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.     

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.     

图像域阈值与维纳滤波组合的图像去噪方法

用小波变换方法获得与带噪图像具有相同尺寸的各尺度与方向的图像域子图,并对各细节子图进行阈值化处理;然后,将去噪的各图像域细节子图与低频子图相加得到初级去噪图像;最后,对初级去噪图像执行图像域维纳滤波,进一步去除噪声斑点.讨论图像域阈值参数的估计方法,提出一种与小波域BayesShrink对应的图像域BayesShrink阈值估计方法.实验结果表明:与小波域阈值或者小波域阈值与图像域维纳滤波组合的方法相比,对于非高度细节的图像,除去低噪声细节相对丰富图像的情况外,图像域阈值与维纳滤波组合在去除平坦区大部分噪声的同时,能更好保留边缘与纹理细节,得到更好的图像质量与更高的峰值信噪比.     

基于模糊均差的低照度图像平滑去噪方法

为了提高低照度图像去噪处理的整体效果，本次研究提出了基于模糊均差的低照度图像平滑去噪方法。采用Sobel梯度检测图像边缘信息，采用OTSU（Nobuyuki otsu 大津展之）阈值分割法分割图像为平坦区域和细节区域；通过模糊均差方法分别估计两个区域图像的噪声标准差；采用小波域方法对图像进行平滑软阈值去噪，实现低照度图像的平滑去噪。实验结果显示，本文方法可以在不同噪声水平下获取接近真实值噪声标准差，在噪声水平最大时信噪比大小达到了27.97dB，去噪效果达到92.1%，质量很好的图像数量占比达到了80.58%，图像信息损失较小，去噪效果较好，具有极大的应用价值。     

基于改进型中值滤波算法的图像去噪

去噪算法在图像处理中占有极其重要的地位。为了对含有高斯白噪声和脉冲噪声的图像进行去噪,在小波软阈值去噪算法的基础上,提出一种基于噪声个数判断的改进型中值滤波算法。仿真结果表明,该算法能够同时抑制高斯白噪声和脉冲噪声,可以更好地保留图像的边缘细节,与小波软阈值算法、小波硬阈值算法、中值滤波算法相比,具有更好的去噪性能。     

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.     

基于最大信息熵的小波图像去噪算法研究

去噪算法在图像处理的过程中占有极其重要的地位。为了对含有高斯白噪声和脉冲噪声的图像进行去噪,在Donoho提出的小波阈值去噪算法的基础上,提出一种基于最大信息熵的小波去噪算法,根据最大信息熵的理论确定了改进型阈值和改进型加权阈值函数中的加权因子。仿真结果表明,该算法能够同时抑制高斯白噪声和脉冲噪声,可以更好地保留图像的边缘细节,与Donoho提出的小波阈值去噪算法的去噪效果相比,具有更好的去噪性能。     

基于注意力机制和感知损失的遥感图像去噪

遥感图像去噪对于遥感图像在后续的分类、检测等任务中有着非常重要的作用.为了让去噪后的图像更好地保留边缘细节信息,同时增强深度网络对噪声污染区域的辨识能力,本文结合注意力机制以及感知损失来处理遥感图像,提出了一种新的基于残差自编码器的遥感图像去噪网络ARED-VGG.考虑到遥感图像中不同地物大小不同,该网络首先同时使用图像的空间和光谱信息来提取多尺度特征;然后使用残差自编码器网络结构来进行图像空间-光谱多尺度图像重建.为了增加网络的辨识能力,更多地关注网络中提取的高频特征,网络引入了注意力机制.同时为了让去噪后的结果更符合视觉感观,使用了感知损失混合均方误差作为损失函数.从实验结果知,本文所提出的方法在噪声去除和纹理细节保留方面与NLM3D、BM4D、LRMR、HSID-CNN和3DADCNN相比表现更优.在Washington DC mall遥感图像数据集上进行了仿真实验,平均峰值信噪比以及平均结构相似性指标都有较好的结果;在AVIRIS Indian Pines数据集上进行了真实数据实验,以去噪后的结果地物分类指标作为验证,整体分类精度以及Kappa系数分别为96.90%和0.9647;对网络结构进行了消融实验,在两个数据集下,本文所提出的网络结构都能获得更优的结果.本文提出基于注意力机制和感知损失的深度神经网络进行遥感图像去噪,提高了网络的辨识能力,实现了良好的去噪性能,并且有效保持了图像的细节信息和光谱信息.     

