分段式多层卷积神经网络渲染图像降噪模型

全局光照渲染技术在虚拟现实应用中日益普及,但其图像高分辨率采样带来的高时间成本严重影响用户感受.为解决上述问题,提出分段式卷积神经网络模型,对低分辨率采样渲染结果进行实时降噪并获得更高质量的渲染图像结果.该模型分为2段,针对已有降噪模型处理时序渲染结果序列时出现的不稳定性瓶颈,前段使用多层跳跃连接的循环卷积神经网络将渲染结果以序列为单位进行处理,保障降噪结果的时序稳定性;针对降噪模型在时序降噪中的效果瑕疵,后段串联多层渲染图像降噪卷积神经网络对处理结果进行优化;为加快模型训练速度并进一步提升降噪效果,使用低分辨率采样的场景反射率图、法线向量图、场景深度图、阴影图等渲染辅助图像信息作为辅助输入.所提模型综合了已有图像和视频降噪模型的优点,在5种自定义场景上的降噪实验结果表明,该模型具有良好的时序稳定性和降噪效果,镜面处噪点数量明显少于当前主流的OptiX降噪器;在降噪结果与目标图像的结构相似性(SSIM)指标上,与OptiX降噪器相比,该模型在5个场景中分别有5.8%, 12.2%, 1.5%, 4.7%和1.8%的提升.     

盲环境下稀疏编码监控视频图像降噪仿真

针对盲环境监控视频图像降噪问题,以及当前图像降噪方法中存在的运行效率较低、降噪图像失真度较高等不足之处,结合稀疏编码技术,提出盲环境下稀疏编码监控视频图像降噪方法。根据稀疏表示理论,将其扩展应用到监控视频图像中,利用正交匹配追踪算法对待处理图像进行稀疏编码;采用自适应方式从含噪图像块样本中获取字典,结合自变量分解及拉格朗日算法进行相关问题求解,并据此对图像稀疏编码系数进行优化;结合噪声模型与图像系统的观察模型,对待处理图像进行噪声估计,根据全部噪声估计均值进行图像降噪处理。仿真结果表明,所提盲环境下稀疏编码监控视频图像降噪方法的图像降噪效果优于实验对比方法,且降噪处理时间更短,具有较好的鲁棒性。     

采用多通道浅层CNN构建的多降噪器最优组合模型

现有的一致性神经网络(Consensus neural network, CsNet)利用凸优化和神经网络技术将多个降噪算法(降噪器)输出的图像进行加权组合(融合), 以获得更好的降噪效果, 但该优化模型在降噪效果和执行效率方面仍有较大改进空间. 为此, 提出一种基于轻量型多通道浅层卷积神经网络(Multi-channel shallow convolutional neural network, MSCNN)构建的多降噪器最优组合(Optimal combination of image denoisers, OCID)模型. 该模型采用多通道输入结构直接接收由多个降噪器输出的降噪图像, 并利用残差学习技术合并完成图像融合和图像质量提升两项任务. 具体使用时, 对于给定的一张噪声图像, 先用多个降噪器对其降噪, 并将降噪后图像输入OCID模型获得残差图像, 然后将多个降噪图像的均值图像与残差图像相减, 所得到图像作为优化组合后的降噪图像. 实验结果表明, 与CsNet组合模型相比, 网络结构更为简单的OCID模型以更小的计算代价获得了图像质量更高的降噪图像.     

基于无监督深度图像生成的盲降噪模型

鉴于有监督神经网络降噪模型的数据依赖缺陷,提出了一种基于无监督深度生成（UDIG）的盲降噪模型。首先,利用噪声水平评估（NLE）算法测定给定噪声图像中的噪声水平值并输入到主流FFDNet降噪模型中,所得到降噪后的图像（称为初步降噪图像）作为UDIG降噪模型的输入。其次,选用编码器—解码器架构作为UDIG模型的骨干网络并用UDIG模型的输出图像（即生成图像）分别与初步降噪图像、噪声图像之间的均方误差之和构建混合loss函数;再次,以loss最小化为优化目标,通过随机梯度下降（SGD）网络训练算法调整网络模型的参数值从而获得一系列生成图像;最后,当残差图像（噪声图像与生成图像之间）的标准差逼近之前NLE算法所测定的噪声水平估计值时及时终止网络迭代训练过程,从而确保生成图像（作为降噪后图像）的图像质量最佳。实验结果表明：与现有的主流降噪模型（算法）相比,UDIG降噪模型在降噪效果上具有显著优势。     

