结合Contourlet变换和偏微分方程的图像去噪方法

为了更好地去除噪声,提出了一种结合Contourlet变换和偏微分方程的图像去噪方法.该方法能够有效去除图像中的高斯白噪声,同时还能保持图像的边缘纹理信息.实验以信噪比(SNR)和峰值信噪比(PSNR)对去噪性能进行度量,证实了该方法的可行性和有效性.     

一种改进的基于小波偏微分方程的图像去噪方法

提出一种基于小波分解和四阶偏微分方程相结合的方法用于图像去噪,利用小波良好的时频局域化特性和偏微分方程能够很好地保留图像的边缘和细节的特点对图像噪声进行消除.传统的二阶线性扩散方程计算效率低,易产生阶梯效应,这里采用一种用拉氏锐化算子替代拉普拉斯算子的四阶偏微分方程模型.实验结果表明,本方法是一种高效的去除噪声并能很好地保持图像边缘的算法.     

结合Contourlet变换和偏微分方程的图像去噪方法

为了更好地去除噪声,提出了一种结合Contourlet变换和偏微分方程的图像去噪方法.该方法能够有效去除图像中的高斯白噪声,同时还能保持图像的边缘纹理信息.实验以信噪比(SNR)和峰值信噪比(PSNR)对去噪性能进行度量,证实了该方法的可行性和有效性.     

一种基于中值滤波和小波变换的图像去噪算法研究

针对同时含有脉冲噪声和高斯噪声的混合含噪图像特点,结合自适应中值滤波和小波变换的阈值滤波的各自优点,提出了一种基于中值滤波和小波变换阈值去噪相结合的图像去噪方法,即先对图像进行自适应中值滤波去除脉冲噪声,然后利用小波变换去除剩余的高斯噪声.实验表明:该方法能在有效去除混合噪声的同时,较好地保持边缘和细节信息.     

一种基于小波变换的图像去噪方法的应用研究

探讨了小波变换在图像去噪中的处理技术.首先分析了小波变换的原理,然后给出了基于小波变换的图像去噪原理,并设计了小波变换图像去噪的具体实施方案,最后给出了小波变换去噪的图像训练实验结果.结果表明,利用小波分解(变换)去除图像噪声,既滤除了噪声,又有效地保持了图像的细节信息.     

一个小波域上各向异性扩散去噪算法

目的 给出一个图像去噪的算法.方法 利用小波变换把图像分解为高频子图和低频子图,再根据子图像的特点,采用不同的各向异性扩散方法处理各个子图,最后重构图像.结果 各向异性扩散在图像平滑中,不但能够较好地抑制噪声,而且能够很好地保留图像原有的边缘和纹理特征,因而解决了图像去噪时高频部分和低频部分抑制噪声和保留边缘之间的矛盾问题.结论 与已有的方法比较,该方法不但能够有效地去除噪声,而且能够保持图像中的细节.     

自适应阈值的小波去噪改进算法研究

基于小波变换的图像去噪方法在消除噪声的同时,可有效保留图像边缘细节信息,是近阶段图像去噪领域研究与应用的热点.现有的基于小波阈值法的去噪算法多为全局阈值,易引起边缘模糊.因此,在阐述小波去噪基本原理的基础上,将小波变换和多尺度边缘检测两者结合,充分考虑小波分解不同层数的特性,提出一种具有自适应阈值的小波图像去噪改进算法.实验表明,改进算法与传统去噪方法(维纳滤波法)及一般小波阈值法(VisuShrink阂值法、NormalShrink阈值法、BayesShrink阈值法)相比,可有效去除多种程度的加性高斯白噪声,更好保留图像边缘细节信息.     

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。     

信噪局部方差自适应的小波阈值滤波

为了在去除高斯噪声的同时更有效地保持图像的边缘和细节,提出了信噪局部方差自适应的小波滤波方法.根据图像与高斯噪声的小波系数的分布特征,提出了一种信噪局部方差自适应的阈值.同时,鉴于无噪图像的小波系数具有平滑连贯性,提出一种连续的、可微的且无限逼近原小波系数的阈值函数.阈值依据信噪强度对信号系数与噪声系数进行区分,阈值函数依据阈值对小波系数进行量化处理,以去除噪声.实验结果表明,所提出的方法对图像去噪所得的PSNR(peak signal to noise ratio)和SSIM(structural similarity index)值以及图像的视觉效果,相对于现有的小波去噪方法有较大的提升,在彻底去除高斯噪声同时,更有效地保持图像的边缘和细节.     

结合分数阶偏微分和MCM模型的混合噪声去除方法

为了能够更好地去除混合噪声,在αβ?(ABO)图像去噪模型的基础上,提出了一种结合分数阶偏微分方程和MCM模型的混合噪声去除模型.该模型不仅能有效地去除图像中的椒盐噪声和高斯噪声,同时还可以较好地保留和增强图像中的边缘纹理信息.实验以峰值信噪比(PSNR)和均方根误差(RMSE)对去噪性能进行度量,证明了该方法的有效性.     

