利用偏微分方程的Tetrolet变换图像去噪

对图像进行Tetrolet变换后利用偏微分方程对图像进行了质量改善,仿真结果表明,该算法不仅能有效去除噪声,而且可得到更高的峰值信噪比和更好的视觉效果,去噪后图像较光滑,减少了方块效应,更多地保留了图像边缘和细节等局部特征.     

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。     

利用最近邻域分类的图像去噪算法

为了在图像去噪的同时较好地保护图像细节,利用最近邻域的算法将数据进行有效的分类,得到了不同的有意义的封闭邻域,从而对突出的边缘细节信息与非边缘细节信息进行有效地分割,较好地改善了方形邻域固定、模糊边缘细节信息的问题.且利用小波分析之后的系数特征,估计出一个最佳阈值并进行阈值去噪.实验表明,该算法可以得到更好的实验结果.     

基于小波域马尔可夫先验模型的图像去噪方法

提出了一种基于各向异性马尔可夫随机场(Markovrandomfield,MRF)先验概率模型的图像去噪方法。该方法利用图像小波子带的方向性特点以及小波系数尺度内和尺度间的相关性,将小波系数的分布特征建模为一种各向异性MRF先验概率模型。通过在贝叶斯框架中采用这种先验概率模型可以得到一种具有空间自适应性的贝叶斯萎缩函数。利用这种萎缩函数可以实现对小波系数的修正。实验结果表明利用该方法进行图像去噪能够取得良好的效果,同时可以有效地保留图像的细节。     

基于自适应中值滤波器和TV修复的椒盐噪声去除

提出一种两步式椒盐噪声去除方法．第一步利用自适应中值滤波器来识别出被噪声污染的候选点;第二步利用一种边缘保持技术（全变差图像修复）来恢复出被噪声污染的点．由于椒盐噪声点的灰度值和原始像素灰度独立,所以在采用恢复技术时不使用噪声点自身的灰度信息．在噪声率不很高的情况下,这种方法可以获得比现有最好方法更高的信噪比;当噪声率高达70％以上时,该方法的信噪比与现有方法非常接近,但是主观视觉效果（例如边缘保持能力）更佳．     

基于小波变换的图像处理技术研究

小波分析是继Fourier分析之后新的时频分析工具,它在科学研究和工程技术中的应用非常广泛。虽然小波理论现已比较成熟,但是近年来有关它的应用研究仍在不断发展更新。小波变换在图像处理领域中的应用几乎可以囊括图像处理的所有方面。本文对小波变换在图像去噪和图像融合两方面进行了研究。图像融合主要包括两个过程：数据准备与变换融合处理,前者的关键是影像预处理,而后者则主要采用不同的算法作进一步处理。图像去噪的应用主要研究小波阈值萎缩法。     

基于2D-VMD与CC结合的模态重构算法

为提高重构图像的质量,针对二维变分模态分解( 2D-VMD: Two Dimensional Variational Mode Decomposition) 算法需确定分解尺度K 值和有效固有模态分量的问题,提出了将2D-VMD 结合相关系数( CC: Correlation Coefficient) 的联合算法,并用于图像重构。该方法首先利用2D-VMD 将图像信号分解为不同中心频率的子模态,然后计算分解后的固有模态函数( IMF: Intrinsic Mode Function) 与原始图像函数的CC 值,根据CC 准则确定有效的固有模态分量,最后利用有效的固有模态分量进行重构,实现了图像去噪。仿真结果表明,2D-VMD 和CC 结合可以准确得到分解尺度K 和有效的子模态,具有很高的图像重构精度,提高了图像质量。     

基于注意力机制U-Net的低剂量CT图像去噪方法

计算机断层扫描(CT)产生的辐射风险已成为公众关注的问题.降低剂量将影响CT图像的质量以及医生的诊断结果.传统的基于深度网络算法中,同一层中的特征通道间的地位是平等的,影响信息的提取.为此,提出了一种具有注意力机制的U-Net残差网络.在U-Net中引入通道注意力模块驱使网络将更多的注意力集中于含有噪声和伪影信息的通道...     

基于贝叶斯估计的小波图像去噪算法研究

利用拉普拉斯分布作为小波系数的分布模型,用贝叶斯最大后验概率估计法估计小波系数,给出了一种小波域自适应去噪算法.实验结果表明,本文算法与普通的软阈值法相比,可以获得更好的去噪效果.     

基于形态学和贴标签法的苹果图像增强

苹果图像的精准分割是目标果实识别与定位的关键步骤,然而分割出的图像往往存在较多的孔洞和噪声,影响着进一步的识别与分析,因此需要对目标果实的分割图像进行完善和去噪处理.应用于苹果采摘机器人的图像处理中,既要考虑处理精度,还要考虑处理效率.将数学形态学和贴标签法相结合,首先利用数学形态学方法去除分割图像的孔洞以及部分噪声,求出最大连通区域;然后利用贴标签法进一步处理,得到较为完好的目标果实图像.在HSI和Lab两种颜色空间下进行实验,对组合方法处理后的图像再利用Sobel算子进行边缘检测,结果表明,该方法能够有效地填补孔洞和滤除噪声,且不会破坏图像的边缘信息,为进一步的图像识别打下基础.