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.     

基于第二代小波的增强边缘的图像去噪

传统的一些去噪技术往往是以牺牲图像的边缘和细节为代价的.为了去掉图像的噪声,同时又能够很好地保留图像的边缘和纹理细节,在介绍第二代小波变换的原理的基础上,提出使用边缘检测的方法检测出图像的边缘和纹理细节,将它和该图像进行融合,用第二代小波对含噪图像进行分解,对图像高频进行自适应去噪.由于图像在去噪前融合了边缘信息,因此边缘和细节部分得到了增强.仿真结果表明:该去噪方法优于传统小波阈值去噪方法.     

基于快速离散Curvelet变换的多聚焦图像融合

Curvelet变换除了具有一般小波变化的多尺度,局部性外,还具有方向性,本文将以Curvelet变换为基础,对图像进行Curvelet分解得到图像的低频和高频系数,并分别讨论了低频系数和高频系数的选择原则。对低频系数采用基于局部边缘准则,而对于高频系数采用基于局部标准方差的方法。实验结果表明,这种方法能够在保留图像微小细节方面获得满意的结果,这种算法有效且优于其他的图像融合方法。     

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。     

基于改进的MCA和K-SVD的图像稀疏表示去噪算法

图像去噪是图像处理中的关键问题之一,传统的图像去噪方法是基于小波阈值变换的,其去噪效果较好,但容易丢失细节信息,导致边缘模糊,针对传统去噪方法存在的不足,本文提出一种基于形态学成分分析(Morphological Component Analysis,MCA)和K奇异值分析(K-SVD)的图像去噪方法.考虑到传统的MCA算法对图像的稀疏性要求较高,本文通过求解最接近l1范数的若干次优解和最小l1范数解进行加权叠加,并将结果作为源信号的估计,改进了传统MCA算法中对图像稀疏性的高要求,提高了对源信号估计的精度.本文方法首先采用改进的MCA算法将含噪图像划分为平滑部分、纹理部分和边缘部分;然后对平滑的结构部分采用小波阈值去噪,并利用改进的K-SVD去噪算法对纹理部分和边缘部分进行自适应去噪,最后将三部分合起来得到最终去噪图像.实验表明,该方法相比于传统的图像去噪方法能够更好地滤除噪声,保留图像的细节特征和边缘信息,获得更高的峰值信噪比值.     

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。     

基于中性集合与双边滤波的NSCT域声呐图像去噪

声呐设备在获取水下图像时，由于海底混响、散射回波和设备等因素，会产生严重的斑点噪声干扰，降低图像质量.为了克服这一挑战，提出基于中性集合与双边滤波的非下采样轮廓波变换声呐图像去噪.该方法探索了一种适合处理非下采样轮廓波变换分解的高频子带噪声的聚类去噪方法，将中性集合域作为聚类的方法应用在每一层高频子图像，用真子集、不确定集和假集表示，实现分离噪声，保留有效信息；再使用双边滤波去除真子集中被误认为是图像信息的噪声；对低频系数使用双边滤波进行平滑.最后将处理后的低频子带与高频子带进行NSCT重构，达到从图像中去除斑点噪声的目的.实验表明，本文方法能够提高图像视觉效果，改善图像均方误差、峰值信噪比等评价指标，同时也适用于去除高密度噪声.     

一种改进的基于NSST-SPCNN医学图像融合算法

为了尽可能多地获取图像中的细节与边缘信息,提出了一种基于非亚采样剪切波变换和改进自适应脉冲耦合神经网络相结合的图像融合算法。采用非亚采样剪切波变换算法将两幅精配准的图像进行分解,分别得到两幅图像的低频分量与不同尺度方向的高频分量。在低频系数区采取局部能量加权和与双边滤波来计算融合不同尺度的低通分量,实现细节的提取与能量的保存。在高频系数区域,采用改进的自适应参数脉冲耦合神经网络算法,通过简化脉冲耦合神经网络模型、优化自适应参数融合高通分量,提高融合的效率与质量,同时避免人工输入经验阈值的不便。最后,经过NSST的逆变换得到最终的融合图像。实验结果表明,该算法能有效地保持图像边缘与纹理,保留图像的细节信息与纹理特征。与传统算法相比,具有更好的性能与适用性。     

基于高斯比例混合模型图像Curvelet域去噪

提出了一种基于高斯比例混合模型的图像Curvelet域去噪算法,改善了图像的去噪效果.首先对图像进行Curvelet变换.然后建立系数邻域的高斯比例混合模型.最后在模型基础上用贝叶斯最小二乘估计方法对系数进行估计.算法有效结合了Curvelet变换对图像边缘的高效表示能力和高斯比例混合模型对邻域系数相关性的概括能力.实验结果表明,在主观视觉上.该算法对图像边缘进行了很好的保护;在峰值信噪L-'c上较其他算法也有所改善;特别是对纹理细节比较丰富的图像.去噪效果更加明显.     

