基于MGGD 和上下文模型的小波域图像去噪

考虑到自然图像小波系数分布的两个统计特性,用多元广义高斯分布（MGGD）模型描述小波系数的统计分布,采用基于上下文模型的自适应协方差矩阵估计,再利用最大后验概率估计原始图像的小波系数。实验表明,该方法在直观视觉上去噪效果明显,在信噪比方面也要优于其他的一些小波去噪方法。     

基于小波自适应阈值的脑CT图像去噪研究

利用自适应小波阈值算法抑制脑部CT图像噪声,以提高图像质量.通过仿真实验,确定自适应滤波阈值与噪声强度的关系,然后采用真实脑部CT图像及自然图像进行验证,并与常用小波阈值算法比较.提出的算法能够抑制图像的加性白噪声,使峰值信噪比提高7～10 dB,同时更好地保留了图像细节及边缘信息.小波自适应阈值算法能够对不同噪声水平的脑CT图像及自然图像进行自适应处理,提高峰值信噪比,改善图像质量.     

基于非抽样小波的多阈值去噪

利用小波系数之间的相关关系,对变换后的小波系数进行分类,提出了基于多阈值的去噪方法。该方法利用非抽样小波变换的冗余性来寻找小波系数之间的依赖关系,把变换后系数分成与图像细节特征相关的系数、平滑区域相关的系数以及噪声相关的系数,对不同的系数采用不同的阈值处理策略以改进去噪效果。实验结果表明,与其它去噪方法相比,该方法不仅较好的保留了图像特征,而且具有良好的视觉效果,峰值信噪比也有较大幅度的提高。     

基于上下文模型的混合傅里叶-小波图像降噪方法

针对小波变换和傅里叶变换去除图像噪声时各具不同的优点和不足,提出一种基于上下文模型的混合傅里叶-小波图像降噪方法.首先在傅里叶域中估计原始图像的功率谱密度,运用维纳滤波器降噪,降低原始图像噪声水平;再在小波域中通过基于上下文模型的自适应阈值法去除剩余噪声;在小波域中使用平稳小波变换分解图像信号得到分解后的系列小波系数,根据小波系数间的相关性,利用上下文模型求取小波系数的方差,将其代入由GGD模型估计出的阈值表达式得到自适应阈值,再用软阈值函数对小波系数进行处理,最后将处理后的小波系数进行小波逆变换完成去噪.仿真结果表明:该方法不仅能够有效滤除图像噪声,而且能够保留图像的边缘细节信号,抑制降噪引起的吉布斯现象.     

基于多小波变换的图像去噪改进算法

在介绍多小波理论的基础上,提出一种基于多小波的自适应图像去噪算法,该方法根据多小波系数在不同子带、不同方向上的特性自适应选取不同的最佳阈值,然后再与图像的分解尺度函数因子结合起来。实验表明,与单小波和其它使用不同预处理过程的传统多小波去噪方法相比,该方法有效地去除了白噪声,进一步提高了图像的峰值信噪比（PSNR）和最小均方误差（MSE）。     

小波阈值图像去噪算法改进

对小波阈值收缩图像去噪算法进行了研究,在软阈值函数的基础上提出了一种改进的阈值函数,算法中采用BayesShrink阈值和SureShrink阈值,一定程度上抑制了SureShrink阈值的"过保留"小波系数.与传统方法(软阈值函数法(BayesShrink阈值)、软阈值函数法(SureShrink阈值)、硬阈值函数法以及半软阈值函数去噪法)相比,在处理边缘点不多的图像时,改进的阈值函数方法处理后的图像具有更高的峰值信噪比(PSNR)和信噪比(SNR),并具有更低的均方误差(MSE),图像更加清晰.     

基于小波变换和中值滤波的图像去噪

针对图像中同时含有脉冲和高斯混合噪声的情况下,本文提出了一种中值滤波和小波变换相结合的图像去噪方法。仿真结果表明,该方法可以有效地滤除混合噪声,改善图像的视觉效果。     

非抽样复Contourlet变换的构造及其图像去噪应用

为克服Contourlet变换由于缺乏平移不变性而在图像去噪等应用中存在的局限性,并利用其高度的方向性和各向异性,对原始的Contourlet变换加以改进,构造一种非抽样复Contourlet变换.该变换利用二维双树复小波变换和非抽样方向滤波器组分别进行多分辨率分析和方向分解,从而实现了Contourlet的复数变换.对图像去噪的实验结果表明,该变换除具有低冗余度和平移不变性外,还具有更丰富的方向分量,能够在去噪过程中有效地抑制伪Gibbs现象,更好地保护图像边缘和纹理等细节.其PSNR值和视觉质量均优于一般的去噪方法.     