复数小波与椭圆窗维纳滤波结合图像去噪方法

本文提出一种基于复小波与带有方向窗维纳滤波结合的新图像去噪算法。针对普通小波域维纳滤波去噪的方向性差,去噪后图像的容易产生哑铃效应。而采用具有较强方向性的复数小波域结合具有方向性的椭圆窗维纳滤波的方法对图像进行去噪,不仅有效地去除了噪声,而且更好地保存了图像的细节信息。实验表明:去噪后的峰值信噪比与视觉质量都较普通小波与方窗维纳滤波的效果有较大改善。     

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.     

一种改进的深度网络残差学习的图像降噪方法

近年来,基于深度卷积神经网络的学习方法在图像降噪方面取得了前所未有的成果,通过调整网络结构和参数来获取更好的图像降噪效果已成为研究热点.降噪卷积神经网络在深度神经网络中采用残差学习方法,在提高降噪效果的同时,在一定程度上解决了盲降噪问题.其不足之处在于算法收敛时间长.该文针对降噪卷积神经网络结构做了进一步的改进,提出了一种基于反卷积降噪神经网络的图像降噪算法.该文工作的主要特色如下：1) 在原有的网络结构中,引入反卷积神经网络,优化了残差学习方式;2) 提出一种新的损失函数计算方法.使用BSD68和SET12测试数据集对本文提出的方法进行验证,实验结果表明,该文算法的降噪性能与降噪卷积神经网络算法相比,在相同降噪效果情形下,该文算法的收敛时间缩短了120%～138%.同时,与传统的深度学习图像降噪算法比较,该文方法的降噪效果和运行效率也都有提高.     

一种改进的深度卷积神经网络图像去噪算法

为了更好地去除图像中的噪声,提出了一种改进的深度卷积神经网络(Dncnn)图像去噪算法。针对现有的Dncnn网络参数量大,对Dncnn网络的第2～16层进行了改进,使网络参数量降低1/3后,仍能保持和Dncnn一样的训练效果。在此基础上,对网络底层的低级语义信息和高层的高级语义信息进行了特征融合,使得网络训练更平稳,并能达到更好的训练效果。实验结果表明无论与图像去噪领域公认最好的去噪算法BM3D相比,还是与深度学习领域先进的图像去噪算法Dncnn相比,改进的Dncnn都有更好的表现。     

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。     

基于平稳脊波变换的图像降噪

有限脊波变换在Radon变换域中用正交小波处理点奇异,而正交小波变换不存在冗余性,因此在应用有限脊波变换进行图像降噪时会产生Gibbs现象。为了解决Gibbs条纹干扰问题,本文在有限脊波变换的基础上提出一种新的基于平稳脊波变换的图像降噪方法,其关键是引入一维平稳小波变换来代替正交小波变换对Radon系数矩阵进行处理。实验结果表明,与基于有限脊波变换的图像降噪方法相比,本文提出的算法具有更优的降噪性能,可使图像降噪后保持更好的边缘特征和视觉效果,振铃效应得到改善。     

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。     

基于拉普拉斯模型的双树复小波域图像降噪

分析了图像复小波变换的特点,根据复小波系数服从拉普拉斯分布的特性,采用最大后验概率估计,推导出一种复小波域的软阀值去噪方法。在实验中,分别与图像小波域、复小波域的高斯概率分布模型的去噪方法进行对比分析。结果表明,文中的去噪方法,在去除噪声的同时更好地保留图像的细节信息,且峰值信噪比有所提高,取得很好的降噪性能。