一种基于曲率变分正则化的小波变换图像去噪方法

噪声和图像的细节特征主要集中于图像高频部分,在图像去噪过程中,图像的某些重要特征（如边缘、细小纹理等）易受到破坏.针对这一情况,本文提出基于曲率变分正则化的小波变换图像去噪方法,首先用小波提取图像的高频成分,对图像进行增强处理,然后用增强图像的水平集曲率建立一个基于水平集曲率的曲率驱动函数,再将曲率驱动函数作为一个校正因子引入到变分模型中,建立曲率变分模型,用以控制图像的整体结构.在缺乏图像梯度信息的情况下,该模型克服了ROF模型错误扩散这一缺点,符合图像处理的形态学原则.最后,用建立的曲率变分模型处理提取的高频成分,重构处理后的高频成分和原来的低频成分,得到去噪后的图像.分析和仿真结果表明,新算法可有效抑制噪声,有极高的图像结构相似度,去噪效果明显.     

一种高效的小波变换去噪方法

小波变换用于图像去噪的思想已经提出了很久,然而前人所提出的这种方法对于去噪的效果并不理想。图 像经这种小波变换去噪后,纹理特征被弱化,图像的边缘出现较明显的Gibbs效应,图像变模糊。针对以上问题,本文提 出了一种高效的小波变换去噪方法(HPID)。此去噪方法是基于小波变换的新方法,与经典的小波去噪方法不同,该方法不 依赖图像大小来判定去噪门限,不需方差信息,且适用于不同类型噪声。采用本方法处理的噪声图像与经典方法相比,不 仅消除了Gibbs效应,而且图像的边缘信息更清晰,纹理特征增强,去噪能力得到改善。     

基于Contourlet域K-L变换的SAR图像相干斑抑制

针对SAR图像相干斑噪声去除问题,提出了一种基于多尺度分解的Contourlet域K-L变换的SAR图像去噪的新方法。方法首先对源图像进行Contourlet分解,在不同频段的子带图像中,利用K-L变换进行能量保持即提出信号的主要特征,用重构图像来进行去噪,最后通过Contourlet逆变换得到去噪之后的图像。在SAR图像上的实验结果表明,方法不仅较好地保持了图像的纹理和细节特征及边缘特征,且信噪比也较高。     

基于稀疏表示的Shearlet域SAR图像去噪

该文通过分析SAR图像的噪声成因以及其斑点噪声模型,结合图像的稀疏表示理论提出一种基于稀疏表示的Shearlet域SAR图像去噪算法。算法从整体上对SAR图像进行去噪:首先对SAR图像进行Shearlet变换,然后利用稀疏表示模型构造出去噪的最优化模型,在此基础上进行迭代去噪,然后重构SAR图像得到去噪后的图像。实验结果表明:该文所提出的算法不仅可以显著去除相干斑噪声,提高去噪图像的峰值信噪比(Peak Signal to Noise Ratio, PSNR),还明显地改善了图像的视觉效果,更好地保留了图像纹理信息。     

基于残差编解码器的通道自适应超声图像去噪方法

超声图像去噪对提高超声图像的视觉质量和完成其他相关的计算机视觉任务都至关重要。超声图像中的特征信息与斑点噪声信号较为相似,用已有的去噪方法对超声图像去噪,容易造成超声图像纹理特征丢失,这会对临床诊断的准确性产生严重的干扰。因此,在去除斑点噪声的过程中,需尽量保留图像的边缘纹理信息才能更好地完成超声图像去噪任务。该文提出一种基于残差编解码器的通道自适应去噪模型(RED-SENet),能有效去除超声图像中的斑点噪声。在去噪模型的解码器部分引入注意力反卷积残差块,使本模型可以学习并利用全局信息,从而选择性地强调关键通道的内容特征,抑制无用特征,能提高模型去噪的性能。在2个私有数据集和2个公开数据集上对该模型进行定性评估和定量分析,与一些先进的方法相比,该模型的去噪性能有显著提升,并在噪声抑制以及结构保持方面具有良好的效果。     

图像方向纹理保持的方向全变差正则化去噪模型及其主优化算法

正则化方法是目前解决图像去噪不适定性的一条有效途径,但对于图像中纹理细节的保持仍是棘手的问题。本文针对图像方向纹理保持的去噪问题,给出了图像方向纹理保持的方向全变差正则化去噪模型。分析和证明了方向全变差的若干等价表示性质,并基于该性质迭代构造代理泛函和B样条离散差分逼近方法,给出了一种主优化去噪算法。数值实验表明,该方法在去除噪声、抑制图像的“阶梯效应”和保持图像方向纹理等方面取得较好的效果。     

