基于非局部自相似的Shearlet自适应收缩图像去噪

针对Shearlet收缩去噪引入的Gibbs伪影和"裂痕"现象,提出一种结合非局部自相似的Shearlet自适应收缩图像去噪方法.首先,对噪声图像进行多方向多尺度的Shearlet分解;然后,基于高斯比例混合(GSM)模型的Shearlet系数分布建模,利用贝叶斯最小二乘估计对Shearlet系数进行自适应收缩去噪,重构得到初始去噪图像;最后,利用非局域自相似模型对初始去噪图像进行滤波处理,得到最终的去噪图像.实验结果表明,所提方法在更好地保留边缘特征的同时,有效地去除噪声和收缩去噪引入的Gibbs伪影,该方法获得的峰值信噪比(PSNR)和结构自相似指标(SSIM)比基于非抽样剪切波变换(NSST)的硬阈值去噪方法提高1.41 dB和0.08;比非抽样Shearlet域GSM模型去噪方法提高1.04 dB和0.045;比基于三变量模型的剪切波去噪方法提高0.64 dB和0.025.     

基于非局部正则化的图像去噪

图像复原是图像处理中一个重要的研究课题。大部分图像复原算法,都只是利用图像单个像素点,或某一邻域内的灰度和梯度信息。如果在图像复原模型中能够超越邻域,而更大范围地利用图像内容本身的信息,将可能更有效地改善复原质量。实际上,大多数自然图像中,其内容具有自相似特性。基于非局部的图像处理方法,就是以这类自相似特性为出发点的。提出一种改进的基于非局部的正则化图像去噪算法,主要针对非局部处理方法中的权值计算作了改进处理。与原始算法不同,采用EMD来进行图像子块间的相似度计算,并结合图像的方向信息分类子块区域,以解决     

基于稀疏表示与非局部相似的图像去噪算法

针对受加性高斯白噪声(AWGN)与椒盐噪声(SPIN)以及随机值冲击噪声(RVIN)组成的混合噪声污染的图像进行去噪的问题,提出一种在现有加权编码算法的基础上将图像稀疏表示和非局部相似先验融合的改进算法。首先,利用基于字典的图像稀疏表示构建去噪变分模型,对模型中的数据保真项设计一个权重因子来抑制冲击噪声的干扰;其次,利用非局部平均思想对混合噪声图像进行初始去噪,在得到的图像中构建掩膜矩阵将冲击噪声点排除进而求取非局部相似先验知识;最后,将非局部相似先验与稀疏先验融合进变分模型的正则项中,求解变分模型得到最终去噪图像。实验结果表明,在不同的噪声比率下,所提算法与模糊加权非局部平均算法相比,峰值信噪比(PSNR)提高了1.7 dB,特征相似性指数(FSIM)提高了0.06;与加权编码算法相比,PSNR提高了0.64 dB,FSIM提高了0.03。该算法对于纹理较强的图像可以显著提升去噪效果,能有效地保留图像的本真信息。     

基于多尺度非局部约束的单幅图像超分辨率算法

多尺度结构自相似性是指图像中的大量物体具有相同尺度以及不同尺度相似结构的性质.本文提出了一种基于多尺度非局部约束的单幅图像超分辨率算法,结合多尺度非局部方法和多尺度字典学习方法将蕴含在图像多尺度自相似结构中的附加信息加入到重建图像中.多尺度非局部方法在图像金字塔的不同层中搜索相似图像块,并利用多尺度相似图像块间的关系建立非局部约束项,通过正则化约束获取多尺度自相似结构中的附加信息;多尺度字典学习方法将图像金字塔作为字典学习的样本,通过字典学习使样本中的多尺度相似图像块 在字典下具有稀疏表示形式,从而获取多尺度自相似结构中的附加信息.实验表明, 与ScSR、SISR、NLIBP、CSSS、ASDSAR和mSSIM等算法相比,本文的算法取得了更好的超分辨率重建效果.     

渐近非局部平均图像去噪算法

非局部平均去噪算法(Non-local means denoising algorithm, NLM)是图像处理领域具有里程碑意义的算法, NLM的提出开启了影响深远的非局部方法. 本文从以下两个方面来重新探讨非局部平均算法: 1) 针对NLM算法运算复杂度高的问题, 基于互相关(Cross-correlation, CC)和快速傅里叶变换(Fast Fourier transformation, FFT)构造了一种快速算法; 2) NLM在滤除噪声的同时会模糊图像结构信息, 在强噪声条件下更是如此. 针对这一问题, 提出了一种渐近非局部平均图像去噪算法, 该算法利用方差的性质来控制滤波参数. 数值实验表明, 快速算法较之经典算法, 在标准参数配置下运行速度可提高27倍左右; 渐近非局部平均图像去噪算法较之经典非局部平均图像去噪算法, 去噪效果显著改善.     

