基于广义高斯模型的局部自适应遥感图像去噪研究

根据图像各子带系数的相关性,提出一种局部自适应的图像小波系数的统计算法,并应用于遥感图像的去噪研究.首先将图像的小波分解系数视为服从广义高斯分布(GGD)的随机变量模型,然后在小波软阈值去噪的基础上,根据图像小波系数在空间上具有聚集性的特点,提出了一种新的局部自适应的算法,结合最大后验概率(MAP)参数估计,用于恢复带噪图像.该算法用于岷江上游植被和土壤类型典型地区—毛儿盖实验区遥感图像的去噪,效果理想,同其他的图像去噪算法相比,它具有较高的峰值信噪比(PSNR)和更好的视觉效果.     

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.     

基于正态反高斯先验模型的小波去噪算法

提出了一种基于正态反高斯先验模型(NIG)的小波去噪算法.将小波系数建模为正态反高斯分布,利用矩估计法计算每个子带内的模型参数;在贝叶斯最大后验概率估计(MAP)准则下推导出与NIG模型相对应的阈值函数表达式,以此对图像进行去噪处理.实验结果表明:该算法与经典的阈值去噪算法相比,具有更好的信噪比和视觉效果.     

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。     

基于多小波自适应阈值的地震图像去噪方法

结合地震图像噪声的特点,利用多尺度小波变换的优点,提出一种新的自适应小波阈值去噪算法.该算法根据小波变换各子层系数矩阵,确定各子层的自适应最优阈值,对于高频子带采用硬阈值化去噪,低频子带采用中值阈值化去噪,并去噪后重构小波系数.实验结果表明,该方法能够去除大部分高频随机噪声,并还原相干切片图像真实效果,提高了地震资料的信噪比.     

小波系数局部特征的自适应图像降噪算法

在Visu Shrink和基于Bayes准则的Bayes Shrink去噪方法的基础上,提出一种基于小波系数局部特征的自适应图像降噪算法.该算法从含噪图像的HH1子带估算噪声信号的标准差,并据此优化小波分解所需的级数;然后,根据小波系数的局部特征,自适应地选择不同子带不同方向上的最佳阈值,运用软阈值函数对图像进行降噪.与传统方法相比,该方法不仅提高图像的峰值信噪比,使图像更清晰,而且具有实现简单、运算速度快的特点.     

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.     

自适应阈值小波在指纹图像去噪中的应用

目前指纹识别技术具有很广泛的应用,但通常指纹图像含有混合噪声,而传统小波阈值去噪算法对含有混合噪声的图像去噪时,存在混合噪声去除不彻底的问题,为此提出了一种改进的自适应阈值和连续型低误差阈值函数的小波去噪算法.首先,算法对含有混合噪声的指纹图像进行一次中值滤波去噪.然后,设计了一种新的自适应阈值,小波分解层数越大新阈值就会越小,就能更好地体现噪声信号在进行小波分解时减小的特征.最后,设计了连续型低误差改进阈值函数,改进的函数是连续的,并且阈值达到极限时误差为0.改进后的算法使得估计的小波系数更加接近真实系数,重构后的图像更接近原始图像.实验结果表明,该算法对含有高斯噪声和椒盐噪声的指纹图像处理时,相比于其他算法,得到了更好的峰值信噪比和均方误差数值,去噪后的指纹图像纹理显示更加清晰.     

基于上下文模型的混合傅里叶-小波图像降噪方法

针对小波变换和傅里叶变换去除图像噪声时各具不同的优点和不足,提出一种基于上下文模型的混合傅里叶-小波图像降噪方法.首先在傅里叶域中估计原始图像的功率谱密度,运用维纳滤波器降噪,降低原始图像噪声水平;再在小波域中通过基于上下文模型的自适应阈值法去除剩余噪声;在小波域中使用平稳小波变换分解图像信号得到分解后的系列小波系数,根据小波系数间的相关性,利用上下文模型求取小波系数的方差,将其代入由GGD模型估计出的阈值表达式得到自适应阈值,再用软阈值函数对小波系数进行处理,最后将处理后的小波系数进行小波逆变换完成去噪.仿真结果表明:该方法不仅能够有效滤除图像噪声,而且能够保留图像的边缘细节信号,抑制降噪引起的吉布斯现象.     

一种基于小波变换的图像去噪方法

利用小波系数在相邻尺度上的相关性关系，针对小波系数估计中硬阈值方法和软阈值方法的缺点，通过对双重量收缩函数得到的阈值乘以一个合适系数进行修定的折衷方法，提出了一种新的小波域局部自适应去噪算法。实验结果表明，该方法既可以去除噪声，又可以较好地保留图像的高频细节特征。     

小波阈值法在图像去噪领域的应用研究

小波阈值法在图像去噪领域已经成为热门的研究方向,为了使人们能对小波阈值法有概括性的了解.在对小波阈值法现有技术的优缺点进行分析的前提下,总结出小波阈值法在图像去噪领域的三个主要研究方向,即阈值选择的自适应性,小波系数的分布模型,以及防止Gibbs振荡,并探讨了小波阈值法在图像去噪领域的发展方向.     

基于子波变换的图像多通道阈值降噪法

由于子波变换良好的信号能量集中性 ,近年来子波变换域的图像降噪受到人们重视 .子波变换域阈值去噪法因处理过程简单而得到广泛应用 .图像信息经过子波变换后在子波域分布的情况与子波基的选取有关 ,因此 ,不同的子波基在信噪分离上具有互补作用 .本文利用这种互补作用提出了两种子波变换域多通道阈值降噪方法 .根据噪声对图像影响与图像自身特征有关 ,以及子波变换域各子带子波系数之间的相关性 ,还提出了一种自适应的通道阈值设定方法 .实验结果表明 ,提出的算法在保持处理过程简单的同时 ,达到了更好的滤除噪声效果 .     

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.     

基于小波门限化的图像去噪方法

提出用小波门限化方法对图像的噪声进行处理,从理论上分析和探讨了小波门限化的作用,以及对抑制噪声形式的无纹理图像的自适应性,实验结果表明,所处理的图像取得了很大的结果。     

基于新阈值函数的小波图像去噪研究

构造了一个新的阈值函数，并采用这个阈值函数来对含噪声图像进行去噪处理。仿真实验结果表明，采用新的阈值函数的去噪效果在峰值信噪比意义上优于传统的软硬阈值方法。     

基于高斯性检验的自适应小波去噪方法

针对软阈值和硬阈值去噪算法存在的缺陷，提出了一种基于高斯性检验的自适应非线性阈值去噪方法。该方法根据信号和噪声的模极大值特性自适应确定分解层数，引入高斯性检验选择软阈值和硬阈值方法对每层小波系数进行降噪处理。仿真结果表明，该自适应滤波方法简单有效、稳定性高，去噪后信号信噪比得到很大提高，且不同仿真信号结果都明显优于经典的小波去噪算法。     

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.     

基于连分式的广义高斯分布的参数估计

近年来,使用广义高斯分布拟合的子带小波系数的统计模型被广泛地用于图像分类、修复、去噪和分析等图像处理中,而广义高斯分布的参数拟合问题一直是该领域中的一个重要的瓶颈问题。文章针对该问题提出用连分式迭代来实现广义高斯分布的参数估计,连分式迭代具有算法稳定、收敛域广、计算精度高、迭代速度快等特性;构造了基于连分式的广义高斯分布形状参数β的迭代格式。实验结果表明在不同方差噪声时,基于连分式迭代算法在计算时间复杂度和精度上优于牛顿迭代算法,而且收敛性不受初始值等参数制约,总能收敛到最优值附近。