基于小波变换的图像去噪算法研究

图像去噪通常采用的是低通滤波的方法,但是它在消除图像噪声的同时,也会消除图像中部分有用的高频信息。各种图像去噪方法性能的优劣,其实质就是在去噪和保留有用高频信息之间进行权衡。论文概括描述了小波理论及其优缺点,着重介绍了阈值收缩法并分析了其存在的不足,分析了阈值函数选取方法,并采用MATLAB进行仿真实验,实验结果表明,使用软阚值函数进行图像降噪,较之硬阈值,通常可获得更好的效果。     

基于小波变换的图像去噪方法研究

图像去噪是图像处理中的重要环节,本文基于小波变换的图像去噪方法,阐述了小波去噪的原理和方法,初步探讨了小波去噪中的阈值选取,并基于MATLAB实现了小波去噪中软、硬阈值去噪的计算机仿真实验,并对实验结果进行了分析比较。     

一种新的几何约束自适应阈值图像去噪方法

文章提出了一种几何约束空间自适应阈值的图像去噪新方法。此方法基于非抽样小波变换的多分辨率分解,利用非抽样小波变换的冗余性来寻找小波系数之间的依赖关系。在BayesShrink阈值的基础上进行改进,采用空间自适应方法,为每一个小波系数确定自适应的阈值。在含噪系数的方差估计中,与以往的估计方法不同,不仅考虑到子带内小波系数之间的依赖关系,而且考虑了沿梯度方向的邻域内小波系数之间的依赖关系,使得含噪系数的方差估计更为准确。实验结果表明,与传统去噪方法相比,本文方法能更有效地去除噪声,具有更好的重建视觉效果。     

基于小波变换的最优阈值图像去噪

小波图像去噪方法已广泛应用于图像去噪领域。在图像去噪中关键的一步就是阈值选取,阈值的选择直接决定去噪效果。本研究提出了一种基于小波不同子带选取最优阈值的小波去噪方法,该方法根据小波系数不同的特点选取阈值。实验结果表明,此方法可以有效地降低噪声,较好地保持了图像的细节。     

基于平稳小波变换的邻域依赖自适应软阈值图像降噪

传统正交小波变换降噪方法会引起图像边缘失真,针对其不足,研究了平稳小波变换图像降噪。平稳小波变换去除了下抽样处理,包含在小波系数中的信息是冗余的,同时结合贝叶斯估计的自适应软阈值,提出了一种新的图像降噪算法。通过仿真实验将该方法与Winner2,VisuShrink,BayesShrink方法进行比较,试验结果表明,该方法不仅有效地去除了噪声,而且提高了图像的峰值信噪比。     

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。     

基于小波域的软阈值噪声图像增强

针对噪声图像增强提出基于小波域的软阈值算法，基于信号和噪声在小波变换现具有不同的传播特性，图像经二维小波变换后得不同尺度的子带图像，在不同尺度的子带图像以软阈值算法进行增强，最后进行小波重构得到增强图像，实验表明，与传统算法相比本文算法在细节增强和噪声抑制上取得较好效果。     

SURE准则的图像小波阈值去噪

在D．L．Donoho提出的小波阈值去噪的基础上,提出了一种新的阈值函数,其功能与硬阈值函数相当,但是它具有二阶连续可导性．相对于软阈值函数,此函数“硬”特性可以很好保留图像边缘等局部特征;而其可导性为实现图像的自适应去噪提供了可能．本文应用此阈值函数,基于SURE无偏估计,给出了一种小波自适应阈值去噪方法,并用Lenna和Barbara图做了仿真实验,实验结果显示此方法在最小均方误差（LMSE）意义上的优越性．     

基于小波包变换的尺度自适应阈值图像降噪

针对传统小波变换易引起图像边缘模糊的不足,研究了基于小波包变换的尺度自适应阈值图像降噪。利用小波包变换可以同时对图像的高频和低频部分进行进一步的细分,因此可以更好地保留原图像信息的优势,更进一步,克服通用阈值的缺陷,软阈值函数的构造充分考虑了不同尺度层次上的系数的不同特点,产生尺度自适应阈值。通过对加噪图像的实验可以看出,与传统方法相比,本文方法不仅降噪效果有很大的改进,而且有很好的视觉效果,峰值信噪比也有较大幅度的提高。     

基于小波多阈值和子带增强的图像去噪

为了在有效降低噪声的同时,尽量保留图像的边缘特征,提出了一种基于小波多阈值和子带增强的图像去噪方法.该方法对最小尺度小波系数采取软阈值方式,将其他小波系数再分解为近似子带和细节子带,依据误差度增强近似子带像素块,同时引入增强因子调节增强幅度;利用局部方差和混合阈值函数对各子带进行阈值处理,保证了图像达到较好的去噪效果.实验表明,与传统阈值方法相比,该方法不仅提高了去噪图像的峰值信噪比,而且较好地保留图像边缘特征,优于常规的阈值方法.     

基于小波变换的信号去噪研究

基于小波变换对信号去噪进行了深入地分析和研究，结合去噪原理讨论和比较了实际应用中对小波基及阈值规则的合理选取问题。实验结果表明，利用该去噪方法能实现对各种信号的去噪，且效果比较明显。