一种基于NSCT变换的RBF神经网络自适应阈值去噪方法

提出一种基于非下采样Contourlet变换的径向基神经网络(RBF)自适应阈值去噪方法.在NSCT域通过RBF神经网络使目标误差函数GCV(T)的最小化,从而确定最优阈值,再通过软阈值函数去噪.利用NSCT的平移不变性来抑制伪Gibbs失真,从而能完整地保留图像的纹理和边缘等信息.实验结果表明,该方法可以有效去除高斯噪声,提高图像的峰值信噪比.     

基于概率模型的非下采样Contourlet变换图像去噪

目的 提出一种基于概率的自适应阈值选择方法,并将其应用到非下采样Contourlet变换域中实现阈值去噪.方法 根据NSCT系数大小,估计每个系数所包含的有用信号成分的概率,以此概率执行闽值处理.结果 假设信号在NSCT域中服从广义Laplacian分布且原始信号被高斯白噪声污染的条件下,这种阈值方法是普适有效的.结论 提出的方法应用于图像去噪,实验证明该方法与目前流行的去噪方法不相上下甚至有所超越.     

基于粒子群优化的Contourlet域图像去噪

本文研究了Contourlet变换域图像阈值去噪问题,提出了一种在Contourlet变换域改进的阈值去噪方法。该方法结合Contourlet变换能更加突出图像的边缘信息和方向信息的优势,在Contourlet变换域利用粒子群优化算法(PSO)迭代寻优找到最优阈值,以峰值信噪比(PSNR)的函数模型作为PSO的适应度函数,并且利用硬阈值函数规则对图像处理。实验结果表明,本文优化阈值的选取不仅更有利于保留图像的细节信息,还使得图像有着明显的去噪效果,PSNR值得到提高。     

一种基于NSCT域的自适应阈值函数SAR图像去噪

提出一种基于Nonsubsampled Contourlet变换的能量自适应的阈值函数合成孔径雷达图像去噪方法.该算法针对硬阈值函数、软阈值函数的缺点,利用具有冗余性和良好的方向选择性的Nonsubsampled Contourlet变换,结合根据图像不同分解层不同方向的轮廓细节能量的分布自适应调节的阈值函数完成去噪.实验结果表明该算法在有效抑制SAR图像斑点噪声的同时能很好地保持图像的边缘细节特征.     

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。     

基于NSCT的自适应阈值图像去噪算法

为了有效的去除图像中的噪声，保护图像细节，在研究了非采样下Contourlet（NSCT）变换和贝叶斯阈值的基础上，综合考虑NSCT变换后系数尺度间和尺度内的相关性，提出了一种新算法。该算法结合NSCT系数的相关性和贝叶斯风险最小准则估计区域自适应贝叶斯阈值，再利用硬阈值函数去噪，最后通过最小均方误差准则进行比例萎缩，得到真实系数估计。对于被高斯白噪声污染的图像，实验将该算法与经典算法相比较，结果表明在绝大多数情况下，该算法在峰值信噪比和视觉效果上都优于经典算法。     

基于NSCT和FCM聚类的SAR图像分割

为了实现对SAR(合成孔径雷达)图像的无监督自动分割,提高分割精度和计算效率,提出了一种基于非下采样Contourlet变换(NSCT)和模糊c均值(FCM)聚类的SAR图像分割方法.该方法首先采用一种基于NSCT的去噪算法对SAR图像进行去噪预处理,以保护细节纹理信息;然后采用保边缘灰度特征提取方法和灰度共生矩阵来提...     

基于小波变换与傅里叶变换对比分析及其在信号去噪中的应用

本文对比经典的傅里叶变换和小波变换,从理论方面给出了两者的比较分析,对基于小波变换的去噪方法进行了重点分析.对阈值去噪方法,软、硬阈值,阈值选取方式以及阈值的选取做了分析,分别做了四种阈值选取方式的对比实验;软、硬阈值去噪对比实验以及傅里叶去噪与小波去噪对比实验,分析了这些因素对去噪效果的影响,并且对传统傅里叶去噪与小波去噪进行了比较.     

