基于全变差模型与卷积神经网络的模糊图像恢复

为了提高模糊图像恢复性能,采用全变差(TV)正则模型进行粗粒度去模糊,运用卷积神经网络(CNN)算法进行模糊图像的像素恢复。首先,根据图像包含的噪声类型选择合适的TV模型,并针对每个像素点进行原始图像和模糊图像的TV正则最小值求解,以实现图像去模糊操作。然后,建立CNN图像恢复优化模型,将经过TV正则化后的分块图像样本作为CNN输入,结合图像信噪比(SNR)增益阈值,通过训练获得图像恢复结果。实验结果表明,采用TV正则策略及CNN的卷积优化,能够满足不同图像模糊核类别和尺寸,以及不同噪声的图像恢复需求,有效提高模糊图像的复原性能。分别采用R-L算法、反向传播神经网络(BPNN)、生成对抗网络(GAN)和TV-CNN算法对5类图像样本集进行性能仿真。通过合理设置卷积核尺寸,相比于其他模糊图像恢复算法,TV-CNN算法能够获得更优的图像恢复质量,且能够有效应对不同模糊核尺寸和不同等级噪声所带来的图像恢复难的问题。     

基于边缘检测的高斯噪声滤波算法

针对传统去噪方法在滤除高斯噪声时导致图像边缘细节模糊的情况,提出一种基于边缘检测的去噪算法。先用Canny算子检测图像边缘,对边缘部分用K近邻平滑滤波器去噪,再对非边缘区域像素用改进的加权均值滤波器去噪。该算法具有较好的边界保持效果,与同类去噪算法相比具有更高的峰值信噪比。     

Richardson-Lucy与调制核相结合的图像复原方法

针对模糊含噪图像,提出了一种新的图像复原方法.该方法通过将调制核算法和Richardson-Lucy算法相结合,先对模糊含噪图像运用调制核算法去噪,提高图像的信噪比,然后运用Richardson-Lucy迭代算法复原图像.克服了单纯使用Richardson-Lucy复原算法由于反复迭代所带来的噪音放大问题,并通过实验进行了验证,发现该方法能够使复原效果得到明显改善.     

基于复合稀疏约束的近似消息传递CS重构算法

压缩感知(CS)重构中的近似消息传递(AMP)算法通过迭代执行小波阈值操作和残差更新来快速准确地实现稀疏信号重构,但它所采用的小波系数稀疏约束并不适用于非稀疏的自然图像,尤其CS观测过程存在噪声干扰时.为此,文中提出了一种基于复合稀疏约束和AMP框架的CS图像重构算法,使用相似图像块低秩约束和双边滤波约束作为自然图像的联合先验信息,以改善图像规则纹理和边缘的恢复效果,从而提升算法的重构性能.无噪CS观测的重构实验表明,文中算法的峰值信噪比(PSNR)比仅用低秩约束的AMP算法提高了0.45 d B,比原始AMP算法高6.19 d B;而在含噪CS观测的重构实验中,对应的PSNR增益则分别是0.25和4.60 d B;无论是无噪观测还是含噪观测,文中算法都获得了更佳的主观视觉效果.     

一种改进的NAS-RIF图像盲复原算法

针对模糊含噪退化图像的盲复原处理,文章以NAS-RIF算法为基础,对其存在的抑制噪声不理想的缺陷进行了相应改进.首先采用基于最小二乘支持向量机的去噪方法对退化图像进行预处理,在抑制噪声的同时保持图像的细节特征,进而在每次复原迭代过程中加入低通滤波环节,进一步减少噪声对代价函数收敛的影响,提高复原图像的信噪比.另外,对退化图像使用了阈值分割技术确定图像支撑域,保证复原的准确性.实验结果表明,改进的NAS-RIF算法抗噪声干扰的能力比原算法有显著的提高.     

基于小波变换和FASTICA算法的有噪混合图像盲分离

简要介绍了独立分量分析的基本数学模型和算法,在此基础上,探讨了独立分量分析在有噪混合图像分离中的应用,提出了一种将小波阈值法去噪与独立分量分析相结合的多通道含噪盲信号分离算法,该算法在对混合含噪图像进行独立分量分析之前,使用小波阈值去噪去除含噪混合图像中的噪声.实验结果表明,该方法能有效地降低噪声信号的影响,较好地恢复了原始图像,解决了传统的独立分量分析方法无法实现加性噪声的多通道含噪盲信号分离的缺陷.     