基于小波变换的分开-合并图像分割

小波变换具有良好的“时间—频率”局部化特性及多尺度变焦距特性对于二维图象的小波变换,其梯度模值提供了图像的边缘信息在大尺度时,图像边缘稳定,但存在有位移小尺度时,边缘定位精确,但易受噪声影响噪声和边缘都具有较高的空间频率噪声的能量小,在大尺度下,其小波变换系数值小边缘的能量大,在大尺度变换下,其小波变换系数值大由多尺度小波变换系数的变化情况,估计边缘的类型采用多尺度小波变换系数作为四分树结构的分开—合并法图像分割的一致性度量从而在大的图像块中,去除噪声的影响,在小的图像块中,以小波变换的局部极大值精确定位边缘,根据边缘信息进行分开—合并法图像分割实验表明,算法得到满意的结果     

基于多尺度小波变换的图像边缘检测

图像边缘是图像中的重要信息,为了检测图像中的边缘信息,提出了一种基于多尺度小波变换的图像边缘检测算法．该算法充分利用了图像边缘在多尺度下的信息,首先选用二次B样条小波对原始图像进行多尺度小波分解,提取出图像中的高频信息,包括真实的图像边缘和噪声,然后根据图像边缘和噪声在不同尺度下具有不同的传递性,抑制噪声分量,保留图像边缘分量．实验结果表明,该算法获得了较好的图像边缘检测效果．     

基于双树复小波变换与双边滤波的图像滤波

为了进一步提升高斯噪声的去除性能,提出了基于双树复小波变换与双边滤波的图像滤波方法.根据图像和噪声的分布特征,推导出一种自适应的阈值去噪模型.用去噪模型对双树复小波变换后的图像系数进行量化处理,再由双树复小波逆变换得到去噪图像,然后用改进的双边滤波方法对去噪图像进行边缘增强,改进的双边滤波核自适应于图像的特征,具有更好的鲁棒性.实验结果显示,该方法相对于现有的性能较好的方法,PSNR高出大约0.8 dB,SSIM高出大约2.3%.实验证明了该文提出的方法在去噪效果和细节恢复上优于已有的方法.     

一种基于小波提升变换的多尺度边缘提取算法

提出了一种基于小波提升变换的改进图像边缘的检测算法.本算法首先对源图像进行小波提升分解,然后分别对高、低频子图像进行边缘提取.对于低频信息使用Canny算子进行边缘检测,而高频信息先用相邻尺度小波系数相乘的方法去除噪声,消噪后再对高频分量进行边缘检测.最后通过一定的融合规则进行融合,得到最终的边缘图像.实验结果表明,该方法具有运算速度快,能有效地抑制噪声,边缘检测精度高等特点,是一种有效的图像边缘提取算法.     

基于CONVEF的四阶各向异性扩散及图像去噪

偏微分方程在图像去噪中有广泛的应用。传统的二阶偏微分方程虽然具有较好的去噪效果,但是处理得到的结果容易产生阶梯效应,这种现象会引起后续图像处理的误判断。You和Kaveh提出了四阶偏微分方程,该模型可以有效的去除阶梯效应,但由于该算法是一个各向同性的滤波算法,因此图像的边缘保护能力有所降低,使去噪结果中边缘和纹理等细节信息丢失。针对以上缺点,提出了基于卷积虚拟电子场(CONVEF)的四阶偏微分方程。新的模型降低了图像在边缘方向的扩散,得到一个有效的各向异性扩散模型,从而在去噪的同时可以更好的保护图像的边缘、纹理等细节特征。     

一种基于小波变换的边缘检测方法

基于信号与噪声在不同尺度下小波变换系数模不同的变化特征,提出了一种边缘检测方法,该方法通过对图像的小波变换域中由噪声引起的小波变换系数模进行处理,再利用小波变换系数模局部极大值来提取图像的边缘特征,实验结果说明这种特征提取方法可以有效地降低噪声,同时又较准确地提取出图像的边缘。     

一种新的小波图像去噪方法

为了有效去除图像噪声,同时又能尽可能多的保留图像的边缘信息,文章提出了一种新的基于边缘检测的自适应阅值小波图像去噪方法。该方法将与边缘相关的小渡系数和与同性区域相关的小渡系数区别对待。将检测到的边缘点与非边缘点对应的小波系数,利用邻域相关性,分别采用不同的收缩因子进行收缩。实验仿真结果表明,与其它传统方法相比,本文方法不仅抑制噪声能力强,而且很好地保留了图像的边缘特征,具有更好的重建视觉效果。     

基于改进“自蛇”模型的图像去噪方法

根据对现有的一些偏微分方程(PDEs)去噪模型的分析,提出了一种基于"自蛇"模型的的图像去噪模型。该模型在原模型上增加一个保真项,使其在图像滤波的同时能保留图像细节信息。与各去噪模型进行比较实验,实验结果表明:使用改进的模型对图像去噪在滤除噪声的同时可以保持细节信息,应用改进"自蛇"模型进行图像去噪是一种有效的工具。