基于小波变换的图像去噪优化算法

提出了一种基于小波变换的图像去噪优化算法。先通过小波边缘检测法求出有噪图像的边缘图像;再利用广义交叉确认原理求出的阈值对原有噪图像进行小波去噪,得到平滑图像;最后,将边缘图像嵌入平滑图像中,得到去噪后的图像。该算法能在有效去噪的同时保留图像的细节信息,提高了信噪比。     

一种基于边缘检测的图像去噪优化方法

为了消除或衰减存在于图像上的噪声,同时尽可能地保留图像细节,提出基于边缘检测的图像去噪算法.先通过小波边缘检测法求出有噪图像的边缘图像;再通过小波边缘检测方法确定哪些小波系数是图像的边缘特征,这些小波系数将不受阈值去噪的影响,因此,可以只是根据噪声方差来设置去噪的阈值,对原有噪图像进行小波去噪,得到平滑图像;最后,将边缘图像嵌入平滑图像中,得到去噪后的图像.实验结果表明,与普通的小波阈值去噪方法相比,上述算法不但能在有效去噪的同时保留图像的细节信息,而且能提高去噪后图像的峰值信噪比.     

基于系数相关性的小波变换红外图像去噪

提出了一种基于层内邻域相关性的正交小波变换红外图像去噪算法.首先对红外图像进行离散小波变换,分别对各个分解层的高频子带进行处理;考虑到小波系数的层内邻域相关性,通过基于最小均方误差算法的邻域小波系数向量估计小波系数,然后由估计的高频子带小波系数,通过小波反变换得到去噪图像.仿真结果表明,该红外图像去噪算法能有效去除图像噪声,在峰值信噪比和主观视觉质量等方面都有明显改善.     

非平稳环境下基于小波变换的图像去噪

传统的图像去噪算法往往仅对平稳或缓慢变化的噪声有效,且残留的图像噪声较大。对此,研究了非平稳环境下基于小波变换的图像去噪算法。该算法根据图像与噪声在小波域的分布特性以及它们的小波变换模极大值随尺度的变化大小不同,运用迭代算法得到不同尺度小波域中噪声的具体位置以及小波系数大小,完成了图像去噪。实验结果表明,对峰值信噪比较低的图像,该方法去噪后峰值信噪比比传统方法的高,并且保留了较多的图像细节,同时对平稳和非平稳的噪声都能进行较好地去噪。     

基于均值滤波和小波变换的图像去噪技术研究

采用均值滤波和小波变换相结合的图像去噪方法是先将含噪图像进行小波分解,在小波域中,选取适当的阈值对小波系数进行处理,然后对图像信号进行局部重构至第一层,并采用不同的模板对第一层的各细节子图像进行均值滤波,最后将低频近似图像与均值滤波后高频细节图像合成得到去噪后的图像.这种方法与全局Donoho软、硬阔值小波去噪方法和Birge-Massart策略软、硬阈值小波去噪方法相比,其去噪效果更为明显.它在降低了图像的噪声的同时,又尽可能地保留图像的细节,且图像更加平滑.仿真实验证明,该方法是一种有效的图像去噪方法.     

基于小波变换和稀疏表示的图像去噪

传统小波阈值去噪在对图像进行去噪时,并不能很好地保留图像的细节纹理等边缘信息部分.针对这一不足,结合了稀疏表示相关的理论,提出了一种基于小波变换和正交匹配算法相结合的图像去噪算法.首先选取小波函数对含噪图像进行处理,分离出图像的高频和低频小波系数,然后对高频系数结合正交匹配追踪算法,通过多次反复迭代求得高频稀疏分量,再结合低频分量,用逆小波变换得到恢复图像.实验结果表明,在相同的噪声条件下,该算法能取得较好的峰值信噪比(PSNR),获得更好的视觉效果.     

一种基于形态学的小波阈值去噪方法

如何选取阈值是小波图像去噪的关键,在图像去噪的同时,还应尽量保留图像的边缘信息,基于这一思想,提出了一种基于形态学的小波去噪算法。用数学形态学算子对图像小波变换后的小波系数进行处理,并结合半-软阈值去噪技术。实验表明,该算法在去噪的同时,很好地保留了图像的边缘信息。     

基于非抽样Contourlet变换的最佳软阈值图像去噪

研究了小波变换在图像处理中的缺陷,以及Contourlet变换在图像处理中产生伪Gibbs失真的原因.为了在多尺度分析框架下改进图像去噪的效果,提出了一种基于非抽样Contourlet变换的图像去噪算法,利用非抽样Contourlet变换的多尺度多方向性以及平移不变性,对加噪图像进行非抽样Contourlet变换得到变换系数,然后对变换系数采用分层最佳软阈值处理,最后将其反变换得到去噪后的图像.实验结果表明,与Contourlet变换图像去噪算法相比,该算法可以达到更好的效果.     

