基于纯各向异性扩散和四阶PDE的混合去噪方法研究

综合纯各向异性扩散模型和四阶PDE模型在图像去噪中的特点,提出一种新的去噪模型——基于纯各向异性扩散和四阶PDE的混合去噪模型.该模型克服了四阶PDE模型过多损失边缘信息和纯各向异性扩散模型在平滑区域产生阶梯效应的缺点,在有效去除噪声的同时,既抑制了阶梯效应,又很好地保持了图像的边缘和纹理细节信息.     

基于边缘定向增强扩散模型的图像去噪

针对基于全变分(TV)的图像去噪模型,恢复图像存在阶梯现象(staircase)的缺点,提出了一个新的图像恢复的变分模型.定义了一个新的包含图像的边缘位置和方向信息的能量泛函,使得沿图像边缘的切线方向具有较强的平滑能力,而法线方向平滑较弱,可以较好的定位边缘.并且该模型能增强阶跃性边缘,防止因平滑造成的边缘模糊现象.试验结果表明:该模型可以部分的解决基于TV的变分模型中出现的阶梯现象,并且具有较好的去噪效果,而且它还能增强图像边缘并保持边缘的位置,其峰值信噪比(PSNR)在高噪声水平下,较其它方法提高大约1.0dB左右.     

基于Euler弹性项的去噪模型及Split bregman算法

TV去噪模型是基于一阶导数总变差的变分模型,容易在光滑区域出现阶梯效应。通常利用高阶导数信息来使图像扩散更加平滑。Euler弹性项使用光滑的边界对图像进行处理,广泛应用于图像遮挡,修复,分割等领域。本文主要研究基于Euler弹性项的图像去噪模型,并采用Split Bregman算法实现,有效地改善了TV模型的阶梯效应,并用数值实验验证了算法的有效性。     

基于偏微分方程的图像修复算法

针对TV模型修复算法只沿梯度垂直方向扩散,容易在平滑区域引入阶梯效应,迭代效率低,易产生假边缘的缺点,分析比较了TV图像修复模型的性能,提出了一种改进的图像修复算法。该算法同时结合了各向同性和各向异性扩散,利用区域频率差异实现了在不同的区域使用不同的迭代方程,有效避免了原始算法引入的阶梯效应,提高了迭代效率。实验结果表明,该算法与TV模型算法相比,在具有同样修复效果的前提下,避免了阶梯效应并优于TV模型的修复速度。     

基于最大后验概率的la范数去噪方法

从观测模型和先验模型入手,深入分析了在图像去噪过程中如何在边缘保护和去除噪声之间寻找平衡,针对TV先验模型在边缘保护和纹理保护中的不足,提出了新的基于最大后验概率的la范数去噪方法,该方法更好地保护了图像的边缘,同时使得在平滑区域产生的阶梯效应减少.数值实验进一步验证了该方法的正确性和有效性.     

基于CONVEF的四阶各向异性扩散及图像去噪

偏微分方程在图像去噪中有广泛的应用。传统的二阶偏微分方程虽然具有较好的去噪效果,但是处理得到的结果容易产生阶梯效应,这种现象会引起后续图像处理的误判断。You和Kaveh提出了四阶偏微分方程,该模型可以有效的去除阶梯效应,但由于该算法是一个各向同性的滤波算法,因此图像的边缘保护能力有所降低,使去噪结果中边缘和纹理等细节信息丢失。针对以上缺点,提出了基于卷积虚拟电子场(CONVEF)的四阶偏微分方程。新的模型降低了图像在边缘方向的扩散,得到一个有效的各向异性扩散模型,从而在去噪的同时可以更好的保护图像的边缘、纹理等细节特征。     

