基于UDCT的改进双变量模型图像去噪

文章通过对均匀离散曲波变换(UDCT)域中小波系数统计特性的研究,针对传统双变量模型未考虑空间聚集性的不足,提出了一种新的双变量模型去噪算法。首先在双变量模型的基础上采用了蒙特卡洛方法估计各子带的噪声方差;然后引入邻域模型,通过调整邻域窗的大小估计相应窗口内小波系数的度量方差,得到初始化图像;最后以初始化图像和原噪声图像为先验信息,推导出改进的双变量模型来处理原噪声图像,且以对称K-L散度和最大迭代次数为收敛条件,得到最终去噪图像。实验结果证明了该算法的有效性。     

基于连分式的广义高斯模型UDCT贝叶斯图像去噪

文章通过研究均匀离散曲波变换(uniform discrete curvelet transform,UDCT)系数统计特性,发现该变换域的系数具有良好的相关性,且能有效解决广义高斯模型的参数拟合问题。在利用广义高斯模型的参数估计进行图像去噪过程中,从矩估计和最大似然估计出发,采用比牛顿迭代法更稳定的连分式迭代法来求解最大似然估计的超越方程;采用蒙特卡洛方法代替鲁棒中值法来精确地估计每个子带的噪声方差;在Bayesian最大后验概率估计的框架下完成图像去噪。实验结果表明,文中提到的算法与传统的VisuShrink、BayesShrink和SureShrink相比,具有较好的去噪效果和峰值信噪比。