多尺度和多方向特征的图像去噪

提出一种基于多尺度和多方向的自适应图像阈值去噪方法。先对图像进行非下采样Contourlet变换得到不同尺度和不同方向上的变换系数,然后根据变换系数特征,引入尺度和方向阈值因子,用分解尺度系数的均值和区域能量表示图像的纹理信息。在相同分解尺度下,区域能量越大,表示该方向具有更多的纹理信息,阈值应该设置就越低,反之阈值就越大。根据尺度和方向阈值因子,自适应地确定图像去噪的阈值。最后对变换系数进行反变换,实现图像去噪。实验结果表明,与小波变换和Contourlet变换相比,保留了更多的图像轮廓细节,提高了图像的质量。     

小波变换在图像去噪中的应用

图像小波域去噪可克服频域去噪单一尺度的局限性,具备多尺度多分辨率的特点,已成为目前图像去噪的主要方法之一。为归纳小波变换在图像去噪领域中的应用,简要讨论图像噪声的概念、数学模型、传统图像去噪的基本原理方法,详细阐述了图像小波域去噪的基本理论、发展过程、去噪方法,评价了3种常用方法的优缺点,对小波去噪的发展趋势进行了展望。     

血管内超声图像的血液噪声抑制和对比度增强研究

提出基于二进小波变换的血管内超声图像血液斑点噪声抑制和对比度增强算法。根据血管内超声成像的特点估计噪声的方差,并由二进小波变换的分解结构给出局部阈值的计算方法,结合软阈值滤波法和硬阈值滤波法对不同尺度的小波系数进行萎缩处理。同时采用了基于多尺度边缘表示的,利用小波系数极值拉伸和Hermite多项式插值实现的快速增强算法。实验结果表明,与现有血管内超声图像去噪的方法相比,该方法在抑制血液斑点噪声的同时增强了图像对比度,保留了图像的细节,具有更好的实用性。     

基于小波变换的红外跟踪系统的算法研究

提出了一种基于小波系数阈值处理的红外图像去噪方法,该方法针对红外图像的噪声分布特性,对红外图像中的秉性噪声进行对数变换,使秉性噪声变为加性噪声,并对变换后红外图像的小波变换系数进行阚值处理实现图像去噪。从而有效的提高了目标图象质量,满足跟踪系统的精度要求。     

一种小波阈值的图像去噪的新方法

基于小波变换的图像去噪方法是在运用小波变换对含噪图像进行去噪前,先对图像进行小波级数分解,对其中的低频系数和高频系数进行适当的放大;然后对图像采取局部阈值去噪法进行去噪;最后运用小波变换对所得到的图像小波系数进行适当的缩小并将其重构。     

基于小波包的图像降噪及Matlab实现

由于图像在实际应用中受大量干扰噪声影响,为了更好的利用含噪声图像,根据小波变换和噪声信号的能量分布特性,提出了一种先用小波包对含噪声图像进行多尺度分解,求出各尺度小波变换高频系数的噪声方差和阈值,确定最优小波包基,再利用各尺度的阈值对高频系数进行处理,然后利用小波变换系数重构图像,实现图像降噪的方法,并与采用全局阈值降噪方法相比较;实验结果说明采用的方法可以有效地降低噪声,又可以较好地保持图像细节.     

基于多元BKF模型的双树复小波图像去噪

本文提出了一种新的去噪方法。该方法将小波系数的内尺度和外尺度信息植入到多元BKF模型之中,从而充分考虑了内外尺度的相关性,并根据最大后验估计(MAP)准则,估计得到图像去噪的阈值化函数,最终,通过逆变换阈值化后小波系数得到去噪后的图像。同时该方法还利用双树复小波变换对图像进行分解和重构,克服了一般离散小波变换缺乏平移不变性和方向敏感性的弱点。去噪实验结果表明,该算法比传统的几种算法有更好的去噪效果。     

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.     

基于小波变换的多层次图像增强算法

提出了基于小波变换的多层次图像增强算法.首先对图像进行4级小波分解,得到尺度系数和多个层次的小波系数;然后对不同层次的小波系数采用不同的增强算法进行处理,并对图像的尺度系数采用多尺度方法进行处理;最后用得到的小波系数和尺度系数进行逆变换得到增强后的图像.试验结果证明,该算法具有优于传统增强算法的增强效果和抗噪性能.     

多孔小波和非下采样滤波器组去除遥感图像的多种噪声

结合àtrous小波变换和非下采样轮廓波变换的优点,提出一种基于àtrous 非下采样轮廓波变换的遥感图像去噪方法.该方法用非抽取离散小波变换的àtrous算法对图像进行多尺度分解,然后用非下采样的多方向滤波器组对得到的细节分量进行多方向分解.对含有多种噪声的遥感图像,àtrous 非下采样轮廓波变换将图像中不同种类的噪声分解到不同的小波系数分量中,使得可以根据噪声特性选择最合适的去噪方法,比用一种方法去除所有类型的噪声更科学且去噪效果更好.     

