基于生成对抗网络的SAR图像去噪

合成孔径雷达(synthetic aperture radar,SAR)图像是一种能够全天时、全天候产生高分辨率图像的主动式对地观测系统,在农业和军事等方面得到了广泛应用.然而,由于相干成像机制受到相干斑噪声的影响,因此提出了一种基于生成式对抗网络的SAR图像盲去噪算法,构造了基于残差结构的深度卷积神经网络(deep convolutional neural network,DCNN)作为生成网络,可以加速训练过程,提高去噪性能.本文还利用峰值信噪比(peak signal to noise ratio,PSNR)和结构相似指数(structural similarity index measure,SSIM)定义一种新的损失函数,使得去噪后的图像更符合人眼的视觉感知要求.实验结果表明,本文算法可以有效地抑制SAR图像中的相干噪声,获得良好的去噪效果.     

基于相似性验证与子块排序的NSST域SAR图像去噪

为了改进传统的非局部变换域合成孔径雷达（synthetic aperture radar,SAR）图像去噪算法不考虑子块关系的缺点,结合相似性验证与子块排序提出一种新的非下采样剪切波（non-subsampled shearlet transform,NSST）域SAR图像去噪算法.构造NSST域SAR图像相似块之间距离的密度分布;利用子块之间的相似性,去除相似性较低的子块;结合子块排序和最优一维滤波对SAR图像进行去噪.实验结果表明,与其他经典去噪算法相比,等效视数平均提升6.92,边缘保持指数更接近1,无参考质量评价指数平均降低2.51,能更好地保持图像边缘和纹理信息,改善图像的视觉效果.      

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...     

基于非局部自适应字典的SAR图像迭代去噪算法

为了更好地利用SAR图像携带的信息,相干斑噪声的抑制成为各国学者研究的热点之一.结合稀疏表示理论和图像的非局部自相似理论,提出了一种基于非局部块匹配与自适应字典的K-singular value decomposition(K-SVD)的synthetic aperture radar(SAR)图像迭代去噪算法.首先,在每次迭代中,利用非局部块匹配算法对上一次迭代的结果进行匹配分组,然后对每组相似块进行自适应字典更新,并用图像块替换字典原子来提高字典训练的效率,最后通过K-SVD的迭代实现SAR图像的去噪效果.实验结果表明,该算法具有更好的去噪能力,能更好地保持图像的细节和纹理等有用信息.     

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.     

基于复轮廓波域高斯比例混合模型SAR图像去噪

在分析了SAR图像的噪声成因及其噪声模型的基础上,提出了一种适用于复轮廓波变换域的高斯比例混合模型的SAR图像去噪(CCT-GMS)算法.本文所提出的算法具有多方向多尺度移不变性,并且充分的利用了复轮廓波的时域和频域的特性,改善了图像的视觉效果.实验结果表明:相比使用小波-轮廓波加上Cycle Spinning去噪,本文算法的峰值信噪比提高2 dB,相比使用BLS-GMS去噪,本文的算法抑制了人造纹理产生,视觉效果得到了明显的改善.     

基于局部统计的自适应SAR图像去噪算法研究

合成孔径雷达(SAR)图像固有的相干斑噪声对图像质量有严重影响,使检测、识别等进一步应用受到很大限制.相干斑噪声是一种乘性噪声,传统的空域去噪算法(均值滤波、中值滤波)难以将其消除.针对SAR图像的去噪问题,本文研究了Lee滤波和Kuan滤波两种基于局部统计的自适应去噪算法,给出了MATLAB实现并在MSTAR的SAR图像上进行实验.结果表明,Lee滤波和Kuan滤波都能够有效抑制SAR图像的相干斑噪声,去噪图像更平滑,目标更清晰.与传统的均值滤波和中值滤波相比,这两种基于局部统计的自适应去噪算法在视觉效果、方差和等效视数等评价指标上取得更好效果.     

SAR图像小波域消噪方法

目的 介绍小波域SAR图像消噪算法，并且提出一个小波域内利用多重分形参数修正的雷达图像消噪算法。方法 在系统分析SAR图像与小波之间联系的基础上，通过实验表明SAR图像中原始信号与噪声的多重分形参数不同，采用小波域内对多重分形谱相关的Hoelder指数修正方法进行SAR图像消噪。结果 该算法可以在保留信号边缘、纹理等奇异性情况下，消除斑点噪声。结论 小波进行SAR图像消噪具有独特的优势，随着如分形理论的各种非线性理论的引入，对于具有非线性特征的SAR图像斑点消噪研究将取得更好的效果。     

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.     

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GGD模型独立成分分析算法的局部稳定性分析

 基于广义Gauss概率密度模型对超Gauss和亚Gauss源混合信号进行盲分离, 在Stiefel流形的自然梯度法框架下, 分析了独立成分分析算法的局部稳定性, 并采用几种典型非线性函数验证了所得结论的正确性和适用性.     

