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。     

基于非局部自适应字典的SAR图像迭代去噪算法

为了更好地利用SAR图像携带的信息,相干斑噪声的抑制成为各国学者研究的热点之一.结合稀疏表示理论和图像的非局部自相似理论,提出了一种基于非局部块匹配与自适应字典的K-singular value decomposition(K-SVD)的synthetic aperture radar(SAR)图像迭代去噪算法.首先,在每次迭代中,利用非局部块匹配算法对上一次迭代的结果进行匹配分组,然后对每组相似块进行自适应字典更新,并用图像块替换字典原子来提高字典训练的效率,最后通过K-SVD的迭代实现SAR图像的去噪效果.实验结果表明,该算法具有更好的去噪能力,能更好地保持图像的细节和纹理等有用信息.     

基于边缘增强和稀疏表示的图像混合去噪算法

稀疏表示和非局部相似性在图像去噪领域扮演着越来越重要的角色,并且取得了很好的去噪效果.解决了高斯噪声和椒盐噪声混合的图像去噪问题.在去噪过程中,如何更好地保留图像中原有的边缘信息是一个很重要的问题.为此提出了在稀疏表示和非局部相似性的基础上,引入Sobel算子的算法.实验结果表明,该算法去噪效果突出,并且能够在去噪的同时保留图像的边缘信息,为去除图像中的混合噪声提供了一种有效的方法.     

基于边缘检测的自适应非局部均值去噪算法

针对图像去噪处理中非局部均值(NLM)算法造成的平滑图像细节丢失问题,提出基于边缘检测的自适应非局部均值去噪(ANLM)算法。利用canny算子提取图像边缘结构图,比较待处理像素所在图像块和邻域图像块边缘结构的相似度,判断当前图像块所处图像区域的结构特征,设定相关阈值,自适应选取滤波参数,调整像素在平均过程中的权值。实验结果表明,ANLM算法相比NLM算法,能更有效去噪,可保留更多的边缘结构特征,细节信息更为丰富。     

基于离散余弦变换的非局部均值滤波算法

要非局部均值(non-local means,NLM)去噪算法已成为较有效去除图像噪声的算法之一。然而,当噪声水平较高时,NLM不能准确地计算图像块之间的相似度权重值,影响图像的去噪效果。针对上述问题,结合离散余弦变换(discrete cosinetransform,DCT)提出了基于DCT的非局部均值滤波算法。首先,利用DCT的低频系数重构图像,以达到滤除部分噪声的同时保护图像的主要内容。其次,利用重构图像较准确地计算图像块之间的相似度权重值,将NLM去噪算法用于噪声图像。实验结果表明,该算法能够得到较高的峰值信噪比(peak signal to noise ratio,PSNR)和更好的视觉效果。     

基于自适应搜索窗的非局部均值去噪算法

提出了一种采用局部多项式近似—置信区间交叉(Local Polynomial Approximation and Intersection of Confidence Intervals,LPA-ICI)技术的自适应选取搜索窗的非局部均值图像去噪算法.首先采用LPA-ICI寻找当前像素所在的同质区域,然后将该同质区域设定为当前像素的自适应搜索窗.自适应搜索窗内的像素与当前像素在灰度值以及几何结构上均呈现出"同质"性,对当前像素的估计值更接近真实值.定性与定量实验结果表明:相比于形状和大小固定的搜索窗,自适应选取搜索窗的非局部均值去噪算法能取得更好的去噪效果,对图像中边缘和纹理细节信息具有更好的保护能力.     

采用局部相位的Nonlocal低剂量CT图像去噪

通过引入局部相位特征,提出了一种新的基于NL-means的低剂量CT图像去噪算法.在非局部滤波器中引入局部相位,设计新的图像子块相似性测度函数,用于低剂量CT图像的去噪.通过与其他4种流行的去噪算法进行模拟图像数值比较,并对真实图像去噪进行临床评价,结果表明：所提出的方法在对低剂量CT图像去除噪声的同时,能保留具有重要诊断价值的CT图像特征,如边界、囊肿区及低密度区等.量化及临床实验结果表明所提出的算法能有效地滤除低剂量CT图像中的噪声并保留图像中有用的诊断信息.     

基于分水岭和广义非局部平均的小波去噪

非局部平均滤波去噪方法和基于广义非局部平均的小波域去噪方法都会在不同程度上损失图像细节信息.为了在去除图像噪声的同时更好地保留图像细节,文中提出了一种基于分水岭分割和广义非局部平均的小波去噪方法.首先对含有噪声的图像进行基于梯度的分水岭分割并保留分水岭脊线;然后对含有噪声的图像进行多维度小波分解,对分解的每一层系数估计尺度系数和形状系数,构造每层小波子系数的广义高斯模型,对每层细节子带信息分别在水平、垂直、对角线3个方向应用基于广义高斯模型的非局部平均滤波;最后用含噪图像中与分水岭脊线相对应的像素点替换小波重构后图像的对应像素点.仿真结果表明,该方法与基于广义非局部平局的小波分析去噪法相比能获得更好的视觉效果和去噪效果.     

