基于字典学习的低剂量X-ray CT图像去噪

介绍了一种基于字典学习的去噪方法,并将其应用于降低低剂量CT图像噪声水平的研究.针对体模图像和病人图像,分别选择低剂量CT图像和正常剂量CT图像作为训练样本,采用K-SVD算法,通过迭代学习构建图像字典;然后,结合正交匹配跟踪算法,实现图像稀疏表示,稀疏成分对应于图像的有用信息,其他成分对应于图像噪声;最后,依据图像的稀疏成分重建图像,达到去除噪声的目的.实验结果表明:字典的大小、稀疏表示的约束条件等参数会显著影响所提算法的去噪结果;相比低剂量CT图像,将正常剂量CT图像作为训练样本可以得到更好的去噪结果;在相同的噪声水平下,所提算法与传统图像去噪算法相比可以更好地去除图像噪声,且保留了图像的细节信息.     

基于边缘增强和稀疏表示的图像混合去噪算法

稀疏表示和非局部相似性在图像去噪领域扮演着越来越重要的角色,并且取得了很好的去噪效果.解决了高斯噪声和椒盐噪声混合的图像去噪问题.在去噪过程中,如何更好地保留图像中原有的边缘信息是一个很重要的问题.为此提出了在稀疏表示和非局部相似性的基础上,引入Sobel算子的算法.实验结果表明,该算法去噪效果突出,并且能够在去噪的同时保留图像的边缘信息,为去除图像中的混合噪声提供了一种有效的方法.     

面向输电线路的压缩感知图像去噪方法

传统的基于字典学习的输电线路图像去噪方法,易受冗余字典影响存在重建图像边缘细节恢复不足的问题.为了有效抑制输电线路图像表面存在的高斯噪声,提出一种图像非局部自相似特性与改进K-SVD字典学习算法融合的输电线路图像去噪方法,利用图像非局部自相似性作为正则项约束并加权稀疏表达模型,提高去噪图像复原和保留细节的能力.实验选取含有自然图像和输电线路典型缺陷图像进行仿真实验测试.实验结果表明,所提出的算法不仅能够很好的保留图像纹理特征与边缘细节,对高斯噪声也具有良好的鲁棒性.     

基于小波收缩阈值和维纳滤波的去噪方法

针对高斯噪声图像的结构特点及传统去噪方法中所存在的问题,提出一种基于小波收缩阈值法和维纳滤波法相结合的图像去噪方法.采用小波收缩阈值法对图像进行去噪,对处理后的图像用维纳滤波法进行平滑处理.采用独立自适应阈值,对其子带阈值进行确定,并引入调节系数.仿真结果表明,所提出的方法在高斯去噪效果和保留图像细节信息性能方面优于中值滤波算法、均值滤波算法等方法.     

基于小波变换的图像混合去噪算法

提出基于小波变换与中值滤波相结合的方法,实现了图像去噪。该方法在去噪之前,先通过小波边缘检测确定图像边缘特征的小波系数,保留这些位置的小波系数,其不受阈值去噪影响,对其它位置的小波系数进行自适应阈值去噪,去除高斯噪声。然后对图像进行中值滤波,去除椒盐噪声。该算法的实验结果表明,不仅能滤出图像中高斯噪声和椒盐噪声的混合噪声,而且能较好地保留图像的边缘细节,其滤波效果优于传统的图像去噪方法。     

基于分数阶微分梯度的噪声检测算法

为了在图像去噪的同时,更多地保留图像原有的特征信息,本文将分数阶积分理论引入到数字图像去噪中,通过分数阶微分梯度算法确定图像中噪声的位置,如果只对噪声点进行去噪处理,就可以有效保护图像的纹理和边缘信息.实验结果表明,基于分数阶微分梯度的噪声检测算法可以更准确地确定图像中噪声点像素的位置.     

基于多图像非局部均值去噪算法研究

为提升图像去噪效果,本文提出一种基于多图像非局部均值去噪方法:首先利用多幅噪声图像线性加权并结合多图像非局部均值滤波获得预去噪图像和方法噪声;然后利用高斯滤波后的方法噪声与预去噪图像求解多图像非局部均值权值,结合权值与输入图像获得最终去噪图像.实验结果表明,针对高斯噪声图像,与NLM等单图像去噪方法相比,本文方法能获得的峰值信噪比能提升0~2 d B,有效改善了视觉效果.     