一种新的结合非下采样Contourlet与自适应全变差的图像去噪方法

该文提出了一种新的结合非下采样Contourlet变换(NSCT)和自适应全变差模型的图像去噪方法。首先通过NSCT对含噪图像进行分解,根据高斯比例混合(GSM)模型建立图像模型;然后利用贝叶斯估计进行图像去噪,重构后得到初次去噪图像;最后,结合自适应全变差模型对初次去噪图像进行重构滤波,得到最终的去噪图像。实验结果表明,该方法可以有效地消除图像中的Gibbs伪影及噪声,在去噪图像峰值信噪比(PSNR)和边缘保持性能上都优于已有的算法。     

基于非下采样Contourlet变换的图像相关去噪

针对Contourlet变换不具有平移不变性,在图像去噪中容易产生伪吉布斯现象的情况,本文将具有平移不变性的非下采样Contourlet变换与相关去噪法相结合,采用不同的相关系数归一化方法,用Bayesian阈值代替传统的硬阈值来达到更好的去噪效果。实验表明,该方法提高了去噪后图像的峰值信噪比(PSNR),同时,有效保留了图像的纹理信息,避免了伪吉布斯现象,改善了图像的视觉效果。     

基于梯度增强扩散的线形纹理图像去噪算法

针对传统图像去噪中会破坏边缘纹理特征的现实问题,提出了一种基于梯度增强扩散的线形纹理图像的去噪算法。算法主要针对含有线形结构的纹理图像,在基于偏微分扩散方程的去噪过程中引入了结构分析,并根据局部梯度变化,重新定义了扩散系数,能在有效增强边缘特征的同时去除图像中的小尺度噪声。仿真实验表明,与传统的高斯平滑去噪算法相比,在实现对线形纹理图像去噪的同时,能较大程度保留图像的线形纹理信息,具有一定的应用价值。     

加强边缘保护的Curvelet图像去噪方法

提出了一种基于Curvelet变换的图像去噪方法。我们改进了Starck等所提出的Curvelet变换，去除了“环绕”现象，并将硬阈值去噪法与基于子带相关的图像去噪法相结合，在去除噪声的同时对图像的边缘特征予以保护。实验结果表明，用该方法去噪后的图像PSNR值更高，视觉效果也更好。     

基于NSCT域各向异性双变量萎缩图像去噪

提出了一种用各向异性双变量拉普拉斯函数模型去模拟NSCT域的系数的图像去噪算法,这种各向异性双边拉普拉斯模型不仅考虑了NSCT系数相邻尺度间的父子关系,同时满足自然图像不同尺度间NSCT系数方差具有各向异性的特征,基于这种统计模型,文中先推导出了一种各向异性双变量收缩函数的近似形式,然后基于贝叶斯去噪法和局部方差估计将这种新的阈值收缩函数应用于NSCT域,实验结果表明文中提出的方法同小波域BiShrink算法、小波域ProbShrink算法、小波域NeighShrink算法相比,能够有效地去除图像的高斯噪声,提高了图像的峰值信噪比;并较完整地保持了图像的纹理和边缘等细节信息,从而明显改善了图像的视觉效果。     

Orthogonal-directional forward diffusion image inpainting and denoising model

In this paper, an orthogonal-directional forward diffusion Partial Differential Equation （PDE） image inpainting and denoising model which processes image based on variation problem is proposed. The novel model restores the damaged information and smoothes the noise in image simultaneously. The model is morphological invariant which processes image based on the geometrical property. The regularization item of it diffuses along and cross the isophote, and then the known image information is transported into the target region through two orthogonal directions. The cross isophote diffusion part is the TV （Total Variation） equation and the along isophote diffusion part is the inviscid Helmholtz vorticity equation. The equivalence between the Helmholtz equation and the inpainting PDEs is proved. The model with the fidelity item which is used in the whole image domain denoises while preserving edges. So the novel model could inpaint and denoise simultaneously. Both theoretical analysis and experiments have verified the validity of the novel model proposed in this paper.     

Neighboring Coefficients Preservation for Signal Denoising

For traditional thresholding denoising, the wavelet coefficients are thresholded without considering the information of other coefficients. In this paper, we propose a novel denoising approach which incorporates the neighboring coefficients into signal denoising. Our approach not only preserves the coefficients above the threshold, but it also preserves the coefficients predominated by useful components although their magnitudes are smaller than or equal to the threshold. Experimental results illustrate that the proposed approach is better than the NeighShrink scheme and the hard thresholding in both of the visual perception and the numerical results.     