基于NSCT阈值萎缩法的遥感图像去噪

针对图像去噪过程中产生的伪吉布斯现象以及峰值信噪比(PSNR)较低等问题,提出一种基于非下采样Contourlet变换(NSCT)阈 值萎缩法的遥感图像去噪算法。根据NeighShrink去噪算法中尺度内系数的邻域系数相关性,以及BiShink去噪算法中不同尺度间系数的相关性,对图像进行去噪,利用NSCT的平移不变性,抑制小波去噪中的伪吉布斯现象。实验结果证明,采用该算法去噪后的图像PSNR较高,视觉效果较优。     

基于均值滤波和小波变换的图像去噪技术研究

采用均值滤波和小波变换相结合的图像去噪方法是先将含噪图像进行小波分解,在小波域中,选取适当的阈值对小波系数进行处理,然后对图像信号进行局部重构至第一层,并采用不同的模板对第一层的各细节子图像进行均值滤波,最后将低频近似图像与均值滤波后高频细节图像合成得到去噪后的图像。这种方法与全局Donoho软、硬阈值小波去噪方法和Birge-Massart策略软、硬阈值小波去噪方法相比,其去噪效果更为明显。它在降低了图像的噪声的同时,又尽可能地保留图像的细节,且图像更加平滑。仿真实验证明,该方法是一种有效的图像去噪方法。     

小波系数扩散的多步图像去噪方法

为了研究小波和偏微分方程在图像去噪方面的相关性,对小波阈值去噪过程进行了分析,得到了基于小波变换的偏微分方程关系式.利用小波变换的模代替梯度算子的模检测边缘,能较好地实现对图像特征的平滑.在此基础上进一步研究了该关系式的解法,提出了小波系数扩散的多步图像去噪方法.该方法通过对小波系数归一化,把得到的状态权通过各向异性扩散后作用在原小波系数上,采用多步方法实现了图像去噪,达到了既保护边缘又去除噪声的目的.数值实验结果表明:该方法使峰值信噪比平均提高约1.9dB,视觉效果也有较大提高.     

一种新的非下采样Contourlet域图像去噪算法

作为新型高维奇异性分析工具,非下采样轮廓(Nonsubsampled Contourlet)变换不仅克服了小波(Wavelet)变换的非奇异性最优基缺点,而且提供了优于轮廓(Contourlet)变换的平移不变性.以性能优越的非下采样轮廓变换为基础,提出了一种新的图像去噪方法.该方法首先对图像进行非下采样轮廓变换,以得到不同尺度、不同方向上的变换系数;然后结合噪声分布特点确定多尺度阈值,并依此阚值对高频系数进行去噪处理;最后对去噪处理后的变换系数进行反变换,以得到去噪图像.仿真实验结果表明,该方法不仅拥有较强的抑制噪声的能力,而且具有较好的边缘保护能力,同时消除了图像边缘附近的伪吉布斯(Gibbs)现象,整体性能优于小波变换图像去噪和轮廓变换图像去噪方法.     

基于非抽样Contourlet变换的最佳软阈值图像去噪

研究了小波变换在图像处理中的缺陷,以及Contourlet变换在图像处理中产生伪Gibbs失真的原因。为了在多尺度分析框架下改进图像去噪的效果,提出了一种基于非抽样Contourlet变换的图像去噪算法,利用非抽样Contourlet变换的多尺度多方向性以及平移不变性,对加噪图像进行非抽样Contourlet变换得到变换系数,然后对变换系数采用分层最佳软阈值处理,最后将其反变换得到去噪后的图像。实验结果表明,与Contourlet变换图像去噪算法相比,该算法可以达到更好的效果。     

多方向一维小波变换的显微图像去噪

根据显微图像的特点,从水平、垂直、+对角线、-对角线四个方向将二维图像转为一维数组,对不同的分解尺度上的高频系数采用不同的阈值处理,对阈值处理后的高频系数进行增强处理,进行一维小波逆变换,一维数组转化为二维图像,最后将四个二维图像进行非均权值计算得到去噪后的图像。在原子力显微镜得到的显微图像中进行仿真实验,与改进软阈值去噪算法和Keesook.J.Han提出的去噪算法相比较。结果证明多方向一维小波变换的显微图像去噪算法具有更好的去噪性能,边缘细节保持明显优于其他算法。     

