基于边缘检测的自适应非局部均值去噪算法

针对图像去噪处理中非局部均值(NLM)算法造成的平滑图像细节丢失问题,提出基于边缘检测的自适应非局部均值去噪(ANLM)算法。利用canny算子提取图像边缘结构图,比较待处理像素所在图像块和邻域图像块边缘结构的相似度,判断当前图像块所处图像区域的结构特征,设定相关阈值,自适应选取滤波参数,调整像素在平均过程中的权值。实验结果表明,ANLM算法相比NLM算法,能更有效去噪,可保留更多的边缘结构特征,细节信息更为丰富。     

基于权重系数模糊C均值聚类

传统基于模糊C均值聚类图像分割算法易受复杂纹理和噪声干扰,无法准确分割图像。针对这一现象,提出一种基于权重系数模糊C均值聚类算法,并将其应用于图像分割中。算法定义权重系数矩阵,将每个像点的邻域信息引入到像点间相似性度量中,计算每个像点与聚类中心点的邻域相似程度,根据权重系数矩阵确定邻域中每个像点在邻域特征计算中所占权重,增强了算法对噪点和杂波的鲁棒性。实验结果表明,与传统模糊C均值聚类算法相比,该文算法获得更加精确的图像分割结果。     

保持纹理细节的自适应非局部均值图像降噪

主邻域字典(principal neighborhood dictionaries, PND)非局部均值(nonlocal means, NLM)是一种基于主成分分析(principal component analysis , PCA)的有效图像降噪方法, 但因其未能充分利用图像的内容结构信息, 对纹理细节较多区域的降噪效果较差. 改进PND 方法, 实现基于PCA 的自适应非局部均值降噪. 根据图像局部内容调整滤波参数h, 得到动态变化的像素间相似权值. 实验结果表明, 该方法能更好地保留图像纹理和边缘信息, 降噪效果优于非自适应的PND 方法.     

边缘导向的非局部均值图像滤波

传统去噪方法在处理高强度噪声干扰图像时, 往往不能有效去除噪声且在修复过程容易引入二次污染。为此, 提出一种边缘图导向的非局部图像均值滤波算法。 首先获取二阶差分边缘信息, 在非局部范围内搜索相似块, 以边缘导向图与噪声图像共同生成滤波器权值, 进而构建由边缘信息导向的非局部协同滤波框架。 与传统滤波为代表的局部线性滤波方法相比, 所提出算法能挖掘图像边缘信息并利用一种新的非局部协同滤波框架进行图像去噪, 因此增强了高强度噪声干扰环境下的边缘修复能力。 实验证明, 提出算法在高强度噪声污染的情况下, 修复的图像不仅获得了更高的测量指标, 视觉效果也更加理想。     

基于先验信息的全变分图像复原算法

为了提高全变分模型的图像复原效果,提出一种基于先验信息的全变分图像复原算法.首先,采用能够有效保护滤波后图像结构信息的非局部均值算法对模糊退化图像进行滤波以减少其中所含噪声,获取滤波后的先验图像信息.然后,构建基于该先验信息的全变分图像复原模型,该模型不仅保留了全变分模型对复原图像边界信息的保护优势,也保留了非局部均值的结构信息保护优势.最后,采用分裂Bregman交替方向乘子迭代算法对所提模型进行优化,得到复原后的图像.实验结果表明,无论从主观视觉效果方面,还是从峰值信噪比与结构相似性客观量化指标方面对所复原图像进行评价,与其他算法相比,所提算法均能取得较好的复原效果.     

基于改进的邻域嵌入算法的图像超分辨率研究

本文提出了一种基于改进的邻域嵌入算法的图像超分辨率重建方法,基本思路是同时利用低分辨率图像自身和外部训练集的信息指导高分辨率图像的重建.邻域嵌入算法往往要求训练图像库包含广泛的细节信息,重建质量取决于测试图像和训练图像的相似程度,当在图像库中找不到相似的训练图像块时,重建结果局部就会出现失真或模糊,而且在此过程中低分辨率测试图像本身所含的先验信息常被忽视.针对此类问题,本文引入图像的多尺度相似性,即不同尺度的图像所包含的局部结构相似,同时在寻找近邻图像块时采用双层寻找的方式,并将固定的邻域数目K改为设定固定阈值.实验结果表明,本算法不仅能够减小测试图像对训练图像集的依赖,而且能够克服重建过程中欠拟合和过拟合造成的失真,具有较快的运行速度.     

