基于Prewitt算子的TV图像去噪算法

分析了传统TV算法抑噪不充分的原因,为了弥补其不足结合图像空间和像素梯度提出了一种改进算法.该算法首先运用Prewitt边缘检测算子分析图像空间梯度,并对空间梯度进行抑制,一定程度上克服了传统TV算法对平坦区抑噪不充分,甚至出现虚假边缘和阶梯效应的缺陷;再结合像素梯度分析了TV去噪的迭代函数完成保边去噪.与传统算法相比,该文算法残余噪声较小且边缘保护较好,提高了图像的PSNR和视觉效果.但对图像较小纹理误作为噪声而去除.     

基于边缘定向增强扩散模型的图像去噪

针对基于全变分(TV)的图像去噪模型,恢复图像存在阶梯现象(staircase)的缺点,提出了一个新的图像恢复的变分模型.定义了一个新的包含图像的边缘位置和方向信息的能量泛函,使得沿图像边缘的切线方向具有较强的平滑能力,而法线方向平滑较弱,可以较好的定位边缘.并且该模型能增强阶跃性边缘,防止因平滑造成的边缘模糊现象.试验结果表明:该模型可以部分的解决基于TV的变分模型中出现的阶梯现象,并且具有较好的去噪效果,而且它还能增强图像边缘并保持边缘的位置,其峰值信噪比(PSNR)在高噪声水平下,较其它方法提高大约1.0dB左右.     

自适应的L1-L2范数正则化图像去噪方法

提出了一种自适应的L1-L2范数正则化图像去噪方法.相比传统的L1范数正则化与L2范数正则化,新方法有效消除了阶梯效应,同时较好的保持了图像边缘信息.为了提高计算效率,将Split Bregman算法框架应用到提出的模型中,有效的提升了收敛速率并减少了计算时间.实验结果与分析验证了L1-L2范数正则化模型在图像去噪效果与计算效率的有效性.     

一个新的离散TVp模型

自适应TVp模型能有效避免TV模型的阶梯效应,但模型的非线性程度较高,求解比较困难.为了解决这个问题,利用每个像素点梯度的向前、向后差分的几何平均定义像素点的梯度模,建立了一个新的离散TVp模型.实验结果表明,该模型能够有效降低TVp模型的非线性程度,恢复的图像的质量比TVp模型的更好,信噪比更高.     

基于ROF模型的图像去噪算法

针对ROF模型在处理纹理丰富的图像时易丢失重要信息的缺点,本文提出用高阶导数构成扩散函数,并用维纳滤波对其进行预处理。实验结果表明了本文方法的有效性。     

基于分数阶变分问题的TV模型

作为图像处理领域中的重要课题,图像去噪问题虽然已被研究多年,但将分数阶微积分应用于此,却还处于刚刚起步的阶段.本文采用频域分数阶化的技巧,引入了频域分数阶差分,并通过整数阶变分导出分数阶变分,再将其应用到分数阶TV模型中.仿真实验表明,频域分数阶差分能更好地保留图像的低频成分;而在图像去噪的研究中,相比整数阶差分,分数阶差分效果更优;并发现极大峰值信噪比的最优阶数和噪声方差有逆向联动关系.     

基于MGGD 和上下文模型的小波域图像去噪

考虑到自然图像小波系数分布的两个统计特性,用多元广义高斯分布（MGGD）模型描述小波系数的统计分布,采用基于上下文模型的自适应协方差矩阵估计,再利用最大后验概率估计原始图像的小波系数。实验表明,该方法在直观视觉上去噪效果明显,在信噪比方面也要优于其他的一些小波去噪方法。     

基于改进总变差模型的图像去噪算法

总变差模型(TV)是基于偏微分方程图像去噪模型中的经典模型,但去噪的过程中存在阶梯效应(块儿效应),使去噪后的图像显得很不自然,这是由于TV模型的分段平滑造成的.本文加入自适应系数,使其在平滑区域退化为类似于拉普拉斯算子的各向同性扩散,加快扩散速度,消除阶梯效应;在边缘位置,新模型沿切线方向扩算,抑制法线方向扩散,保持边缘.     

基于自适应参数的全变分综合图像去噪模型

分析了ROF去噪模型和LLT去噪模型的优缺点,提出了一种基于自适应参数的全变分综合图像去噪模型.先利用高斯滤波对噪声图像进行预处理,以减少噪声在后续处理时被当成假边缘的可能性,再根据图像中每一像素点的梯度信息,自适应地选取模型中决定平滑强弱的参数,使模型能在接近图像边缘处平滑较弱,在远离边缘处平滑较强.实验表明,本模型在去噪的同时能有效地保留图像的纹理信息,并对降噪性能指标有较好的提高.     

基于四方向全变分的图像去噪模型

构造了一个四方向全变分（TV4）模型,并给出了求解模型的不动点方法.该模型采用每个像素点的梯度的向前、向后差分定义梯度模,能有效降低全变分（TV）模型的非线性程度.实验结果表明, TV4模型在一定程度上减少了TV模型的阶梯效应,且收敛速度比TV模型快.     

基于四方向全变分的图像去噪模型

构造了一个四方向全变分（TV4）模型,并给出了求解模型的不动点方法.该模型采用每个像素点的梯度的向前、向后差分定义梯度模,能有效降低全变分（TV）模型的非线性程度.实验结果表明, TV4模型在一定程度上减少了TV模型的阶梯效应,且收敛速度比TV模型快.     

基于小波变换的图像去噪技术

近年来,采用小波变换进行图像去噪已成为一个活跃的研究课题。本文全面介绍了小波变换在图像去噪中的应用现状和方法分类,并对当前存在的几类去噪方法进行了分析比较,以利于对该领域的进一步研究。     

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。     

小波域中基于模糊的图像去噪方法

在图像去噪方法中,信号局部方差估计的准确性对去噪效果起至关重要的作用．根据图像小波系数与邻近点的相关性,把模糊（Fuzzy-based）函数用于估计信号的局部方差,根据局部噪声变化自适应地去除噪声．仿真表明,提出的局部方差估计算法FLAWML的去噪效果相对其他算法有较好的改善,保存了图像的边缘细节,增强了图像视觉效果．     

小波域联合概率分布模型与Bayesian图像去噪

基于小波分解的图像小波系数在层内和层间解相关而相互依存的客观现实,提出了一个联合层内和层间两方向系数的非高斯联合概率分布模型.以此模型作为先验分布,在Bayesian估计理论的框架下,导出小波系数闭式的最大后验(MAP)估计公式,并用高斯噪声污染的典型图像进行了实验.结果显示,由该估计公式计算得到的去噪图像不仅有较少的均方误差(MSE),还具有保护和增强边缘的能力.     

基于小波变换和中值滤波的医学图像去噪

简单介绍了离散小波变换、二维小波变换分解与重构和中值滤波的原理,提出了利用小波变换、中值滤波对含有高斯和脉冲两者混合噪声的医学CT图像进行去噪的一种新方法。实验结果表明:这种方法能够有效改善图像质量,较好地保持图像视觉效果,降低图像噪声;此方法的效果优于单纯的小波变换或单纯的中值滤波或先中值滤波再小波变换去噪的方法,是去除CT图像中含高斯和脉冲两者混合噪声的一种比较理想的方法。     

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。