基于PDE算法的指静脉图像预处理

为了更好地去除手指静脉图片中的噪声, 提出一种基于偏微分方程算法（PDE）的去噪新模型. 该模型在P M模型的基础上, 采用新的扩散函数, 并结合四阶PDE模型对原模型结构进行变换. 用合成图像和真实指静脉图像分别对新模型进行实验验证, 结果表明, 相对于P M模型, 新模型使信噪比（SNR）值提高了约5 dB, 且能在去除噪声的同时很好地保持指静脉特征.     

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.     

一种基于关联向量回归的盲图像复原

提出一种基于关联向量回归模型的盲图像复原算法.用模糊噪声图像作为训练集合,由此得到关联向量回归模型.该模型可用于恢复受不同类型模糊和不同噪声污染的图像.实验结果表明:同其他盲复原算法相比,该算法对点扩展函数(PSF)类型和噪声都有较强的鲁棒性.同时,从改善信噪比大小和主观视觉两个方面,该算法都能取得良好的复原效果.     

模糊图像的不连续边缘智能检测改进算法

针对传统不连续边缘检测算法利用增强图像边缘对比度进行检测, 只适用于检测灰度值变化不强烈及含有普通噪声的图像边缘, 检测性能具有局限性的问题, 提出一种模糊图像的不连续边缘智能检测改进算法. 首先通过广义交叉验证准则获取图像噪声方差估计值, 对图像中高斯噪声进行判别, 使用自适应模糊滤波器对含噪图像进行模糊滤波处理; 然后采用改进模糊图像边缘检测算法, 按图像含噪情形制定边缘检测策略, 获取模糊图像边缘; 最后通过灰度形态学的模糊图像不连续边缘检测算法, 对模糊图像边缘受灰度值不均匀变化形成的膨胀、 腐蚀、 形态学梯度型不连续边缘进行检测. 实验结果表明, 该算法抗噪性较高, 模糊图像不连续边缘检测的结果更清晰、 完整.     

模糊图像的不连续边缘智能检测改进算法

针对传统不连续边缘检测算法利用增强图像边缘对比度进行检测, 只适用于检测灰度值变化不强烈及含有普通噪声的图像边缘, 检测性能具有局限性的问题, 提出一种模糊图像的不连续边缘智能检测改进算法. 首先通过广义交叉验证准则获取图像噪声方差估计值, 对图像中高斯噪声进行判别, 使用自适应模糊滤波器对含噪图像进行模糊滤波处理; 然后采用改进模糊图像边缘检测算法, 按图像含噪情形制定边缘检测策略, 获取模糊图像边缘； 最后通过灰度形态学的模糊图像不连续边缘检测算法, 对模糊图像边缘受灰度值不均匀变化形成的膨胀、 腐蚀、 形态学梯度型不连续边缘进行检测. 实验结果表明, 该算法抗噪性较高, 模糊图像不连续边缘检测的结果更清晰、 完整.     

基于自适应模糊阈值小波的图像去噪

针对小渡变换多分辨分析(MRA)的特点，本提出一种多尺度分级的自适应模糊权重中值滤波的去噪方法．首先，利用开关控制策略的模糊理论建立隶属函数，用高斯自适应模型对噪声点进行预检测，然后在每一级小波变换过程中应用自适应模糊中值滤波(AFWMF)算法进行噪声滤波．实验表明，常规的小波去噪方法只能去除图像中的高斯噪声。该方法既能去除高斯噪声也能去除非高斯噪声．与中值滤波方法相比，该方法在去噪的同时能保留大量的原图像边缘、细节等重要信息，具有更好的去噪效果．     

基于维纳滤波算法的医学影像图像除噪分析研究

对医学影像图像运用维纳滤波算法的数学模型进行了分析,采用MATLAB平台对基于维纳滤波算法的医学影像图像除噪进行了算法实现设计,并分别对不同信噪比值时加有高斯噪声的运动模糊退化的大脑医学影像图像进行维纳滤波除噪仿真研究,仿真结果表明理论分析与实验一致.     

荧光3维解卷积成像及其正则化方法

解卷积荧光成像方法由于能够提高图像质量,因此在生物领域得到越来越广泛的应用。该文基于RichardsonLucy(R-L)算法,提出全变分(TV)正则化的盲解卷积算法。采用根据实际实验系统参数仿真的球模型以及真实的荧光图像,来比较正则化前后图像的复原效果。结果表明:R-L算法可以去除由于点扩散函数引起的大部分模糊,而随着迭代次数的增加,TV正则化算法能抑制噪声的放大。TV正则化的盲解卷积算法在复原实际的生物图片中效果较好。     

苹果采摘机器人夜视图像的小波模糊阈值降噪

为实现苹果采摘机器人的全天候作业,对采集到的夜间图像进行了相关研究.在分析夜视图像噪声的基础上,运用小波阈值方法进行图像的降噪处理,针对阈值算法的潜在缺点,通过构造模糊阈值函数,提出小波模糊阈值的夜视图像降噪算法.实验结果表明:从视觉上看小波模糊阈值降噪方法得到的低噪图像噪点明显减少;从客观数据比较,其相对峰值信噪比有较大幅度提高.新方法显示出在夜视图像降噪方面有着独特优势,为实现苹果采摘机器人的全天候作业打下基础.     