基于小波自适应阈值图像去噪方法的研究

利用小波变换对图像去噪是一种非常有效的方法。传统的小波去噪算法对图像去噪后的平滑效果不是很好,图像细节清晰度不够高,甚至会产生伪吉布斯现象。针对这些现象,文中提出了一种改进的基于小波变换的多尺度自适应阈值图像去噪方法。该方法根据图像小波分解的特性,确定适合小波分解后不同层系数去噪的较优阈值,然后结合恰当的阈值函数对各层高频系数进行处理来达到去噪效果。实验结果表明,与传统方法相比,该方法运算量较小,能有效去除高斯白噪声,进一步提高峰值性噪比,同时能够很好地保留图像细节信息。     

基于图像变换系数稀疏性的去噪处理

为解决传统图像去噪算法存在边缘纹理信息损失的问题,根据图像平滑区域离散余弦变换(DCT)非零系数个数较少的特点,提出了基于图像变换域稀疏表示的去噪算法：首先依据l2范式将图像的相似区域块构成块群;然后对块群中的各块进行DCT。由变换域系数的稀疏性,利用阈值进行首次去噪。为进一步去除噪声,对块群进行主成分分析（PCA）,提取块群PC分量,运用PC分量对块群进行分析处理;最后把处理后的图块结合Kaiser窗口返回到原图像中,得到去噪后的图像。与传统去噪相比,该方法在去噪过程中保留了边缘纹理信息,抑制了该信息对去噪的影响,提高了图像的视觉效果。     

基于对偶树复小波域图像融合的SAR图像去噪

边缘信息是图像重要的细节信息,保护图像的边缘信息对提高图像质量非常重要.但是在图像去噪的过程中,往往会破坏图像的边缘信息.针对去除噪声和保护边缘信息的双重考虑,提出一种基于对偶树复小波域图像融合的SAR图像阈值去噪.考虑到局部硬阈值和软阈值各自的特点,利用对偶树复小波变换的优点和图像融合的特点,首先在自然对数域对SAR图像进行对偶树复小波分解,然后对小波系数分别执行局部硬阈值去噪和局部软阈值去噪,最后依次通过图像融合,对偶树复小波反变换,指数变换得到去噪以后的图像.实验结果表明,算法融合了两种周值去噪方法的优点,在明显去噪的同时,更好地保护了图像的边缘信息.     

基于边缘检测的空间自适应小波去噪

一般的图像去噪方法在去除噪声的同时也使得边缘变得模糊,结合边缘检测和空间自适应思想,提出一种新的基于小波变换的图像去噪方法。先用小波边缘检测方法提取出图像各个尺度上的边缘,将小波系数分为边缘点和非边缘点,再根据边缘将小波系数分为各个小区域,这样将小波系数分为边缘点和各个区间内的非边缘点,分别对它们进行阈值处理。根据自适应准则,各个系数的阈值由它相邻的、有相同性质的系数决定,这使得在去噪的同时对图像的边缘特征予以保护。实验结果表明,该方法去噪后的图像信噪比更高,视觉效果也更好,在一定程度上解决了去噪时的边缘模糊问题。     

一种基于图像边缘检测的小波阈值去噪方法

边缘特征是图像最有用的高频信息，因此，在图像去噪的同时，应尽量保留图像的边缘特征。为实现这一想法，提出了一种基于图像边缘检测的小波阈值去噪新方法。该方法在去噪前,先用定位精度高的小尺度LOG算子检测图像的边缘，对检测出的边缘进行均值平滑滤波，以减少边缘图像中的孤立点噪声；进而再对图像边缘和含噪图像分别进行小波分解，根据分解后的小波系数以确定图像的边缘特征和非边缘特征；最后，再对图像边缘对应的小波分解系数进行小阈值处理，而对非边缘的则进行大阈值处理，从而实现了在去噪的同时保留了图像边缘特征的目的。实验结果表明，与普通的小波阈值去噪方法相比，该方法可有效地保持图像的边缘信息，去噪效果则优于前者。     

基于NSCT循环抽样的声纳图像去噪方法

针对声纳图像对比度差、不易判别边缘及细节的特点,提出一种有效的声纳图像去噪方法。对含噪声纳图像循环抽样后得到多幅声纳图像,分别执行NSCT变换,选取适当的阈值对变换的系数进行取值,筛选后的系数进行NSCT逆变换;将得到的多幅去噪后的图像空域平均后输出去噪后的图像。通过实验数据比较,此改进算法好于其他经典方法,提高了处理结果的信噪比及边缘保持效果。由于充分利用了NSCT变换的平移不变性,使去噪后的细节保护能力增强。