基于小波收缩阈值和维纳滤波的去噪方法

针对高斯噪声图像的结构特点及传统去噪方法中所存在的问题,提出一种基于小波收缩阈值法和维纳滤波法相结合的图像去噪方法。采用小波收缩阈值法对图像进行去噪,对处理后的图像用维纳滤波法进行平滑处理。采用独立自适应阈值,对其子带阈值进行确定,并引入调节系数。仿真结果表明,所提出的方法在高斯去噪效果和保留图像细节信息性能方面优于中值滤波算法、均值滤波算法等方法。     

基于维纳滤波的小波图像去噪算法研究

图像在采集、获取以及传输的过程中,往往要受到噪声的污染,形成噪声图像.图像去噪是图像处理领域中的一个重要环节.为了对含有高斯白噪声的图像进行去噪,在Donoho提出的小波阈值去噪算法的基础上,提出一种基于维纳滤波的小波图像去噪算法,利用维纳滤波后剩下的信号来计算噪声的标准方差.仿真结果表明,与Donoho提出的鲁棒中值算法相比,该算法能够有效地抑制高斯白噪声,更好地保留图像的边缘细节.     

多尺度稀疏表示的Contourlet域图像去噪

提出了Contourlet域多尺度稀疏表示的自适应阈值图像去噪算法.首先,在分析了Contourlet域多尺度图像稀疏表示的基础上,提出了Contourlet域自适应阈值去噪算法;其次,详细地讨论了该算法选择不同的Contourlet域参数对图像去噪性能的影响,并比较了在等同的条件下Contourlet域与Wavelet域的去噪效果.实验结果表明,本文算法以及选择合适的Contourlet域参数进行图像去噪能有效地抑制图像噪声、保留边缘和轮廓信息.     

基于相空间重构和独立分量分析的超声信号噪声消除

提出了一种新的基于相空间重构和独立分量分析的超声信号去噪方法.应用该方法处理了实际的试块超声检测信号,并与小波去噪的效果进行了比较.实验结果表明,该去噪方法的效果与小波去噪方法接近,其特色是通过超声信号和噪声信号的盲源分离实现噪声消除.该去噪方法与小波去噪方法相比具有使用简单容易、去噪效果好和自适应强等优点.     

一类耦合去噪-分割的新模型在图像处理中的应用

 针对被噪声严重污染的图像的分割结果很不理想的现象, 提出一类耦合去噪-分割的新模型, 先采用一种组合的去噪模型去噪, 然后用新的分割模型进行分割。实验结果表明, 提出的组合去噪模型(采用AOS算法)比现有的一些去噪模型的去噪效果更好; 而在分割方面,文中提出的耦合去噪-分割的方法也显示出有效性和可靠性, 特别是对含有较高噪声的图像分割比CV模型更有优势。     

基于卷积神经网络的超声造影图像去噪方法

针对超声造影图像包含大量噪声的问题, 提出一种基于卷积神经网络的超声图像去噪方法. 首先, 通过图像平移、 翻转、 旋转等数据增强方法扩充稀缺的超声造影图像样本数量； 其次, 通过重叠切割小图像块, 进一步扩充样本数量； 最后, 以图像块和人工噪声为输入训练集, 训练基于卷积网络结构的去噪模型. 实验结果表明, 该方法可有效扩展至不同大小的超声造影图像, 对于超声造影图像去噪后的峰值信噪比高于传统的图像去噪方法.     