基于曲面特性的图像非线性扩散滤波

利用扩散滤波进行图像降噪的过程中,一个核心问题是,如何控制扩散系数,使得模型在图像信息位置停止扩散,而在噪声处有效地扩散。为了更好地解决此问题,本文采用了一种新的思想,把图像看作是三维空间的一个曲面,这样可以得到图像曲面的两个基本特性:高斯曲率和平均曲率。为了能够在图像进行扩散滤波处理中有效地利用图像在三维空间中的这些曲面特性,文章分析了已有的基于平均曲率或高斯曲率的非线性扩散滤波模型,总结了平均曲率和高斯曲率的特点,并在此基础上,提出了基于混合曲率的扩散滤波模型;该模型作为一种新的基于曲面特性的图像扩散滤波模型,同时利用了图像的高斯曲率和平均曲率,恰当地融合了两种曲率的特点,能够以相对较快的速度滤除噪声,同时保持图像的细节特征。      

交替使用小波去噪和全变差正则化的盲图像恢复算法

盲图像恢复就是在点扩散函数未知情况下从降质观测图像恢复出原图像.该文提出了一种交替使用小波去噪和全变差正则化的盲图像恢复算法.观测模型首先被分解成两个相互关联的子模型,这种分解转化盲恢复问题成为图像去噪和图像恢复两个问题,可以交替采用图像去噪和图像恢复算法求解.模糊辨识阶段,使用全变差正则化算法估计点扩散函数;图像恢复阶段,使用小波去噪和全变差正则化相结合的算法恢复图像.实验结果和与其它方法的比较表明该文算法能够获得更好的恢复效果.     

一种改进的图像去噪与增强模型

图像的去噪和增强越来越成为制约后续图像一系列处理的瓶颈,为此提出一种图像去噪与增强的混合模型。该模型在各向异性扩散模型的基础上引入边缘指示函数,达到快速识别边缘的目的;在冲击滤波器的基础上,引入含有时间变量的边缘判定函数,适时控制冲击幅度的大小。而后将上述两个模型结合起来,克服了扩散模型仅依赖梯度信息来控制扩散进程的弊端,也适时地锐化了边缘。实验表明该混合模型不仅可以很好地去除图像的斑点噪声,并且可以达到图像增强效果。     

双层约束下基于局部和全局信息的图像插值新模型

该文提出一种双层约束的图像插值模型,模型在原始未插值图像梯度模约束下同时基于局部和全局信息处理。使用偏微分方程处理边缘像素,锐化边缘同时平滑边缘块状效应;平滑区域像素点的插值操作使用非局部均值模型,非局部均值模型通过对原始图像全局信息加权平均得到待处理图像像素值,图像平滑。使用双层约束模型处理纹理图像可以保持纹理特征,平滑纹理部分线形特征位置的块状效应。最后理论和实验结果证明使用双层控制模型可以直接将噪声图像插值放大。     

基于Brushlet复特征的纹理分类

Brushlet是一种新的图像方向信息分析工具,其能量特征已被应用于纹理分割、分类以及去噪等领域。该文利用Brushlet变换为复函数这一特性,提取其能量及相位信息作为纹理分类特征。通过对Brodatz纹理图像库中均匀、非均匀以及全部图像进行分类实验,较之单一能量特征的分类方法,Brushlet复特征取得了更好的分类性能。     

Feature-preserving MRI denoising: a nonparametric empirical Bayes approach

This paper presents a novel method for Bayesian denoising of magnetic resonance (MR) images that bootstraps itself by inferring the prior, i.e., the uncorrupted-image statistics, from the corrupted input data and the knowledge of the Rician noise model. The proposed method relies on principles from empirical Bayes (EB) estimation. It models the prior in a nonparametric Markov random field (MRF) framework and estimates this prior by optimizing an information-theoretic metric using the expectation-maximization algorithm. The generality and power of nonparametric modeling, coupled with the EB approach for prior estimation, avoids imposing ill-fitting prior models for denoising. The results demonstrate that, unlike typical denoising methods, the proposed method preserves most of the important features in brain MR images. Furthermore, this paper presents a novel Bayesian-inference algorithm on MRFs, namely iterated conditional entropy reduction (ICER). This paper also extends the application of the proposed method for denoising diffusion-weighted MR images. Validation results and quantitative comparisons with the state of the art in MR-image denoising clearly depict the advantages of the proposed method.     

Oriented total variation l1/2 regularization

Total Variation (TV) is a widely used image restoration/decomposition model. It is observed that the classical TV l1 and TV l2 regularization, on the one hand, do not favor higher-gradient structures over lower-gradient details as expected for structure preserving image processing, and on the other hand, tend to reduce the horizontal and vertical gradients, and thus inevitably blur the oblique edges in images. In this paper, we address these two problems by defining Oriented Total Variation l1/2 (OTV l1/2). It is theoretically and experimentally demonstrated that applying l1/2 regularization to the directional derivatives of images leads to superior structure preservation. OTV l1/2 regularization can be applied to image denoising and video compression, and the experimental results verify that OTV l1/2 outperforms other similar models.