基于多小波多层阈值图像去噪方法的改进

在多层阈值去噪方法的基础上, 采用均值逼近法对含噪图像进行预处理. 通过均值逼近法降低白噪声的方差, 用多层阈值去噪方法去噪, 有利于信噪分离. 结果表明, 该方法对图像去噪可行有效, 进一步提高了信噪比.     

基于改进的MCA和K-SVD的图像稀疏表示去噪算法

图像去噪是图像处理中的关键问题之一,传统的图像去噪方法是基于小波阈值变换的,其去噪效果较好,但容易丢失细节信息,导致边缘模糊,针对传统去噪方法存在的不足,本文提出一种基于形态学成分分析(Morphological Component Analysis,MCA)和K奇异值分析(K-SVD)的图像去噪方法.考虑到传统的MCA算法对图像的稀疏性要求较高,本文通过求解最接近l1范数的若干次优解和最小l1范数解进行加权叠加,并将结果作为源信号的估计,改进了传统MCA算法中对图像稀疏性的高要求,提高了对源信号估计的精度.本文方法首先采用改进的MCA算法将含噪图像划分为平滑部分、纹理部分和边缘部分;然后对平滑的结构部分采用小波阈值去噪,并利用改进的K-SVD去噪算法对纹理部分和边缘部分进行自适应去噪,最后将三部分合起来得到最终去噪图像.实验表明,该方法相比于传统的图像去噪方法能够更好地滤除噪声,保留图像的细节特征和边缘信息,获得更高的峰值信噪比值.     

引导滤波和三维块匹配结合的红外图像去噪

针对红外图像存在噪声较大的问题,提出了一种引导滤波和三维块匹配结合的红外图像去噪方法.该方法通过将引导滤波与三维块匹配方法相结合,采用二次联合滤波的策略减轻了三维块匹配去噪方法在平滑区产生明显的“抓痕”现象.通过BM3D (block method of 3-dimension)去噪方法得到初始滤波图像;对噪声图像在低尺度进行BM3D去噪得到比较平滑的引导图像,用引导图像指导初始滤波图像进行二次滤波.仿真结果表明,提出的算法既保持了BM3D去噪算法的优秀性能,且具有更好的视觉效果和更高的峰值信噪比及结构相似度.     

基于改进型P＆M模型算法的图像去噪

高斯滤波算法在去噪时能平滑图像,但是会破坏图像的边缘细节,而基于PDE的各向异性扩散的P＆M模型算法在去噪时能保留图像的边缘细节,但是会出现零散的斑点。结合两种算法的优点,通过对扩散系数进行改进,提出一种改进型P＆M模型算法。仿真结果表明,该算法能够有效地去除噪声图像中的高斯白噪声和椒盐噪声,能够更好地保留图像的边缘细节,与高斯滤波算法和P＆M模型算法相比,改进型P＆M模型算法具有更好的去噪性能。     

CEEMDAN自适应阈值去噪算法在地震方向的应用

提出一种基于自适应完备集合经验模态分解(CEEMDAN,complete ensemble empirical mode decomposition with adaptive noise)的自适应阈值去噪算法。含噪信号经CEEMDAN算法分解成若干个模态分量(IMF,intrinsic mode functions),根据样本熵理论,对IMF分量中高频分量自适应选取,根据噪声和有用信息与原始信号的相关性不同,对高频分量中的噪声系数定位,利用能量熵选取噪声主区间,用高频分量中噪声主区间的噪声系数方差作为阈值,对高频分量进行阈值去噪,进一步去除噪声,保留高频中的有用信息,最后将信噪分离的高频分量和低频分量重构。分别对合成和实际地震信号去噪处理,并与常规去噪算法进行对比。数据仿真和实验结果表明,在原始信号信噪比为0.5dB时,常规与改进算法去噪后信噪比分别为4.55dB和9.97dB,大幅提高信噪比,达到随机噪声压制的目的,实现了高频分量的自适应选取和高频分量中有用信息的再提取。