结合非局部均值滤波的双边滤波图像去噪方法

为了在图像去噪的同时很好地保留细节信息以及边缘信息,本文提出一种结合非局部均值滤波(non-local mean filter,NLMF)的双边滤波(bilateral filter,BF)图像去噪方法。首先利用改进权值函数的NLMF对含噪图像进行预去噪,然后再由得到的图像计算双边滤波的灰度相似性权值并对含噪图像进行最终去噪,同时采用2种快速算法分别实现非局部均值滤波和双边滤波。实验结果表明:与传统非局部均值滤波算法以及双边滤波算法相比,本文方法极大地减少了算法的运算复杂度,具有更好的去噪效果,较少的耗时。因此,本文方法对于图像去噪质量的提升具有一定的实用价值。     

基于Curvelet变换的自适应阈值图像去噪方法

与小波变换相比,Curvelet变换能更好地表达图像的边缘和细节,因此更适合做图像处理.提出了一种基于第二代Curvelet变换的自适应阈值图像去噪方法,采用不同的阈值自适应地对不同尺度和方向的Curvelet系数进行阈值处理.实验结果表明,提出的方法在去除噪声的同时,能更好地保留图像的细节.去噪后的图像有更高的峰值信噪比和更好的视觉效果.     

一种基于Canny算子的图像边缘检测改进算法

针对传统单一的Canny算子在使用高斯滤波进行平滑处理时丢失大量边缘信息、无法保留大量图像细节的问题,提出一种基于Canny算子的图像边缘检测改进算法,弥补了传统算法在图像边缘检测中的不足.改进算法采用双边滤波代替传统高斯滤波,通过控制双边滤波器权重参数来减少图像边缘信息的丢失;利用小波变换对图像高频系数进行放大,并缩小低频系数,增强图像细节;在配置了开源计算机视觉库的Microsoft Visual Studio 2010开发环境下,将增强后的边缘信息与传统算法的边缘信息进行比较,以验证其视觉效果及参数效果.结果表明,改进算法较传统算法具有明显优势.     

基于小波变换及融合技术的图像边缘提取

图像边缘检测是图像分割、图像识别的基础,传统边缘检测是基于图像整体的边缘检测.小波变换使基于图像分解的边缘检测成为可能,利用小波变换将数字图像分解为高频和低频分量,对高频和低频分量分别进行边缘检测.常规融合方法是将高频边缘和低频边缘进行简单叠加,由于高频、低频边缘是通过不同方法提取的,二者之间的相似度、吻合度存在差异,简单叠加不能够有效融合高频、低频边缘图像特征,本文算法采用局部区域方差准则把高频和低频边缘在小波域进行融合.实验表明,该算法能够有效融合高频、低频边缘图像特征,具有较好的边缘检测和去噪功能.     

结合NSCT高低频特征的图像边缘检测算法

为提取丰富的边缘信息,利用非下采样轮廓波变换(NSCT)能够很好逼近图像的方向信息这一特征,设计了一种图像边缘检测算法.该方法将图像变换到NSCT域,对高频和低频子带信息分别处理:首先只保留高频系数矩阵中的较大的系数并利用其得到高频特征图像,根据自适应阈值法对高频图像进行处理得到高频边缘信息;然后对低频子带信息提取其低频边缘信息;最后利用低频边缘信息对高频边缘信息进行补偿,同时去除孤立噪声点,得到最终的边缘图像.通过对灰度图像及彩色图像的仿真实验,与sobel、canny、log及prewitt算子的检测结果进行比较,给出了定量的评价指标,验证了提出方法的有效性和优越性.     

基于小波域的图像去噪算法

提出一种基于图像像素分类的小波阈值去噪方法.将图像进行小波变换后的结果看成一幅图像,对小波域中的低频信息利用自适应滤波器进行平滑,而对高频信息按图像像素分类的原则利用图像的方向信息测度来区分边缘和噪声,然后把噪声部分的小波系数置零,最后重构得到去噪图像.实验结果表明,算法可较好地改善图像的视觉效果.     

基于小波变换的双匹配度图像融合算法

在研究图像融合基本方法的基础上,提出了一种基于小波变换的双匹配度并结合方向与区域能量的图像融合算法.对低频分量采用双匹配度的融合策略,对高频分量采用结合区域能量的带有方向性的加权算法.实验表明,图像融合算法使得低频部分的内容更详尽,而高频部分保留了有效的细节和边缘信息,最终使图像的清晰度更高.     

基于Curvelet变换和非局部TV模型的图像去噪

为解决Curvelet图像去噪所产生的"环绕"效应以及非局部TV模型去噪过度平滑而无法保持细小纹理的问题,本文提出了一种基于Curvelet变换与非局部TV模型相结合的图像去噪方法(Curvelet and Non-Local TV,CNL-TV)。该方法首先对含噪图像进行Curvelet变换,将其分解成不同尺度的图像;其次根据每层图像的特性,选择合适的非局部TV模型参数分别进行处理;最后将处理后的每层图像融合。实验结果表明,该算法不仅能够有效地减少噪声,消除Curvelet去噪产生的"环绕"效应,而且最大程度地保持了图像中的细小纹理成分。通过比较不同方法所得结果的峰值信噪比,验证了算法的有效性。     

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Curvelet和改进区域方差的遥感图像融合

为了同时提高多光谱图像与全色图像融合的空间分辨率和保留较好的图像光谱性,文章提出了一种基于Curvelet变换的图像融合新方法。首先对多光谱图像进行HIS变换,获得亮度I分量,对全色图像和亮度分量I进行直方图匹配,再对I分量进行平滑滤波;然后对全色图像与I分量进行Curvelet分解,分别得到低频与高频系数,对低频子带系数的融合规则采用改进的区域方差加权分析法,对高频子带系数采用拉普拉斯能量和算子结合改进的加权平均的融合规则;最后进行Curvelet逆变换和HIS逆变换得到融合图像。仿真实验得到了较好的客观评价数据和视觉效果。