一种新的几何约束自适应阈值图像去噪方法

文章提出了一种几何约束空间自适应阈值的图像去噪新方法。此方法基于非抽样小波变换的多分辨率分解,利用非抽样小波变换的冗余性来寻找小波系数之间的依赖关系。在BayesShrink阈值的基础上进行改进,采用空间自适应方法,为每一个小波系数确定自适应的阈值。在含噪系数的方差估计中,与以往的估计方法不同,不仅考虑到子带内小波系数之间的依赖关系,而且考虑了沿梯度方向的邻域内小波系数之间的依赖关系,使得含噪系数的方差估计更为准确。实验结果表明,与传统去噪方法相比,本文方法能更有效地去除噪声,具有更好的重建视觉效果。     

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.     

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。     

基于非抽样小波的多阈值去噪

利用小波系数之间的相关关系,对变换后的小波系数进行分类,提出了基于多阈值的去噪方法。该方法利用非抽样小波变换的冗余性来寻找小波系数之间的依赖关系,把变换后系数分成与图像细节特征相关的系数、平滑区域相关的系数以及噪声相关的系数,对不同的系数采用不同的阈值处理策略以改进去噪效果。实验结果表明,与其它去噪方法相比,该方法不仅较好的保留了图像特征,而且具有良好的视觉效果,峰值信噪比也有较大幅度的提高。     

基于SURE-LET和非张量积小波的遥感图像去噪

针对遥感图像中的高斯噪声,提出了基于SURE-LET和非张量积小波的去噪方法,主要包括图像在非张量积小波下的分解、各个子带在不同阈值函数下的处理以及它们最优的线性组合3个步骤．通过选择合适的非张量积小波滤波器参数,使无噪遥感图像和噪声在变换分解中得到的小波系数分离较好,去除噪声对应的小波系数时被去除的无噪图像对应的小波系数较少,从而取得更好的去噪效果．实验结果表明：此方法用于高斯噪声的遥感图像的去噪不仅速度很快,而且去噪效果优于传统基于张量积小波的SURE-LET方法．     

广义高斯分布及其在图像去噪中的应用

指出了图像小波系数的统计分布具有非高斯特性,可以用广义高斯模型进行描述.研究了用广义高斯分布(GGD)对图像子带小波系数进行建模以及GGD模型的参数估计问题,在此基础上设计了一种基于贝叶斯估计的子带自适应阈值去噪算法,通过仿真实验对该算法和经典的小波阈值去噪方法进行了去噪性能的比较和讨论.     

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。     

基于小波收缩的神经网络图像“去噪”算法研究

提出一种基于小波收缩的神经网络图像“去噪”的新方法。此算法引入了一种新的小波收缩函数（3次样条曲线）对小波系数进行处理。由于此算法中的小波收缩函数具有较好的光滑特性,它克服了小波收缩中硬阈值和软阈值方法所带来的缺点,并且神经网络模型实现此算法。实验表明：此算法比用传统的硬阈值和软阈值方法图像“去噪”有更好的峰值信噪比且具有比传统算法更好的学习特性。     

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.     

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.     

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.     

一种基于粗集与小波的声呐图像降噪方法

声呐图像具有低对比度和边缘恶化的特点,传统的声呐图像散斑噪声降噪方法又不能较好的保持图像边缘和细节,因此提出了一种新的基于粗集与小波的声呐图像降噪方法。该方法通过考察散斑噪声的统计特征,利用粗集中的等价关系将声呐图像划分为若干子图,对子图进行对数变换后完成小波变换,采用自适应阈值函数处理小波系数,应用小波逆变换和指数变换得到降噪后的子图,将降噪后的子图进行叠加得到最终的降噪图像。通过新算法在实际声呐图像中的应用,实现了在保证降噪效果的同时能够较好地保持图像边缘及细节特征,验证了算法的有效性。     

一种基于三维小波变换的视频图像消噪新方法

根据视频图像帧与帧之间在多数情况下存在较强相关性的特点,提出了一种基于三维小波变换的视频图像消噪方法。将被加性平稳高斯噪声污染的连续几帧视频图像进行帧间一维小波变换,根据变换后各帧的特点,采用不同的方法分别进行消噪：对变换后的低频帧进行帧内二维小波变换,在小波域中采用自适应阈值进行消噪;对变换后的其余各高频帧直接采用固定阈值进行消噪。实验结果表明该方法消噪效果较好     

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。     

一种基于三维小波变换的视频图像消噪新方法

根据视频图像帧与帧之间在多数情况下存在较强相关性的特点，提出了一种基于三维小波变换的视频图像消噪方法。将被加性平稳高斯噪声污染的连续几帧视频图像进行帧间一维小波变换，根据变换后各帧的特点．采用不同的方法分别进行消噪；对变换后的低频帧进行帧内二维小波变换，在小波域中采用自适应阈值进行消噪；对变换后的其余各高频帧直接采用固定阈值进行消噪。实验结果表明该方法消噪效果较好。     

基于双树复小波变换与双边滤波的图像滤波

为了进一步提升高斯噪声的去除性能,提出了基于双树复小波变换与双边滤波的图像滤波方法.根据图像和噪声的分布特征,推导出一种自适应的阈值去噪模型.用去噪模型对双树复小波变换后的图像系数进行量化处理,再由双树复小波逆变换得到去噪图像,然后用改进的双边滤波方法对去噪图像进行边缘增强,改进的双边滤波核自适应于图像的特征,具有更好的鲁棒性.实验结果显示,该方法相对于现有的性能较好的方法,PSNR高出大约0.8 dB,SSIM高出大约2.3%.实验证明了该文提出的方法在去噪效果和细节恢复上优于已有的方法.     

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。     

基于非下采样Contourlet变换的自适应阈值图像去噪方法

Contourlet变换是一种真正的图像二维表示方法,具有方向性和各向异性,能稀疏地表示图像。但Contourlet变换不具备平移不变性,图像去噪时会存在伪Gibbs现象。为了克服这种不足,在Contourlet变换基础上,构建了非下采样Contourlet变换,首先将图像进行非下采样Contourlet变换,接着运用自适应阈值进行去噪处理,然后进行非下采样Contourlet逆变换,得到去噪后图像。实验结果表明,采用非下采样Contourlet变换方法能有效去除图像噪声,并能保持图像纹理细节,提高图像信噪比,视觉效果好,其去噪效果优于传统小波及Contourlet去噪效果。