基于自适应阈值小波变换的心音去噪方法

在采集心音信号时,难免会引入一些噪声,对心音信号诊断之前必须对其做去噪处理。由于心音信号是非线性非平稳信号,对心音信号去噪处理常用小波变换去噪方法,但是传统的小波阈值函数去噪方法需要自定义阈值,去噪效果也不理想,且可能会滤除了大量的细节特征,从而无法对心音信号做出正确的判断。为了克服传统小波阈值函数对心音信号去噪处理出现失真的问题,本文在半软阈值函数的基础上提出了基于蚁群算法优化选取阈值的非线性小波变换去噪方法。以原始心音为研究对象,通过选用db6小波并进行6层小波分解,分别选用硬阈值函数、软阈值函数、半软阈值函数、蚁群算法的优化阈值的半软函数等不同的小波去噪处理,并将去噪效果与原始心音进行对比,然后利用蚁群算法的全局搜索性搜索最小均方误差意义下的最佳阈值。仿真结果分析表明:蚁群算法优化选取阈值的心音去噪效果不仅能够去除噪声,还能保留信号细节特征,该方法与传统的硬阈值函数去噪方法相比信号的信噪比(SNR)和均方根误差(RMSE)均得到明显的改善。     

基于曲波变换的地震信号去噪方法

根据curvelet变换的性质和阈值去噪原理,提出一种地震信号自适应阈值去噪方法.首先对地震信号进行curvelet变换,利用地震信号的curvelet,变换系数在小同分解层的特点,通过计算curvelet系数统计量的方法来确定自适应阈值,然后采用软阈值折衷方法埘curvelet系数进行处理,最后通过curvelet逆变换得到去噪的地震信号.试验结果表明,该方法在去除噪声的同时能更好地保留信号的细节,其去噪效果要优于传统的小波去噪方法.     

基于非采样Contourlet与全变差模型的图像去噪

分析非采样Contourlet与全变差滤波器在图像去噪中的特点,提出一种基于图像全变差模型的非线性扩散与非采样Contourlet相结合的自适应混合图像去噪算法.该算法在中、低频部分采用全变差扩散,在高频部分采用非采样Contourlet变换,并在此基础上用半软阈值法取代软阈值法.实验结果表明,该算法能够在降低复杂度的同时得到好的滤波效果.     

非下采样Contourlet自适应的地震信号插值方法

为了提高地震数据的重构效果,提出了一种基于非下采样Contourlet变换(NSCT)自适应阈值的插值方法。该算法对缺失地震数据进行变换,并利用NSCT变换系数计算N次迭代对应的阈值。每次迭代时自适应选取阈值对各方向各尺度的NSCT系数进行处理,利用未缺失地震数据填充到反变换后的缺失地震数据中,完成缺失地震数据的重构。实验结果表明,利用NSCT变换的平移不变性和自适应阈值处理,对均匀丢失和随机丢失的地震数据进行插值重构,能得到更好的插值效果。     

基于非子采样Contourlet变换的多聚焦图像融合方法

非子采样Contourlet变换(NSCT),是针对Contourlet变换的一些局限性进行了改进,可以对图像进行灵活的多尺度、多方向和平移不变性分解.提出了一种基于NSCT的多聚焦图像融合方法.首先对多聚焦图像进行NSCT变换;然后对变换得到的低频分量系数采用改进的加权平均融合规则进行融合处理,对高频分量的最高层和其它层系数分别采用绝对值最大和改进的区域方差融合规则进行融合处理;最后重构图像得到融合结果;并给出了实验结果.对结果的分析比较表明,所提出的融合规则的效果优于常用的融合方法和参考文献的融合方法.     

