基于小波变换的MATLAB汽车图像去噪

为了更好地进行图像去噪,提出了一种图像去噪的方法。对图像进行小波变换以后,噪声的小波系数在不同尺度上都服从高斯分布但大小不同。由此,对各尺度各方向上的小波系数进行维纳滤波,而保持低频系数不变,先以此来估计原始图像的小波系数;然后进行小波反变换,得到去噪图像。实验结果表明了该方法的有效性。     

小波软阈值算法去除SAR图像中的Speckle噪声

在详细分析了Donoho小波软阈值的基础上，应用小波变换技术对SAP图像进行分析处理。使用“小波局部软阈值算法”来计算阈值，对高频小波系数进行阈值确定。求得估计小波系数，对其取小波反变换后，去除SAP图像中的Speckle噪声。实验结果表明此方法对去除Speckle噪声十分有效，可以在含有Speckle噪声为背景的图像去噪中应用。     

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。     

一种基于小波变换的图像去噪方法的应用研究

探讨了小波变换在图像去噪中的处理技术.首先分析了小波变换的原理,然后给出了基于小波变换的图像去噪原理,并设计了小波变换图像去噪的具体实施方案,最后给出了小波变换去噪的图像训练实验结果.结果表明,利用小波分解(变换)去除图像噪声,既滤除了噪声,又有效地保持了图像的细节信息.     

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。     

基于小波变换和偏微分方程的图像去噪方法

应用小波变换去除图像噪声时虽然能保持图像的细节信息,但是图像的边缘信息被平滑了.使用偏微分方程对图像去噪,并与使用小波变换去除图像噪声后效果进行比较,实验结果表明:使用偏微分方程对图像去噪在平滑噪声的同时可以使边缘得到保持.应用偏微分方程进行图像去噪是一种有效的工具.     

基于小波变换的红外图像模糊与同态增强

针对红外图像对比度差、视觉效果模糊的缺点,提出了一种基于小波变换的红外图像模糊与同态增强算法。首先,采用正交小波变换对红外图像进行处理,将空域图像转换到频域,得到小波各层的分解系数;然后,运用同态滤波法对红外图像的低频子带小波系数进行处理,同时对红外图像的高频子带小波系数进行模糊增强处理;最后,经正交小波逆变换重构得到增强后的红外图像。实验结果分析表明,该方法可以增加红外图像细节,提高图像对比度,符合人眼视觉直观感应,能够有效达到红外图像增强的目的。     

基于自适应小波变换的红外图像去噪算法

针对红外图像存在的加性、乘性及混合噪声,提出了一种自适应小波变换的图像去噪算法.该方法首先用小波变换对含噪图像信号进行小波分解,这样可以保证对图像中的不相关噪声的有效抑制,保持图像的细节信息.然后将经小波变换所分离出来的噪声成分作为自适应滤波器的输入,通过选用自适应滤波算法从而实现信噪分离的最佳滤波.仿真结果表明,本文提出的去噪算法优于已有的各种算法,提高了图像的对比度,突出了图像细节.     

一种改进的小波域图像去噪法

在小波阈值去噪方法的基础上,提出一种块匹配及小波变换技术相结合的图像去噪法,首先估算含噪图像的噪声方差,然后对图像进行分块匹配,构造各相似块的三维数据组,对其进行3D小波变换,再以噪声方差迭代形式,获得最佳软硬阈值对高低频系数分别做去噪处理,最后对低频DC系数做细节锐化运算。仿真结果表明,本算法既能有效地减轻图像中噪声,又具有较好的形状和细节保持能力,在图像的信噪比和主观视觉上都优于传统的软阈值、硬阈值、中、均值滤波去噪法。     

基于双密度双树复数小波变换的图像去噪

针对双树复数小波方法对图像去噪效果不理想的问题，综合双密度双树小波和双树复数小波的变换机理，提出一种基于双密度双树复数小波变换的图像去噪方法．该方法将双树复数小波的6个方向提高到12个方向，采用该小波进行最优阈值去噪处理，图像噪声明显减少．仿真试验表明，该方法能有效消除图像噪声，与双树复数小波相比，去噪效果明显改善，均方误差减小了5．8％．     

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。     

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。     

高斯白噪声背景下图像去噪方法研究

主要针对在高斯白噪声背景下在信号与图像处理中,采用小波变换使图像去噪,对噪声的统计特性建模,对小波去噪的理论依据进行了深入分析。     

基于curvelet变换的红外图像去噪方法研究

针对传统小波算法所生成的可分离小波只具有有限的方向，不利于图像去噪，本文采用curvelet算法对红外图像进行去噪处理.该方法以小波变换为基础对图像进行分解，在分解所得的一系列小波子带中，以定义的平滑窗函数对曲线边缘进行平滑分割，再对平滑分割处理的每个子块进行Ridgelet变换.最后将小波阈值范围外的系数置零，以curvelet逆变换对原始图像进行重构.红外图像的去噪实验表明，本文算法有效可行，相比传统的小波算法、SVD算法，本算法能获得更高的P_SNR数值，去噪效果更佳.     

基于贝叶斯估计的图像去噪算法研究

本文提出了一种基于贝叶斯最大后验概率估计（Bayesian MAP）的图像去噪方法。通过 Matlab软件仿真,对均值滤波、中值滤波、小波阈值去噪和本文提出的图像去噪方法进行分析比较。实验表明：本文提出的方法根据图像和噪声的特点,在小波变换之后,对其中的高频系数进行贝叶斯最大后验概率估计,比其他几种图像去噪方法更能提高去噪后图像的峰值信噪比,更好地保留了图像的细节特征,取得了较好的视觉效果。     

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.     

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.     

基于Contourlet变换的红外视频监控图像去噪算法研究

提出了将基于Contourlet变换结合循环平移的去噪算法应用到红外视频监控图像中。对于加性高斯噪声背景下的红外视频图像,实验结果表明,本算法较基于传统小波变换,小波变换结合循环平移以及单一使用Contourlet变换的算法,可以更有效地提升图像去噪后的视觉效果,同时明显提高了图像的峰值信噪比(PSNR).     

基于提升小波变换的图像去噪技术

人脸识别系统非常复杂,其中处理的对象都是人脸图像数据.从现实中获取的图像包含各种噪声信号,使图像数据和现实差距太大.为了快速有效的去除这些噪声信号,对基于提升小波变换的图像去噪方法进行了详细研究.该方法在保持基于传统小波变换去噪方法的前提下,使去噪处理的计算量大大减少,去噪速度显著提高.     

考虑尺度间相关性的电缆瓷套终端红外图像去噪

为有效抑制图像噪声,提高电气设备红外诊断的准确性,采用基于小波系数尺度间相关性和双变量收缩函数的方法对电缆瓷套终端红外图像进行去噪.将图像进行小波分解,计算小波系数尺度间的相关系数,使用模糊c-均值聚类法对相关系数聚类,即将小波系数分为有效系数和无效系数两类.对无效小波系数直接进行置零处理,对有效小波系数使用双变量收缩函数进行处理,得到真实图像小波系数的估计值.最后,对处理得到的真实图像小波系数的估计值进行重构,便得到去噪后图像.含噪图像的去噪结果表明,运用文中方法能有效地去除红外图像中的噪声,且与使用传统软阈值方法去噪得到的图像对比,文中方法去噪后的图像信噪比更高,最小均方误差更小.