基于引导滤波和多尺度局部自相似单幅红外图像超分辨率方法

本文针对红外图像存在分辨率不高、对比度低的特点,提出了基于引导滤波和多尺度局部自相似性红外单幅图像超分辨率算法。首先,该方法引进了类高斯分布的“类高斯核”,在此基础上构建均值引导滤波器,该滤波器是一种线性边缘保持滤波器,可以得到图像的高频细节。其次,根据图像的自相似性,对初始高分辨率图像和原始低分辨率图像进行分块,得到待匹配窗和搜索窗,根据非局部均值（NLM）,待匹配窗图像块的值利用搜索窗中相似块的加权平均计算得到。再次,利用图像自相似性,待匹配窗在搜索窗的邻域内进行匹配搜索,找到与待匹配窗最相似的匹配块,计算出最佳匹配块的高频细节图像块,与相似块的加权平均值相加,重构出高分辨率待匹配窗。最后,合并所有的超分辨率重构的待匹配窗,相邻图像块重叠区域的像素值使用平均融合得到,得到最终的超分辨率图像。实验结果表明,本文算法不仅能很好重构图像的高频细节,还能很好的恢复图像的纹理特征,得到的结果不仅边缘更清晰更真实,而且纹理更加丰富。     

结合高阶微分的非局部均值图像去噪算法

非局部均值算法是近年来去噪效果优秀并且引起广泛研究的算法, 但是该算法对于弱纹理, 弱边缘不能很好地保持。在非局部均值算法的基础上, 利用高阶微分可以很好地反映图像的弱边界和振荡等特征的特点, 改进了非局部均值算法。改进的算法能够在去噪的同时保留更多的细节、纹理和弱边缘。     

基于非局部自相似性的谱聚类图像去噪算法

常见的图像去噪方法只是单独地利用了无噪图像或含噪图像的先验信息,并没有将这两种图像的先验信息有效地结合起来。针对这个问题,提出一种 联合无噪图像块的先验信息和含噪图像块的非局部自相似性进行去噪的图像去噪算法。首先,对无噪图像块进行谱聚类,通过谱聚类进行学习,图像中的相似块被聚集到同一类,并将学习得到的聚类信息用于含噪图像块的聚类;然后,向量化同一类中的含噪图像块并聚集形成一个矩阵,该矩阵中包含的原始图像数据构成一个低秩矩阵;再通过一个低秩逼近过程估计出相应的原始图像数据;最后,根据逼近得到的原始图像数据重建图像。实验结果表明,相较于已有的自适应正则化的非局部均值去噪算法以及基于主成分分析和局部像素聚类的两级图像去噪算法,提出的算法不仅可以获得较大的峰值信噪比,而且还能较好地保存图像的细节,取得了更好的去噪效果。     

广义非局部均值算法的图像去噪

NLM (non-local means)滤波成为图像去噪关注的热点.该方法利用在图像中的结构特征冗余,对消除白噪声的效果较好,但对有色噪声效果不理想.对其作了改进,引入广义高斯分布模型以及马氏距离来取代欧氏距离,并且将其推广到图像序列的去噪领域中.结果表明,相较于NLM方法,该方法能够较好地抑制有色噪声,明显地改善了去除噪声效果,在保留图像纹理边缘的同时,有效地去除了图像中的噪声信息.     

一种基于多尺度几何分析下的图像去噪算法研究

图像的边缘和轮廓包含图像的重要特征信息,当图像中数据混有噪声的时候,对边缘的检测比较困难。在多尺度几何分析理论的基础上,提出了一种基于尺度因子与Contourlet变换的图像去噪算法。实验表明,该算法对高斯白噪声污染的图像去噪具有很好的效果,不仅可以提高处理图像的信噪比,图像的视觉效果也明显改善。     

片相似性各项异性扩散图像去噪

提出了一种基于片相似性的各项异性扩散图像去噪方法.传统的各项异性图像去噪方法都是基于单个像素点的灰度相似性(或梯度信息),不能很好地保持弱梯度边缘和纹理等细节信息.基于片相似性的非局部图像去噪方法由于利用了邻域像素的灰度相似性,而能够很好地保持纹理等细节信息.将片相似性思想引入到各项异性扩散中,利用片相似性构造扩散函数,同时将片相似性各项异性扩散模型扩展到彩色图像的去噪.实验结果表明,提出的改进方法能很好地保持纹理等细节信息,不存在各项异性扩散普遍存在的明显的阶梯效应,同时比非局部图像去噪方法速度快.医学图像去噪实例也表明所提出方法具有很好的应用前景.     

