小波收缩阈值法和维纳滤波法相结合的图像去噪方法.采用小波收缩阈值法对图像进行去噪,对处理后的图像用维纳滤波法进行平滑处理.采用独立自适应阈值,对其子带阈值进行确定,并引入调节系数.仿真结果表明,所提出的方法在高斯去噪效果和保留图像细节信息性能方面优于中值滤波算法、均值滤波算法等方法.     

基于小波相关性的改进阈值去噪算法

提出了一种基于SSNF算法与阈值去噪相结合的方法,实现了图像去噪.针对统一阈值去噪方法去噪后图像模糊的缺点,利用小波层间相关性提取并保留被"过扼杀"的一部分边缘信息,从而使得去噪图像的细节信息得到更多保留.实验结果表明,改进后算法可以有效地减弱统一阈值的"过扼杀"倾向,对去噪后图像模糊的失真有一定的改善.     

基于改进K-SVD的磁共振图像去噪算法

 磁共振图像的降噪处理一直是医学图像处理中重要的研究领域。图像中存在噪声会降低图像质量从而影响临床诊断。现有K-SVD 算法虽然能达到良好的去噪效果,但却在字典训练中消耗大量时间。本文针对时间消耗问题,提出利用改进的KSVD算法进行医学图像去噪。首先根据已知的字典原子的可稀疏性,提出一种高效、灵活的稀疏字典结构,该字典能够提供高效的前向和伴随算子,并具有紧凑的表示形式,同时可以有效地训练图像信号;然后在现有K-SVD 算法的基本框架下,结合字典的稀疏表示特点使用改进K-SVD 算法训练稀疏字典,改进的K-SVD 算法能够对更大的字典进行训练,特别是对高维数据的处理更具有优势。实验结果表明,该算法相对基于离散余弦变换字典的磁共振图像去噪以及基于传统K-SVD 算法的磁共振图像去噪,不仅能够更加有效地滤除图像中的高斯白噪声,更好地保留原图像的细节信息,而且有效降低了字典训练所消耗的时间;在相同的噪声标准差下,改进K-SVD 算法的峰值信噪比提高了约1~3 dB。     

小波变换在图像去歪斜中的应用

提出一种基于小波变换的图像去歪斜方法。图像去歪斜的关键在于边缘检测和边框提取。边缘检测采用由粗到细的方法，利用小波变换的多分辩率特性，得到的结果较传统的方法有更好的去噪和定位性能，并能保留必要的细节。边框提取则是用改进的Ｈｏｕｇｈ变换寻找直线，将参数空间二次量化，在一定程度上解决了常规Ｈｏｕｇｈ变换抗干扰性和精度之间的矛盾。     

基于图像局域特性的自适应贝叶斯小波收缩去噪算法

在小波去噪过程中,对小波系数进行统计建模,去噪效果会得到较大的改进.该文在贝叶斯萎缩去噪的基础上,提出了基于图像局域特性自适应阈值去噪算法.实验结果表明:新的算法比传统的算法能更有效地去除噪声,获得更高的PSNR.同时,图像中的边缘也保护得更好.     

基于小波多阈值和子带增强的图像去噪

为了在有效降低噪声的同时,尽量保留图像的边缘特征,提出了一种基于小波多阈值和子带增强的图像去噪方法.该方法对最小尺度小波系数采取软阈值方式,将其他小波系数再分解为近似子带和细节子带,依据误差度增强近似子带像素块,同时引入增强因子调节增强幅度;利用局部方差和混合阈值函数对各子带进行阈值处理,保证了图像达到较好的去噪效果.实验表明,与传统阈值方法相比,该方法不仅提高了去噪图像的峰值信噪比,而且较好地保留图像边缘特征,优于常规的阈值方法.     

基于双树复小波变换与双边滤波的图像滤波

为了进一步提升高斯噪声的去除性能,提出了基于双树复小波变换与双边滤波的图像滤波方法.根据图像和噪声的分布特征,推导出一种自适应的阈值去噪模型.用去噪模型对双树复小波变换后的图像系数进行量化处理,再由双树复小波逆变换得到去噪图像,然后用改进的双边滤波方法对去噪图像进行边缘增强,改进的双边滤波核自适应于图像的特征,具有更好的鲁棒性.实验结果显示,该方法相对于现有的性能较好的方法,PSNR高出大约0.8 dB,SSIM高出大约2.3%.实验证明了该文提出的方法在去噪效果和细节恢复上优于已有的方法.     

基于平稳脊波变换的图像降噪

有限脊波变换在Radon变换域中用正交小波处理点奇异,而正交小波变换不存在冗余性,因此在应用有限脊波变换进行图像降噪时会产生Gibbs现象。为了解决Gibbs条纹干扰问题,本文在有限脊波变换的基础上提出一种新的基于平稳脊波变换的图像降噪方法,其关键是引入一维平稳小波变换来代替正交小波变换对Radon系数矩阵进行处理。实验结果表明,与基于有限脊波变换的图像降噪方法相比,本文提出的算法具有更优的降噪性能,可使图像降噪后保持更好的边缘特征和视觉效果,振铃效应得到改善。