基于NSCT-PCNN变换的多传感器图像融合

针对同源和异源的多传感器图像的特征,提出了一种基于非下采样Contourlet变换(NSCT)和脉冲耦合神经网络(PCNN)的新的图像融合算法。首先,用NSCT对已配准的源图像进行分解,从而准确地提取出了二维和更高维的边缘纹理信息;其次,对低频子带系数采用区域方差进行了整合,从而得到融合图像的低频子带系数,而对高频子带系数提出了一种改进的基于PCNN的图像融合方法来确定融合图像的各带通子带系数;最后通过对所有子带系数进行NSCT逆变换,从而得到了融合图像。实验结果表明,该方法优于Mallat小波方法和传统的NSCT方法,有更好的视觉效果。     

基于NSCT与PCNN的自适应图像融合

提出了一种新的基于非下采样轮廓波(NSCT)和脉冲耦合神经网络(PCNN)相结合的自适应图像融合方法.对已经配准的源图像进行NSCT分解,得到低频子带系数和不同方向的高频子带系数.对NSCT分解的低频部分采用简单的加权平均融合规则;而高通子带系数,采用改进的拉普拉斯能量作为PCNN链接强度的方法.最后,对融合的系数进行NSCT逆变换得到融合图像.实验结果表明,本文算法明显优于其他几种方法,具有更好的融合性能,清晰度更高,是一种可行、有效的图像融合方法.     

基于非抽样Contourlet变换的遥感影像道路提取

提出一种基于非抽样Contourlet变换的遥感影像道路提取算法.该算法首先对图像进行非抽样Contourlet变换得到不同尺度不同方向上的变换系数,再通过给定窗口大小分别计算各个尺度各个方向上的变换系数模在窗口内的局部最大值,然后比较各尺度在同一方向和同一窗口位置上系数模的最大值,取值最大的点作为特征点;同时利用自适应阈值对各个尺度各个方向上的系数模值进行二值化,消除小于一定面积的区域,筛选出特征点位于提取区域内的点;最后以筛选出的特征点为种子点,对道路进行Snake跟踪.实验结果表明:该文算法在道路提取的精确度、完整性方面比小波变换好.     

基于非抽样contourlet变换的图像增强方法

针对实验图像光照不均、对比度低、噪声大等特点,提出一种基于非抽样contourlet变换的图像非线性增强算法.首先对原图进行非抽样contourlet变换,分解为低频和高频子带;然后对低频子图进行自适应直方图处理,以增强像素的对比度,对高频系数采用分层阈值处理和分段非线性变换;最后将其反变换得到增强的图像.仿真实验结果表明:此算法不仅增强效果好,鲁棒性强,而且具有较大的实用价值.     

基于图形处理器硬件加速的高精度医学图像融合算法

提出一种基于图形处理器(GPU)硬件加速的频域非下采样轮廓波变换(FNSCT)算法.该算法构造了更加简单、快速的频域非下采样轮廓波变换,有效消除了传统小波变换以及轮廓波变换应用于图像融合算法时引起的振铃和伪吉布斯现象.结合GPU在并行大规模浮点数及快速傅里叶变换(FFT)上的高速运算能力,解决了非下采样轮廓波变换(NSCT)速度慢的问题,实现了一种高精度的医学图像融合加速算法.     

基于NSCT的低能见度图像边缘检测算法

针对PM2.5雾霾图像能见度低、边缘检测困难的问题,提出了一种采用非下采样轮廓波变换（NSCT）的边缘检测方法。首先对PM2.5雾霾图像进行NSCT分解,然后寻找由同一粗尺度系数分解而来的两个细尺度相邻子带系数,对其求差值,再通过差值图的模极大点来确定边缘点,最后通过NSCT域尺度内和尺度间的融合得到完整边缘图像。实验表明,对雾霾图像,该边缘检测方法所获取的边缘完整、定位准确并且噪声点少。     

基于NSCT变换与自蛇扩散的SAR图像相干斑抑制算法

针对SAR图像中乘性相干斑噪声的抑制与边缘保护问题,提出了一种基于非下采样轮廓波变换(NSCT)与自蛇扩散的抑斑新算法。该算法先利用NSCT变换对SAR图像进行多层子带分解,然后借助自蛇扩散对SAR图像不同子带分别实施参数不同的扩散滤波,最后对各去噪子带进行NSCT重构获得的SAR图像再次进行自蛇扩散滤波处理,从而实现带有边缘保护与增强的SAR图像相干斑抑制。实验表明,与多种传统抑斑算法相比,本文算法在相干斑抑制与边缘保护性能上均有明显提升。