基于高斯曲率和变指数扩散系数的图像去噪模型

由于TV模型在去噪的过程中容易模糊小梯度边缘并产生虚假边缘,本文提出一种联合高斯曲率和变指数扩散系数的图像消噪模型。试验表明,该模型能更好地保留小梯度特征,减少虚假的边缘的产生。     

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.     

基于自适应梯度阈值的各向异性去噪模型

为了在去除噪声的同时保护图像的边缘和细节,提出了基于自适应梯度阈值的各向异性扩散模型.该模型将P-M模型中的固定边缘阈值改为随梯度模变化的自适应阈值,改进了扩散函数,加入了保真项.实验结果表明, IPM模型优于传统的各向异性去噪模型.     

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.     

基于小波变换的扩散滤波模型数值解的收敛性

证明了基于小波变换的扩散滤波模型数值解的收敛性.结果表明,如果假定该模型的弱解存在惟一并满足一些正则性假设,则用半隐迭代格式得到的数值解收敛到原方程的弱解.考虑到图像边缘的多尺度效应,该模型用小波变换模代替以往模型中的梯度模,在去噪的同时较好地保持了图像的边缘信息,并克服了经典去噪模型不能有效地除去图像边缘处噪声的弱点.该模型在医学图像处理中展现了良好的性能.     

基于交叠组合稀疏全变分的图像去噪方法

全变分作为一种常用的去噪模型,在图像去噪中较好地保持图像边缘信息,但是容易产生"阶梯效应"。为了克服这个缺点,提出一种基于快速傅里叶变换的交叠组合稀疏全变分去噪模型。首先,充分考虑图像梯度的邻域结构相识性,通过交叠组合计算像素点的梯度,以凸显平滑区域的高噪声污染点和边界区域像素点的差异。然后,基于快速傅里叶变换和交替方向乘子算法在频域中求解去噪模型。实验结果表明,新模型在保护图像边缘信息的同时,有效去除噪声,同时抑制"阶梯效应"。与几种较好的去噪算法相比,新模型的峰值信噪比、结构相识度、视觉效果、计算效率均有明显提高。     

自适应窗口的图像平滑去噪

传统平滑去噪常常引起图像结构信息的损失,本文在分析了结构信息损失原因的基础上,设计一种新的自适应平滑窗口进行去噪,达到既去除了窗口内的噪声,又能保留结构信息的目的.该方法首先运用梯度来表示含噪图像的结构信息大小和方向,并以此为据设计窗口的尺寸和方向.梯度越小窗口尺寸越大,窗口形状和方向随着梯度的变化而变化,使得窗口内图像像素的个数在梯度较小的方向上增加.其次,为了保留窗口内图像结构信息运用高斯函数进行去噪处理.与传统去噪相比,由于该方法对图像边缘和纹理以及平滑区域采用了不同的窗口进行去噪,从而抑制了结构信息对去噪的影响,提高了图像的视觉效果.     

改进的分数阶自适应PDE去噪算法

结合ROF模型和四阶PDE去噪模型提出一种改进的分数阶自适应PDE去噪算法.改进算法根据各个像素点的梯度信息自适应地选择分数阶PDE的阶数,根据尺度参数的特点,提出一种自适应的尺度参数迭代算法.数值实验表明,改进算法能够较好地提高峰值信噪比,保护边缘,有效抑制“阶梯效应”.     

基于梯度统计的无线联邦学习的功率控制优化

综合考虑梯度统计量的影响,提出了一种衰落信道条件下基于无线联邦学习的最优功率控制方法,目标是在峰值功率限制下,使空中计算的聚合误差最小化.首先推导了模型训练每次迭代时梯度聚集的均方误差表达式.然后,提出了一个边缘设备发射功率和边缘服务器去噪因子的联合优化问题,从而最小化边缘设备的峰值功率约束,进一步提出了一种可以忽略通...     

基于高斯曲率改进的PM模型

在Perona和Malik的各项异性扩散方程的消噪模型中,一些小梯度的细节信息和噪声会被扩散掉,而在这些细节信息点往往具有零高斯曲率的特征,根据这一特点,对PM模型加以改进。新的模型不但可以保持零高斯曲率的图像特征,如:直线边缘、曲线边缘、角点、斜坡和小尺度特征,还可以增强尖锐的边缘。实验表明,改进的模型比PM保留了更多的图像信息,因此该模型可以大量地应用于图像处理和计算机视觉。