基于小波包分解的纹理图像去噪

噪声对图像的后续处理影响较大,常用的去噪方法虽然可以去除变化平缓的图像中的噪声,但对细节较多的纹理图像的去噪效果却不太理想．文中基于信号和噪声在小波分解中呈现出来的不同特性,提出了一种新颖的小波包去噪算法．采用该算法对纹理图像进行最优小波包分解,并计算每个子频带的两个范数,然后根据范数值区分信号和噪声,从而达到去除噪声的目的．实验结果表明,该算法对皮革图像具有较好的去噪效果．不仅可以去除纹理图像中的大部分噪声,而且可以较好地保留图像纹理信息．     

非负稀疏编码收缩法的自然图像消噪

非负稀疏编码（NNSC）算法仅依赖自然图像数据的统计特性,具有自适应性.利用NNSC算法可以成功地提取自然图像的特征基向量;作为对特征基的一个实际应用,提出了一种新颖的用非负稀疏编码收缩技术消除自然图像中的高斯加性噪声的方法.实验表明,提取的特征基向量在时域和频域上都有方向性和局部性,表现了输入自然图像的边缘特性;而且与独立分量分析（ICA）法相比,NNSC法提取的特征基有更清晰的边缘特征.目视效果和归一化信噪比证明了NNSC收缩法的消噪效果要优于稀疏编码（或ICA）收缩法、小波收缩法和Wiener滤波等方法.     

全相位方向滤波器组设计及其应用

为提高方向滤波器组的方向选择性和运算速度,基于全相位列率滤波理论提出了一种新的方向滤波器组设计方法该方法直接从频谱特性设计纯二维方向滤波器并灵活构建方向滤波器组,避免了传统方向滤波器组对图像的旋转、采样等操作,可以更多地保留图像细节并减小运算量．采用该方法设计了2种全相位方向滤波器组,并将其用于图像去噪对经典测试图像的实验结果表明,与Contourlet变换及其改进——非下采样Contourlet变换相比,采用该方法去噪后图像的峰值信噪比最多提高2．96dB,且重建图像的主观质量也较好．     

一种基于粗集与小波的声呐图像降噪方法

声呐图像具有低对比度和边缘恶化的特点,传统的声呐图像散斑噪声降噪方法又不能较好的保持图像边缘和细节,因此提出了一种新的基于粗集与小波的声呐图像降噪方法。该方法通过考察散斑噪声的统计特征,利用粗集中的等价关系将声呐图像划分为若干子图,对子图进行对数变换后完成小波变换,采用自适应阈值函数处理小波系数,应用小波逆变换和指数变换得到降噪后的子图,将降噪后的子图进行叠加得到最终的降噪图像。通过新算法在实际声呐图像中的应用,实现了在保证降噪效果的同时能够较好地保持图像边缘及细节特征,验证了算法的有效性。     

基于Navier-Stokes方程的图像修复算法

 图像修复是一个基于周围未被损坏信息对图像中丢失或损坏信息进行修补的过程。提出了一个基于Navier Stokes方程的新的图像修复算法。该算法能够同时在修复区域内部进行信息的填充,而在修复区域外部去除噪声(如果存在)。实验结果表明模型对于图像中划痕,信息丢失,甚至移除整个景物都是有效的。     

一种去除图像混合噪声的新方法

某一种去噪方法通常只对某一类噪声的滤除较为有效,为了抑制混合噪声,提出一种结合中值滤波与小波去噪的图像去噪算法。该算法首先检测出脉冲噪声点,并采用自适应窗口对脉冲噪声点进行中值滤波处理,然后用基于高斯混合模型的小波去噪法滤除图像中的高斯白噪声。仿真实验表明,对于被高斯、脉冲混合噪声污染的图像,该算法的去噪效果显然比单一的中值滤波和小波去噪法好得多。     

基于模糊均差的低照度图像平滑去噪方法

为了提高低照度图像去噪处理的整体效果,本次研究提出了基于模糊均差的低照度图像平滑去噪方法。采用Sobel梯度检测图像边缘信息,采用OTSU（Nobuyuki otsu 大津展之）阈值分割法分割图像为平坦区域和细节区域;通过模糊均差方法分别估计两个区域图像的噪声标准差;采用小波域方法对图像进行平滑软阈值去噪,实现低照度图像的平滑去噪。实验结果显示,本文方法可以在不同噪声水平下获取接近真实值噪声标准差,在噪声水平最大时信噪比大小达到了27.97dB,去噪效果达到92.1%,质量很好的图像数量占比达到了80.58%,图像信息损失较小,去噪效果较好,具有极大的应用价值。