小波域图像降噪概述

小波域图像降噪是图像处理中一个引人注目的研究方向，为了使人们对小波域图像降噪有一概括了解，在对小波域图像降噪相关文献进行分析和理解的前提下，首先给出了小波变换的特性，同时阐述了小波去噪的最优准则和对图像进行小波变换时小波基的选取原则，然后评述了用于图像降噪的方法，并分析了利用小波系数建模的常用方法，最后探讨了小波域图像降噪的发展方向。     

基于RBF神经网络的交叉检验图像降噪方法

径向基神经网络(RBFNN)有很好的函数逼近能力，本文把图像看成函数，用RBFNN来表示图像，并在学习过程中进行逼近，采用交叉检验的方法来确定网络模型并控制学习过程，使得网络既能较好地逼近图像，又对噪声进行抑制，从而达到图像降噪的目的。实验证明这是一个可行的盲目图像降噪方法，有广泛的适用性。本文还给出了实验中改进交叉检验方法的技术，给出了与wiener滤波器降噪的实验效果对比图。     

改进的自适应广义整体变分图像降噪模型

针对自适应广义整体变分(AGTV)图像降噪模型对图像边缘信息定位精度不高及提取不足的问题,为提高图像降噪效果和峰值信噪比,提出了改进的AGTV(IAGTV)图像降噪模型。一方面,该算法换用精度更高的梯度计算方法,相对于AGTV更精确地定位图像边缘;另一方面,为优化图像预处理的滤波过程,用高斯-拉普拉斯联合变换替代高斯平滑滤波,更有利于检测图像边缘信息,在实现降噪的同时防止边缘信息弱化。数值仿真实验得出,IAGTV模型的复原图像峰值信噪比相对于固定p值的GTV模型提高了大约1.0 dB,比AGTV模型提高了至少0.2 dB。实验结果表明IAGTV具有良好的图像降噪能力。     

利用均匀离散曲波域LCHMM的图像降噪算法

提出了一种在均匀离散曲波域中利用局部上下文隐马尔可夫模型进行建模的图像降噪算法。介绍均匀离散曲波变换的特点,分析其系数的统计分布规律,表明适合用隐马尔可夫模型对其进行建模。通过期望最大化训练获取模型的参数,利用参数得到降噪图像的系数估计。分别对光学图像和高分辨率的SAR图像进行了降噪实验,与小波域、轮廓波域的局部上下文隐马尔可夫模型等降噪方法进行比较,结果表明,提出的算法能够有效地去除噪声,具有较强的边缘保持能力。     

基于PCNN的图像椒盐噪声滤除方法

传统的降噪方法在图像降噪之后会损坏图像的部分边缘细节信息,致使图像的轮廓变得模糊不清。为了达到更好的图像降噪效果,提出一种改变突触链接强度和改进阈值函数的脉冲耦合神经网络的图像降噪方法。该方法将基本脉冲耦合神经网络模型进行简化,使突触链接强度自适应取值,将阈值函数改进为分段的衰减函数,从而提高对图像不同灰度值的分辨力,并根据神经元与其周围神经元点火时间差定位噪声点,提高了算法对噪声点的辨识精确度,进而实现更好的降噪效果。实验结果表明,改进方法准确地辨识出了图像的椒盐噪声点,并且能够有效去除噪声点,同时很好地保护图像边缘细节。     

小波变换在身份证图像降噪中的应用研究

针对非理想身份证图像中存在的斑点噪声,利用小波变换降噪的特点,将身份证图像进行小波分解,然后分别采用硬阈值、软阈值和小波指数函数三种方法进行降噪处理。结果表明小波指数方法是较优降噪方法,可以有效地降低原图像的斑点噪声并保留图像细节。     

基于梯度及HVS特性的离焦模糊图像质量评价*

在当前人眼视觉系统（HVS）特性研究的基础上提出基于梯度及HVS特性的离焦模糊图像质量评价模型（GVSSIM）。该模型利用Sobel边缘梯度算子提取图像的梯度信息,并根据人眼视觉特性进行视觉加权,得到新的结构相似性评价指标,进而获得图像质量评价指标。该方法与SSIM(图像结构相似度)评价模型相比,具有计算简单的特点,对离焦模糊图像的评价结果能更好地反映人眼视觉感受。     