基于凸集投影算法的被动毫米波图像超分辨率恢复

为了提高被动毫米波图像分辨率,该文将凸集投影算法(POCS)应用于被动毫米波图像的超分辨率恢复中.文章对引起被动毫米波成像系统图像降质的因素进行了分析和讨论,建立了成像模型,结合POCS算法原理,利用图像的噪声统计特性以及幅度约束条件,对POCS算法用于被动毫米波图像的超分辨率恢复进行了详细分析,并给出了算法流程.仿真结果表明:POCS算法用于被动毫米波图像的超分辨率恢复相对双线性差值方法恢复效果有明显改善.     

基于双边滤波与离散余弦变换的NLM去噪算法

针对非局部均值去噪算法(NLM)易造成图像边缘模糊问题,提出了一种基于双边滤波和离散余弦变换的改进算法。该算法将双边滤波中的像素空间邻近函数与NLM算法的权值函数相结合,提出新的权值计算公式进而保护图像细节;利用离散余弦变换能量集中特性来计算像素相似性权值进而提高运算速度。首先将图像分割成子块,对子块进行离散余弦变换,然后在得到的离散余弦变换系数矩阵中筛选数据,最后用新权值计算公式在经筛选的离散余弦变换系数矩阵中度量像素的相似性。实验结果表明,与原NLM相比,该算法更好地保护了图像边缘细节特征和结构信息,峰值信噪比最大提高了1.4 d B,证明本文的算法去噪效果更佳。     

联合多尺度块匹配的非局部均值去噪算法

针对非局部均值（Non-Local Means, NLM）图像去噪算法易产生伪影与平滑细节的问题,提出一种联合多尺度图像块匹配的像素相似性测度,提高NLM算法去噪性能。首先,研究与分析了加权欧氏距离与欧氏距离两种相似性度量以及图像块尺寸设置对NLM算法的影响。其次,通过引入图像特征信息并利用K-means聚类方法将图像划分为平坦区域和包含边缘与纹理的结构区域,对每个类别中的像素点,联合两种尺度图像块匹配计算像素的平滑权重。最后,优化了算法的滤波参数。实验结果表明,提出的算法在噪声去除与细节保持方面明显优于经典的NLM算法,相比其他改进的NLM算法也有优势。     

基于改进U-Net 神经网络的图像去噪算法

摘要：针对目前常见的U-Net网络结构以及现有的图像去噪算法在去除图像噪声时，处理后得到的图像较为模糊且图像的边缘纹理过于光滑缺乏真实性的问题，提出了一种改进的U-Net网络结构去噪算法。它由去噪模块以及边缘信息提取模块组成,首先,利用 U-Net＋＋中的跳跃连接应用到原始的U型去噪子网中,密集连接的U型去噪网络可以減少编码器与解码器特征映射之间的语义差距,还原出更清晰的图像。其次,基于VGG-16网络结构的边缘信息提取模块对去噪网络处理后的图像进行特征提取,同时反向优化U型去噪模块，还原出更真实的图像。实验表明，在常见的 Set5、Set12、Kodak24和CBSD68 数据集上测试所提出的算法，在图像的客观评价指标上均优于目前具有代表性的去噪算法，同时图像的边缘细节和纹理特征更清晰真实,视觉效果上更好。     

基于相似性验证与子块排序的NSST域SAR图像去噪

为了改进传统的非局部变换域合成孔径雷达（synthetic aperture radar,SAR）图像去噪算法不考虑子块关系的缺点,结合相似性验证与子块排序提出一种新的非下采样剪切波（non-subsampled shearlet transform,NSST）域SAR图像去噪算法.构造NSST域SAR图像相似块之间距离的密度分布;利用子块之间的相似性,去除相似性较低的子块;结合子块排序和最优一维滤波对SAR图像进行去噪.实验结果表明,与其他经典去噪算法相比,等效视数平均提升6.92,边缘保持指数更接近1,无参考质量评价指数平均降低2.51,能更好地保持图像边缘和纹理信息,改善图像的视觉效果.      

对图像处理中ROF全变分模型的两种算法的比较研究

全变分图像去噪问题的本质是一类基于全变分的约束极小化模型.其中最经典的模型是由Rudin-Osher-Fatemi提出的ROF模型[1].在这一模型中,正则化参数的选取直接影响到图像恢复的效果,当给定一个适当的正则化参数来平衡数据拟合和正则解时,可以得到十分理想的结论.在过去的二十年中,通过对这一模型的研究,产生了各种有效的算法.不同的算法通过调节正则化参数,都在不同程度上达到了去噪的目的.本文中,应用两种算法：梯度下降法和分裂Bregman算法,对带噪声图像进行了数值仿真和比较,结果显示分裂Bregman算法能够达到更好地去噪效果.     

