基于第二代小波的增强边缘的图像去噪

传统的一些去噪技术往往是以牺牲图像的边缘和细节为代价的.为了去掉图像的噪声,同时又能够很好地保留图像的边缘和纹理细节,在介绍第二代小波变换的原理的基础上,提出使用边缘检测的方法检测出图像的边缘和纹理细节,将它和该图像进行融合,用第二代小波对含噪图像进行分解,对图像高频进行自适应去噪.由于图像在去噪前融合了边缘信息,因此边缘和细节部分得到了增强.仿真结果表明:该去噪方法优于传统小波阈值去噪方法.     

基于Perona-Malik模型改进的图像去噪方法

结合冲击滤波器和Perona-Malik(P-M)模型提出一种新的图像去噪模型,在增强图像细节的同时,能够抑制噪声的放大和过冲现象,同时给出的扩散函数可以使模型达到更好的图像去噪效果。仿真结果表明,使用本文模型进行去噪处理后得到的图像在视觉效果和客观评价标准方面均优于P-M模型、CLMC模型以及传统的模型,在去除噪声的同时,能够更好地保留图像的细节和边缘特征。     

基于Perona-Malik模型改进的图像去噪方法

结合冲击滤波器和Perona-Malik(P-M)模型提出一种新的图像去噪模型,在增强图像细节的同时,能够抑制噪声的放大和过冲现象,同时给出的扩散函数可以使模型达到更好的图像去噪效果。仿真结果表明,使用本文模型进行去噪处理后得到的图像在视觉效果和客观评价标准方面均优于P-M模型、CLMC模型以及传统的模型,在去除噪声的同时,能够更好地保留图像的细节和边缘特征。     

基于同向梯度扩散的图像去噪方法

在Perona-Malik模型基础上对扩散系数进行改进,引入了同向梯度扩散函数.实验结果表明,改进后的平滑方法既能更有效地消除图像中孤立噪声点,又可以更好地保持边缘.     

基于偏微分方程的均衡网状扩散图像增强模型

运用偏微分方程方法,对图像进行降噪与边缘增强。其中,重点研究网状扩散模型,并对其存在的问题进行分析。实验表明,扩散模型的效果在效率和处理的质量方面更胜于基本的偏微分图像处理技术。     

基于边缘检测的提升小波图像去噪

为了图像去噪的同时能很好地保持图像的细节,提出了一种基于边缘检测的提升小波图像去噪方法,先用Canny边缘检测方法得出原图像的边缘,提升小波去噪时就可用阈值去噪而不必担心损害图像的重要特征。其去噪步骤是：对噪声污染图像进行提升小波去噪;对含噪图像提取边缘图像;对去噪图像高频系数进行阈值处理进行重构变换;图像合并。实验结...     

基于TV模型和L2-模型的图像去噪方案

TV模型是图像去噪中保持图像边缘的模型之一.运用L²-模型从观察图像中提取光滑的草图,然后利用TV模型从残余图像中恢复一些丢失的有用信息,从而有效地避免TV模型的阶梯效应,使得恢复后的图像具有很好的视觉效果.     

基于前后向扩散的图像去噪方法的研究

文章介绍了各向异性前向扩散、后向扩散以及前后向扩散的基本原理,针对前后向扩散中的恒定参数使图像细节模糊的缺点,对前后向扩散中的系数自适应改变的前后向扩散算法,并通过实验证明了自适应前后向扩散在消去噪声的同时更好地保留图像的细节信息,且具有更高的信噪比。     

图像去噪的ROF模型及仿真实验

基于PDE模型的图像去噪是一种非常有效的方法,本文给出了离散迭代格式,通过C++仿真实验验证了算法对抑制噪声的有效性,实验结果显示该算法能很好地保持边缘等细节特征,且峰值信噪比得到有效提高。     

基于改进的HDCS的图像去噪方法

针对数字图像主要含有高斯噪声和椒盐噪声的特点,提出了一种基于改进的各向异性的混合扩散模型。传统的基于边缘增强和相干增强的模型,虽然能够有效地去除噪声;但也会存在减弱相干结构和背景的对比度等问题,同时在保持图像细节纹理方面可能会出现失真。通过在扩散方程中引入一个源项;并充分考虑它对模型中各项产生的影响,使得改进后的模型既能有效去除噪声,也能有效地保持相干结构和背景的对比度;同时在模型中引入一个偏微分方程用以获取保真项,使得图像的细节保护效果更明显。实验结果表明,该方法能达到较理想的去噪和恢复图像纹理信息的结果,而且明显改善了图像的视觉效果。     

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．     

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。     

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.     

基于各向异性扩散的多细节图像消噪方案

文章针对传统消噪方法在消除噪声的同时破坏了图像的细节信息的缺点,基于各向异性扩散方程实现数字图像中的消噪,并与中值滤波、均值滤波和各向同性扩散进行比较,实验仿真证明各向异性扩散消噪在消除噪声的同时更好的保留了图像的细节信息。     

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。