基于稀疏邻域嵌入法的图像超分辨技术研究

到现在为止,基于邻域嵌入法(NE)的图像超分辨(SR)技术都采用两个独立的步骤合成高分辨的图像。首先以Eu-clidean距离作为标准进行邻域搜索,然后通过求解一个约束最小均方问题得到最优的加权值。然而,采用两个独立的过程并不是最优的。提出一种基于稀疏邻域选择的图像超分辨算法。首先确定可能的邻域范围,然后采用稳健SL0算法同时找出邻域和加权值。由于采用聚类方法,用于重建的k个最近邻域(k-NN)具有相似的局部几何结构,可以采用一种叫做方向梯度直方图(HoG)的统计方法对低分辨图像块进行聚类。通过在合成过程中利用HoG的局部结构信息,每幅低分辨图像的k-NN都能从相对应的子集中自适应的选择,从而在保证合成图像质量的前提下大大提高了合成高分辨图像的速度。仿真表明本文算法能够得到与传统方法相似的结果。     

基于3维轴距与非局部均值的无人机巡检图像去噪算法

无人机搭载摄像设备获得输电线路的数字图像,利用数字图像处理技术可以提高故障识别率,而图像在采集和传输过程中易受到噪声干扰,图像质量受损不利于后续输电线故障识别,因而有必要对图像进行去噪处理。以无人机巡检高压输电线图像为对象,针对航拍图像中存在椒盐噪声问题,研究了椒盐噪声的3维直方图分布特点,并且在非局部均值滤波算法的基础上改进相似性权重,提出一种结合3维轴距的非局部均值去噪方法,解决了原非局部均值算法主要针对高斯噪声以及耗时过长的问题。首先,根据椒盐噪声的特点,对含噪图像进行3维轴距预滤波处理,计算图像中每个像素点的3维轴距,依据轴距检测噪声点,并对噪声点进行中值滤波。其次,对噪声点和非噪声点设置不同的权重,噪声点不计入相似性度量中,使得像素块之间相似度判断更加准确,利用改进的权重计算函数作非局部均值去噪。实验结果表明,所提算法能够有效去除巡检图像中的椒盐噪声,尤其是背景复杂图像中有显著的去噪效果,图像细节和边缘信息保持较好。同时所提算法与原非局部均值相比,耗时低,实时性得以提高。     

一种基于模糊加权非局部均值图像滤波方法研究

针对传统均值滤波算法滤除混合噪声以及随机值脉冲过程中滤除效果差的问题,提出一种新的模糊加权非局部均值滤波方法.该算法在传统的非局部均值滤波算法基础上,引入了模糊信息价值指数,对图像中的每一个像素点进行标记.由该指标对图像中像素点信息价值性进行判断,抑制脉冲分量的影响.实验结果表明,所提出算法的滤除噪声视觉效果更加清晰,能够有效滤除混合噪声以及随机值脉冲.     

基于离散余弦变换的非局部均值滤波算法

要非局部均值(non-local means,NLM)去噪算法已成为较有效去除图像噪声的算法之一。然而,当噪声水平较高时,NLM不能准确地计算图像块之间的相似度权重值,影响图像的去噪效果。针对上述问题,结合离散余弦变换(discrete cosinetransform,DCT)提出了基于DCT的非局部均值滤波算法。首先,利用DCT的低频系数重构图像,以达到滤除部分噪声的同时保护图像的主要内容。其次,利用重构图像较准确地计算图像块之间的相似度权重值,将NLM去噪算法用于噪声图像。实验结果表明,该算法能够得到较高的峰值信噪比(peak signal to noise ratio,PSNR)和更好的视觉效果。