基于H-NL-MTV模型的单幅彩色图像去雾

基于暗原色先验理论的算法可以对不同场景下的雾天图像进行有效去雾,但是去雾后图像通常含有较多噪声.而非局部MTV模型(Non-Local Multi-Channel Total Varia-tion)可以用于彩色图像去噪,同时又具有良好的保持边缘作用,并且对含有纹理的彩色图像去噪后依然能保留原有的纹理特征.文中将这两种方法结合在一起,提出新的图像去雾算法,首先建立大气光值与大气传输函数相关的能量泛函(H-NL-MTV模型),然后利用交替方向乘子法引入辅助变量求解能量泛函,最后利用MATLAB软件进行仿真实验.仿真结果表明,该模型得到的图像清晰自然,图像边缘保持良好,纹理特征得到保留.     

一种新的基于倒谱法和Richardson-Lucy算法的运动图像盲复原方法

运动图像的盲复原,一直是图像处理领域的难点,本文根据运动模糊图像特点,提出了一种鲁棒、高效保留图像细节和纹理特征的图像盲复原算法.在图像的复原过程中运用了基于最大似然函数的Richardson-Lucy滤波方法只需知道模糊类型,不需要其它任何先验知识,就能做到有效复原,适用范围广,能对线性匀速运动类型的模糊、振动模糊、旋转模糊都有效,鲁棒性好,抗噪能力强.     

自适应阈值小波在指纹图像去噪中的应用

目前指纹识别技术具有很广泛的应用,但通常指纹图像含有混合噪声,而传统小波阈值去噪算法对含有混合噪声的图像去噪时,存在混合噪声去除不彻底的问题,为此提出了一种改进的自适应阈值和连续型低误差阈值函数的小波去噪算法.首先,算法对含有混合噪声的指纹图像进行一次中值滤波去噪.然后,设计了一种新的自适应阈值,小波分解层数越大新阈值就会越小,就能更好地体现噪声信号在进行小波分解时减小的特征.最后,设计了连续型低误差改进阈值函数,改进的函数是连续的,并且阈值达到极限时误差为0.改进后的算法使得估计的小波系数更加接近真实系数,重构后的图像更接近原始图像.实验结果表明,该算法对含有高斯噪声和椒盐噪声的指纹图像处理时,相比于其他算法,得到了更好的峰值信噪比和均方误差数值,去噪后的指纹图像纹理显示更加清晰.     

基于全变分自适应保真项去噪算法的数值实现

基于全变差图像去噪经典算法,提出一种自适应保真项的数值实现算法.该算法利用图像纹理区和光滑区中噪声的不同特点,采用不同去噪强度避免传统方法的不足,并以数值方法实现.在保持经典算法去噪效果的前提下,解决了原有阶梯效应和过度平滑的问题,尤其对精致的纹理和细节图像,使其在去噪的同时,不丢失图像特点.该方法处理相对简单,可应用于以偏微分方程为基础的图像处理.     

基于双变量收缩函数与小波系数增强的SAR图像去噪

在充分考虑斑点噪声模型特殊性的基础上,将双变量收缩函数与小波系数显著性增强相结合,提出一种新的用于SAR图像的斑点抑制算法.将双变量收缩函数与双树复小波推广至斑点噪声模型,利用相邻尺度小波系数的联合概率密度函数与噪声的统计模型联立后,通过最大后验概率估计出滤波后图像的小波系数,再采用小波系数的模极大值准则对系数进行显著性增强,突出图像的边缘特征和点特征.仿真实验表明,与其他传统的去噪算法相比,该算法具有更好的去噪效果.     

基于多小波去噪的NAS-RIF图像盲复原算法

采用多小波技术对模糊图像进行了去噪,再应用NAS-RIF图像盲复原算法对去噪后图像进行复原.如此算法在抑制了噪声的放大,提高了退化图像的信噪比,保护退化图像的边缘特征和提高退化图像的视觉效果上均有所改善.实验结果表明,改进后的算法具有更好的抗噪性能和复原效果.     

基于D-S证据理论的SAR图像边缘融合检测算法

针对含噪SAR图像的统计特性,提出了一种基于D-S证据理论的SAR图像边缘检测算法。该算法采用非下采样Contourle变换,结合Ratio算法良好的抗噪和恒虚警性能,构建基本置信指派函数。最后对实测的SAR图像进行仿真,仿真结果表明该算法具有良好的抑制斑点效果,并能完整和准确地检测直线边缘,对弱边缘检测也表现良好。     

基于Tetrolet变换的自适应阈值去噪

提出一种新的阈值函数,在Tetrolet变换域中利用此阈值函数通过最小均方误差进行自适应图像去噪.此方法主要优点是利用图像Tetrolet变换的多尺度框架和方向性来保留原始图像的边缘和纹理等重要信息,同时在Tetrolet变换域中利用新阈值函数通过LMS算法来对图像自适应去噪.实验结果表明:该算法具有更高的峰值信噪比和更好的视觉效果,是有效可行的.     

基于改进小波变换的图像去噪与融合

为了提高图像去噪的质量，提出一种基于改进小波阈值的图像去噪和融合算法。首先利用小波阈值法和传统均值法对含噪图像进行去噪，得到两幅去噪图像；然后采用小波融合方法进行图像融合，得到最后的去噪图像。针对图像小波系数分布特点，低频系数采取加权能量融合算法，高频系数采取局部均值和局部标准差相结合的融合算法，尽可能保留图像的边缘纹理信息。为了验证该方法的有效性，与多种滤波方法进行比较，实验结果表明，在视觉效果和峰值信噪比定量指标上该方法去噪效果均优于单一小波去噪。