基于多小波的局部背景隐马尔可夫模型图像去噪

小波域局部背景隐马尔可夫模型（LCHMM）可获得尺度内的相关性和局部的统计特征,并且复杂度小,多小波分析在图像去噪方面有很好的性能。利用多小波分析和局部背景隐马尔可夫模型各自在图像去噪方面的优势,将两者结合起来,提出了一种基于多小波的局部背景隐马尔可夫模型（M—LCHMM）图像去噪算法。算法主要有两步：局部背景隐马尔可夫模型去噪处理和均值处理。该算法简单有效,仿真试验表明M—LCHMM的去噪效果优于目前许多已有的去噪算法。     

一种遥感影像混合噪声二阶去除方法

遥感影像去噪对于影像后续的使用和研究具有重要意义。高斯噪声与椒盐噪声是影像中常见的噪声,目前的去噪算法对于这类混合噪声普遍存在去噪效果不佳、去噪后影像边缘模糊等缺点。针对以上问题,本文提出了一种遥感影像混合噪声二阶去除方法。该方法第一阶段是在DnCNN网络框架的基础上引入扩张卷积来增加网络的感受野,便于在遥感影像中提取更多的特征信息;同时在深卷积层后引入DropoutLayer层构建降噪模型,以防止网络出现过拟合,简化训练难度,然后使用该模型对影像进行初步降噪。为进一步提高初步降噪结果的影像质量,有效去除混合噪声中的椒盐噪声,保留更多的影像边缘细节及纹理特征,该方法第二阶段是在自适应中值滤波的基础上采用最近邻域像素加权中值替换原滤波窗口中值,对初步降噪结果进行二次处理,得到遥感影像混合噪声最终去噪结果。为验证算法的可行性和有效性,本文进行了遥感影像去噪实验及去噪影像边缘检测实验。分析实验结果,无论从主观视觉还是客观评价指标上进行对比,本文提出的方法对于遥感影像混合噪声去噪效果优于传统去噪方法,并且能够较好的保留影像边缘细节及纹理特征,获得更清晰的影像结果。     

基于高斯统计模型的快速图像区域分割方法

目前很多图像分割方法不能满足图像信息生成的随机性以及面对应用的实时性.提出一种基于高斯统计模型的快速图像区域分割算法,与已有的一些图像区域分割算法相比,该方法不用图像去噪,直接利用噪声建立高斯统计模型,还采用最大最小值的方法,提出初始分割的思想.实验结果表明新方法增强了分割结果的稳定性,提高了分割速度,更加符合了图像要...     

一种基于邻域噪声评价法的图像去噪算法

常用的经典脉冲噪声滤波方法在去除图像脉冲噪声的过程中,常常造成图像细节信息的丢失,导致图像模糊不清.为了克服这一缺陷,提出了一种新的基于局部相似度分析和邻域噪声评价的图像去噪算法.该算法通过分析图像中各像素点的局部相似度来确定图像的轮廓和噪声,再通过邻域脉冲噪声评价法检测出脉冲噪声点,使图像处理仅处理噪声点而保持轮廓像素点不变,更有效地改善了噪声检测精度,并保护了图像的细节特征.实验结果表明,这种新算法较其他经典滤波器具有更有效的图像去噪和细节信息保护性能,具有一定的应用价值.     

非局部的可切换滤波图像椒盐噪声去除方法

针对图像被高强度椒盐噪声污染的问题, 提出一种可切换的非局部去噪算法. 首先将噪声图像切割为若干局部块作为算法的基本处理单位, 设计块的预修复过程, 以避免由于高噪声污染对局部块的干扰, 保证相似度度量和模型估计过程的准确性; 其次, 在非局部范围内构造非局部滤波器, 度量相似度并计算修复权值以进行噪声修复, 得到全方位的图像去噪效果. 实验结果表明, 该算法较传统局部信息构建滤波器的方法, 无论对低污染程度的图像, 还是高污染程度的图像, 在效果和图像衡量指标上均有一定的提升.     

基于方向信息测度的非局部正则化图像去噪方法

针对非局部正则化在图像去噪过程中计算复杂度高、复原速度慢的问题,基于方向信息测度提出了改进的非局部正则化方法.在图像的边缘轮廓区域使用保边性能较好的非局部正则化方法,而在图像的平坦区域使用各向异性全变差模型,且该全变差模型由基于Bregman迭代正则化方法的快速迭代算法进行求解.实验结果表明:基于方向信息测度的非局部正则化方法在快速消除图像噪声的同时,能有效地保留图像的边缘和纹理等结构信息.