一种基于小波变换的边缘检测方法

基于信号与噪声在不同尺度下小波变换系数模不同的变化特征,提出了一种边缘检测方法,该方法通过对图像的小波变换域中由噪声引起的小波变换系数模进行处理,再利用小波变换系数模局部极大值来提取图像的边缘特征,实验结果说明这种特征提取方法可以有效地降低噪声,同时又较准确地提取出图像的边缘。     

基于小波系数多尺度随机过程模型的去噪方法

用多尺度随机过程对小波图像系数进行建模,并在此基础上提出了基于多尺度随机过程模型的小波图像去噪方法。通过阈值判断和邻域判断相结合的方法区分出对应边缘处的系数。对边缘区小波系数树估计多尺度随机过程的参数,利用多尺度滤波器对小波系数进行估计,对非边缘区的小波系数则采用阈值萎缩方法进行估计。该方法很好地刻画了边缘区小波系数跨尺度的行为,可以很好地保持图像边缘;而且还给出了估计误差的方差,利于理论分析。实验表明:该方法的去噪误差要优于Sureshrink法,而且对图像边缘的保护更利于后续的图像分割和轮廓跟踪。     

基于小波变换与阀值收缩法的图像增强去噪

提出了一种基于小波变换与阀值收缩法的图像增强去噪方法。图像经过小波分解后可以得到一系列不同尺度上的子带图像,在不同尺度的子带图像上进行基于阈值收缩滤波的细节系数增强,再进行小波重构,即可得到增强后的图像。该方法可以有效地去除噪声,增强图像的平均梯度,改善图像的视觉效果。     

基于小波变换的图像混合去噪算法

提出基于小波变换与中值滤波相结合的方法,实现了图像去噪。该方法在去噪之前,先通过小波边缘检测确定图像边缘特征的小波系数,保留这些位置的小波系数,其不受阈值去噪影响,对其它位置的小波系数进行自适应阈值去噪,去除高斯噪声。然后对图像进行中值滤波,去除椒盐噪声。该算法的实验结果表明,不仅能滤出图像中高斯噪声和椒盐噪声的混合噪声,而且能较好地保留图像的边缘细节,其滤波效果优于传统的图像去噪方法。     

基于小波变换的测井曲线图像预处理研究

以测井曲线图像的预处理为研究对象,利用小波变换对图像进行不同尺度的小波分解,对得到的小波系数进行不同的处理,包括小尺度下的高频系数置零、阈值处理、模极大值处理以及增加大尺度下高频系数的相对值等方法,从而达到去噪、增强等图像预处理的目的。结果表明利用小波变换对图像进行处理,可收到良好的效果。     

基于小波的图像去噪技术

本文介绍了小波分析去噪的基本原理,研究了基于小波变换的图像去噪方法;考虑到小波相关去噪方法的优缺点,给出了基于尺度乘积与阈值相结合的去噪方法,并进行了试验验证。结果表明,与常用的图像去噪方法相比,基于尺度乘积与阈值相结合的去噪方法可以很好地保留图像的细节信息,性能优于其他方法。最后,基于对小波去噪问题的理解,提出了对小波去噪方法的一些展望。     

基于光学多尺度几何分析的图像压缩去噪

基于变换的图像压缩方法应用较为广泛,小波在表示图像的边缘或纹理时,会产生大量的能量较大的系数。采用多尺度几何分析对图像进行稀疏展开,使变换具有强的非线性逼近能力。图像经过非下采样Contourlet变换转换成一种多尺度的、多方向和多分辨的表示形式再进行统计分析。利用图像系数相关性,不仅降低图像的维数,使弱的边缘细节能从噪声中被筛选出来,而且达到压缩去噪的目的。实验结果表明,采用该方法去噪后的图像处理效果很好,适用于高分辨率图像去噪。     

基于小波变换的轮胎多尺度边缘检测

本文提出了基于小波变换的轮胎多尺度边缘检测的方法。将小波变换用于图像多尺度边缘检测,根据轮胎的图像特点,为了提高图像边缘检测的精度,对小波滤波器系数进行了分析,为了得到较好的边缘检测效果,对尺度进行了确定。     

基于小波包变换的尺度自适应阈值图像降噪

针对传统小波变换易引起图像边缘模糊的不足,研究了基于小波包变换的尺度自适应阈值图像降噪。利用小波包变换可以同时对图像的高频和低频部分进行进一步的细分,因此可以更好地保留原图像信息的优势,更进一步,克服通用阈值的缺陷,软阈值函数的构造充分考虑了不同尺度层次上的系数的不同特点,产生尺度自适应阈值。通过对加噪图像的实验可以看出,与传统方法相比,本文方法不仅降噪效果有很大的改进,而且有很好的视觉效果,峰值信噪比也有较大幅度的提高。     

基于边缘检测的提升小波图像去噪

为了图像去噪的同时能很好地保持图像的细节,提出了一种基于边缘检测的提升小波图像去噪方法,先用Canny边缘检测方法得出原图像的边缘,提升小波去噪时就可用阈值去噪而不必担心损害图像的重要特征。其去噪步骤是：对噪声污染图像进行提升小波去噪;对含噪图像提取边缘图像;对去噪图像高频系数进行阈值处理进行重构变换;图像合并。实验结...