基于交叠组合稀疏全变分的图像去噪方法

全变分作为一种常用的去噪模型,在图像去噪中较好地保持图像边缘信息,但是容易产生"阶梯效应"。为了克服这个缺点,提出一种基于快速傅里叶变换的交叠组合稀疏全变分去噪模型。首先,充分考虑图像梯度的邻域结构相识性,通过交叠组合计算像素点的梯度,以凸显平滑区域的高噪声污染点和边界区域像素点的差异。然后,基于快速傅里叶变换和交替方向乘子算法在频域中求解去噪模型。实验结果表明,新模型在保护图像边缘信息的同时,有效去除噪声,同时抑制"阶梯效应"。与几种较好的去噪算法相比,新模型的峰值信噪比、结构相识度、视觉效果、计算效率均有明显提高。     

一种改进的全变分自适应图像去噪模型

目的 比较几种不同的变分图像去噪模型的优缺点,提出一种新的根据局部梯度信息自适应调整光滑性测度的模型.方法 新模型增加了梯度模值与两个门限的比较,小于门限1采用各向同性扩散去噪模型,大于门限2采用TV去噪模型,梯度模值在两个门限之间的采用自适应去噪模型.结果 新模型在强噪声水平下,改善了人眼主观视觉感受,均方误差(MSE)降低了约35,峰值信噪比(PSNR)提高了约2.25dB.结论 新模型改进了原有模型,进一步减少了"阶梯"效应,得到了更好的去噪效果.     

基于Prewitt算子的TV图像去噪算法

分析了传统TV算法抑噪不充分的原因,为了弥补其不足结合图像空间和像素梯度提出了一种改进算法.该算法首先运用Prewitt边缘检测算子分析图像空间梯度,并对空间梯度进行抑制,一定程度上克服了传统TV算法对平坦区抑噪不充分,甚至出现虚假边缘和阶梯效应的缺陷;再结合像素梯度分析了TV去噪的迭代函数完成保边去噪.与传统算法相比,该文算法残余噪声较小且边缘保护较好,提高了图像的PSNR和视觉效果.但对图像较小纹理误作为噪声而去除.     

一种新的4阶偏微分方程图像处理方法

提出了一种新的4阶偏微分方程去噪模型,与已有4阶偏微分方程模型、各向异性扩散模型、各向异性中值扩散模型和形态学扩散去噪模型相比较,该模型有效地权衡了噪声平滑效果和边缘保持,并通过数值算例验证了该模型的优越性.     

基于梯度和拉普拉斯算子的图像扩散变分模型

采用图像扩散的变分方法可以有效地设计边缘保持或增强的图像恢复模型。传统的模型往往基于图像强度的梯度,所得到的结果在本该光滑的区域具有明显的阶梯效应。为此,提出了基于梯度和拉普拉斯算子的图像扩散变分模型,以期实现在对图像进行噪声去除的同时,保持或增强图像的边缘,并消除单纯基于梯度模型导致图像光滑区域的阶梯效应。对变分模型中光滑项的设计,首先针对一维模型的分析得出基于梯度和拉普拉斯算子模型向前、后扩散的条件,然后将其推广到二维图像扩散,并在设计的有限差分方法基础上,对所提模型的有效性进行了实验验证,效果良好。     

一种基于非线性扩散的图像放大算法

针时传统图像放大处理过程中基于线性插值方法通常导致边缘模糊问题,分析了Tikhonov模型、全变差模型和高阶偏微分模型在图像处理中的优缺点,提出了一种全变差和高阶偏微分模型自适应结合的图像放大模型及推导算法.该模型对图像非平滑区域采用全变差模型处理,而平滑区域则采用高阶偏微分模型处理,最终新插入的图像点象素值由该点邻域象素自适应地各向异性加权得到,在保持图像边缘锐度的同时有效克服了平滑区域的阶梯效应.4种模型的实验比较验证了本文算法的有效性.     