图像质量的HVS评价方法

在充分分析人类视觉系统（HVS）的亮度、纹理、边缘等特性,并给出相应的视觉特性计算模型后,提出一种结合HVS特性的加权峰值信噪比计算方法。实验结果表明该模型计算出的HVS值能充分反映人类视觉系统的屏蔽特性;该图像质量评价方法的评价结果与主观评价结果相一致,效果优于传统图像质量评价方法。     

基于二阶导数算子与小波变换的图像去噪

二阶导数算子噪声定位的图像去噪法对椒盐噪声有很强的去噪能力,但对高斯噪声去噪效果较差,基于小波变换的图像去噪法能有效去除高斯噪声,但几乎不能去除椒盐噪声。针对上述问题,采用二阶导数算子降噪与小波变换去噪相结合的方法对图像去噪,利用2种方法进行优势互补,能较好地去除椒盐、高斯噪声和椒盐-高斯混合噪声,降低选择阈值的难度,有利于提高图像去噪精度。实验结果表明,该算法是有效可行的。     

图像去噪算法研究

文章主要讨论了数字图像的噪声特点及其数学模型。并在此基础上进行了各种去噪方法的讨论，主要有空域去噪法和频域去噪法，还有现在研究比较热的一些新型方法，如数学形态学、神经网络等。同时，文章还对其中的每一种方法的优缺点进行了研究，给出了目前国内外的最新研究成果及去噪算法研究的发展前景。     

应用ROF模型的医学超声图像去噪方法

由于超声成像机制使医学超声图像中存在着大量的斑点噪声,这些斑点噪声大大降低了图像的清晰度和质量,给超声诊断带来很大的困难。针对医学超声图像的斑点噪声去噪问题,提出了一种基于帧相关处理、ROF分解和自适应小波阈值的去噪方法,能够在抑制超声图像斑点噪声的同时,尽可能地保留甚至增强图像的细节信息,大大提高图像质量,取得了很好的效果。     

基于小波变换统计模型的电子元器件图像去噪算法研究

在先进电子制造中,为了应用机器视觉方法来完成电子元器件的检测、处理和识别,必须对采集的相关图像进行去噪处理。文章研究了一种基于小波变换统计模型的去噪算法,利用四树复小波包变换把含噪图像高频方向子图分为主要类和次要类。然后,采用非高斯双变量模型和零均值高斯分布模型分别对主要类和次要类复系数进行建模,从而实现噪声抑制功能。实验结果验证了本文方法的有效性。     

基于小波分析的阈值降噪算法研究

小波变换的阈值消噪方法是利用小波交换技术对含噪图像进行分解和重构,对小波分解后的各层系数模大于和小于某阈值的系数分别进行处理,然后利用处理后的小波系数重构出消噪后的图像。分析了小波消噪的算法和实现步骤,并基于Matlab软件平台编写仿真程序,消噪效果良好。     

一种改进的二进小波变换图像去噪方法

本文在分析图像噪声消除与细节保持相矛盾的基础上，提出了一种改进的二进小波变换图像去噪方法。首先用自适应滤波多尺度边缘检测方法检测出图像的边缘；然后用二进小波变换去噪方法进行全局闯值去噪；最后将边缘图像嵌入到二进小波去噪后图像。实验结果表明，该方法不仅能够滤除图像的噪声，而且能够保持图像的边缘信息。     

基于Contourlet的图像PCA去噪方法

提出了一种通过主分量分析(PCA)对Contourlet域中噪声能量的估计来实现去噪的新方法。Contourlet变换是一种结合多分辨率分析和方向性滤波的小波变换,它除了具有一般小波变换的多尺度、时频局域性外,还具有多方向性、各向异性等特征。因此,Contourlet能有效地捕获到自然图像中的轮廓,并对其进行稀疏表示。目前使用的小波去噪方法基本上都是建立在对噪声方差估计的基础上,而在Contourlet变换系数中,通过建立数学模型对噪声方差进行精确的估计是很困难的。算法无需对噪声方差进行估计,更具有实用价值。实验结果显示,与小波软、硬阈值去噪算法和基于小波的图像PCA去噪方法比较,该算法不仅提高了图像的信噪比,而且图像视觉效果也明显改善。     

基于小波变换的多阈值图像去噪改进方法

图像去噪就是在保留图像边缘及其他特征的基础上去除噪声,小波变换域的阈值去噪方法是图像去噪众多方法中最有效的方法之一,本文对多阈值图像去噪方法进行了改进,得到一种新的图像多阈值图像去噪方法,实验证明该方法可以有效地提高图像去噪效果。