一种改进的非局部均值图像去噪算法

传统非局部均值滤波算法中使用指数型加权核函数,容易导致图像细节因过度平滑而变得模糊。为此,在指数型加权核函数的基础上,采用余弦系数加权的高斯核函数,设计一种改进的非局部均值图像去噪算法,并将其应用于加权系数计算中。实验结果表明,该算法的去噪性能优于传统算法,且能更好地保留原图像的细节信息,峰值信噪比最大可以提升1.6 dB。     

基于稀疏先验的非局域聚类图像去噪算法研究

图像去噪是一类典型的病态（ill-posed）逆问题求解,噪声掩盖下的真实图像并不确定,需要引入先验信息缩小病态问题的求解范围。为了将外部干净图像的先验信息引入去噪进程,提出了一种基于外部干净图像与内部噪声图像稀疏先验的非局域聚类图像去噪算法,通过联合外部干净图像与内部噪声图像的图像块得到类稀疏化表达字典;通过全局的相似块匹配,得到理想图像的稀疏系数估计;基于类字典和估计的稀疏系数,采用压缩感知技术的稀疏重建方法实现图像去噪。实验表明,与传统的非局域稀疏聚类图像去噪方法相比,所提算法显著降低去噪块效应,在保留更多细节的同时,图像平坦区域过渡更加自然;而理想图像先验来源的扩展则进一步提高了算法在强噪声下的去噪性能,对强噪声具有更强的抑制能力。     

基于改进K-SVD和非局部正则化的图像去噪

K-奇异值分解( K-SVD)算法在强噪声下的去噪性能较差。为此,提出一种新的图像去噪算法。使用相关系数匹配准则和噪声原子裁剪方法改进传统K-SVD算法,提高原算法的去噪性能,将非局部正则项融入图像去噪模型,并采用非局部自相似性进一步改善图像的去噪效果。实验结果表明,与传统K-SVD算法相比,该算法在提高同质区域平滑性的同时,能保留更多的纹理、边缘等细节特征。     

噪声方差未知的小波域中非局部均值图像去噪

为了有效地去除噪声,获得细节清晰的图像,提出一种噪声参数未知情况下基于小波分析的图像去噪算法.首先对图像上交互选定的不含细节的样本区域进行小波分解,根据噪声方差在不同尺度、不同方向子带内的映像建立噪声的特征向量;利用此特征向量计算小波分解后高频子带内各小波系数之间的相似度,把该相似度作为权值对当前小波系数进行调整.实验结果表明,文中算法对于噪声方差未知的图像不仅能有效地去除噪声,而且能保持图像的边缘信息,获得较好的去噪效果;对实拍的含噪数码照片进行测试的效果理想.     

基于稀疏梯度场的非局部图像去噪算法

非局部平均(Non-local means, NLM)算法充分利用图像的自相似性与结构信息的冗余性, 取得了很好的去噪效果.然而, 在强噪声的干扰下, NLM算法中的权函数不能准确度量图像块之间的相似性. 因此, 很多文献利用图像的梯度信息对权函数做了改进.但是, 传统的梯度算子对噪声十分敏感, 不能有效地提高相似性度量的准确性. 本文将图像的稀疏梯度场(Sparse gradients field, SGF)引入权函数的定义中, 提出一种基于稀疏梯度场的非局部图像去噪算法. 首先, 区别于传统基于局部的梯度算子, 提出了基于全局的稀疏梯度场模型, 进一步给出一个自适应的稀疏梯度场模型(Adaptive sparse gradients field, ASGF), 并利用向前--向后分裂算法求解.然后, 利用图像的稀疏梯度场对NLM算法的权函数进行改进, 得到本文提出的算法.实验结果表明, 无论是客观评价还是视觉效果, 本文所提算法的性能优于NLM 算法和其他利用梯度信息改进的NLM算法.     

加强的低秩表示图像去噪算法

由于低秩表示（Low-Rank Representation,LRR）模型中核范数对非零奇异值的估计不足,所以利用参数化的非凸惩罚函数来估计非零奇异值,同时结合全变差（Total Variation,TV）范数保持图像边缘信息和加强区域平滑性的能力,通过对LRR模型中的系数矩阵施加TV范数约束,提出了一个新的图像去噪算法,并且采取交替最小化方法求解对应模型。利用图像的内在非局部自相似性先验,所提算法能够在有效发现和移除噪声的同时,增强恢复图像的结构和区域平滑性,提高图像的恢复质量。实验结果表明,与其他去噪算法相比,无论是客观评价还是视觉效果,所提算法都实现了具有竞争力的去噪表现,特别是在噪声强度较大时。     

基于混合线性模型的图像去噪

现有的图像去噪算法大多假设图像为分段平滑信号,通过滤除图像中的振动分量达到去噪的效果.如果将这类方法应用于纹理图像,则会导致图像细节信息的损失.该文针对保留图像细节的问题,提出了基于混合线性模型的去噪方法.新方法不假设图像分段平滑,仅假设图像具有自相似性,利用图像的相似性区分图像信号与噪声.文中使用统计学习的方法对图像区域进行聚类,并得到图像主成份,以主成份作为信号分量重组图像,从而对纹理图像取得很好的去噪效果.