基于分形维数的全变分图像平滑模型

针对标准全变分模型用梯度检测边缘易受噪音干扰产生"阶梯"效应和在处理纹理丰富的图像时易丢失细节纹理信息的缺点,提出了一种基于分形维数的全变分模型,该模型可利用图像局部分形维数来检测边缘,能够准确识别真实边缘、剔除假性边缘,从而抑制"阶梯"效应,可保护纹理丰富的图像的纹理细节信息。平滑后的图像显示出改进方法能有效去除噪声并减弱"阶梯"效应,获得较高峰值的信噪比。     

基于变分混合模型同步实现图像去噪和反差增强

针对反差较低的且包含噪声的医学图像,依据图像直方图特点设计分段拉伸函数,并与基于梯度和拉普拉斯算子的图像去噪变分模型结合,建立新的变分模型,同步实现图像去噪和反差增强。该模型可有效消除图像光滑区域出现的阶梯效应,从而避免在图像增强过程中出现的假边界问题。同时,还为所提出的模型设计了Split—Bregman算法,以提高计算效率。最后通过实验对所提出的模型和算法的有效性进行了验证。     

一种自适应最大相关性数字图像插值算法

提出了一种基于图像多方向最大相关性的数字图像插值算法．数字图像插值过程中不可避免会产生图像细节模糊和边缘锯齿化．同时在处理视频信号时要求有较低复杂度以满足实时信号处理．针对以上问题和要求．本根据图像空域内邻近像素点多个方向的内容相关性和几何相似性．得到一种基于图像最大相关性的自适应优化插值算法．该算法能有效解决插值后图像的锯齿效应及边缘模糊等问题．实验结果表明．该方法插值后的图像信噪比性能明显优于双线性方法．插值倍率较小时接近两次立方法．随着插值倍率增大性能也优于两次立方法．且计算量不大．经适当改进后可以用于实时视频信号处理．     

全变分极小与二阶泛函的组合图像恢复模型(英)

通过组合全变分极小泛函与一个二阶泛函得到了新的变分模型，用于图像恢复. 相应的负梯度流是一个四阶偏微分方程.此组合模型兼有TV模型和二阶泛函的长处，能够在保持轮廓的同时避免光滑区域出现“块状“效应.数值实验用的是包含轮廓，平坦区域和光滑区域的图像，实验结果说明了此模型的优越性.     

非线性各向异性扩散的图像修复

根据图像曲率和梯度的特性引入扩散控制变量因子,提出非线性各向异性扩散的图像修复方法,能根据图像本身的几何信息进行不同方向和不同强度的扩散。其中关键参数p能根据图像局部几何信息的曲率和梯度自适应地改变,并控制扩散方向和扩散强度。扩散过程中,在图像的边缘区域,沿边缘方向扩散具有较大的扩散系数,沿垂直边缘方向扩散具有很小的扩散系数;在图像的平坦区域,向周围等强度扩散,而且扩散强度值较大。实验结果与经典的全变分、曲率驱动和P-laplace常数变分方法做比较,表明研究方法能对图像的破损区域进行修复,提高图像的质量。     

一种基于全变差正则化与小波包变换的图像去噪算法

提出一种基于全变差(TV)模型和小波包变换的图像去噪算法, 并给出了针对该模型的一种改进正则化参数选取方法, 改善了全变差模型去噪中出现的块效应问题, 同时保留了图像中的边缘信息. 数值实验表明, 用所给算法去噪可得到较高的峰值信噪比和较好的视觉效果.     

基于改进型P＆M模型算法的图像去噪

高斯滤波算法在去噪时能平滑图像,但是会破坏图像的边缘细节,而基于PDE的各向异性扩散的P＆M模型算法在去噪时能保留图像的边缘细节,但是会出现零散的斑点。结合两种算法的优点,通过对扩散系数进行改进,提出一种改进型P＆M模型算法。仿真结果表明,该算法能够有效地去除噪声图像中的高斯白噪声和椒盐噪声,能够更好地保留图像的边缘细节,与高斯滤波算法和P＆M模型算法相比,改进型P＆M模型算法具有更好的去噪性能。