基于马尔科夫专家场的泊松噪声图像去噪方法

提出一种基于贝叶斯概率模型的泊松噪声图像去噪方法.该方法基于贝叶斯最大后验概率模型框架,结合泊松概率分布,构建图像去噪模型.考虑到马尔科夫随机场不能对复杂自然图像有效表征,引入高阶的马尔科夫专家场作为模型先验正则项,以表征图像自身概率分布.利用二次惩罚函数,优化求解去噪模型,还原清晰图像.将所提方法与其他去噪算法进行仿真实验对比,并采用峰值信噪比和结构相似性2种评价指标对去噪效果进行客观评价.实验结果表明：与传统去噪方法相比,该方法的峰值信噪比至少提升了0.18 dB,去噪性能显著优于其他方法,能更好地保留图像的细节信息.     

基于贝叶斯估计自适应软硬折衷阈值Curvelet图像去噪技术

针对传统阈值图像去噪方法存在的不足,提出了基于贝叶斯估计和Curvelet变换的软硬折衷阈值图像去噪方法,自适应地对不同的Curvelet子带进行阈值化处理.实验结果表明,该方法对图像中的边缘曲线特征有更好的复原.去噪后图像的峰值信噪比值（PSNR）更高,视觉效果更好.     

基于小波域的隐马尔可夫树模型的图像去噪

小波去噪已经成为图像去噪的主要方法之一.首先介绍了隐马尔可夫树模型,进而给出了隐马尔可夫树算法,最后基于隐马尔可夫树模型,分别用3种相似的方法对Lena图像的不同加噪图像进行了去噪实验.实验表明,本文所用去噪方法,无论对于峰值信噪比还是对于视觉上的效果,都取得了令人满意的效果.     

微生物图像的非局部主成分分析稀疏泊松去噪

针对微生物显微图像去噪,提出一种基于图像稀疏块表示和字典学习的泊松去噪算法。根据微生物图像内在相关性进行分块处理,采用Poisson K-均值法对图像块进行聚类;运用主成分分析法实现非局部稀疏字典表示,完成簇内去噪;经融合重建,获得完整去噪图像。结果表明:通过稀疏块表示和字典学习直接对泊松噪声去噪,可减少噪声模型转换误差;改进的分块和聚类方法可提高去噪图像的信噪比;与其他去噪算法对比,本文算法不仅取得更好的去噪效果,且可改善去噪后图像模糊现象,最大程度地保留图像细节信息。     

基于视觉感受野特性的自适应图像去噪算法

针对图像去噪中边缘细节信息丢失的问题,提出一种基于视觉感受野特性的图像去噪算法。该方法基于视觉神经电生理研究结果,模拟视觉初级视皮层自适应机制和感受野的响应特性来实现对图像的去噪。使用小尺度模板对噪声进行检测;根据噪声的大小采用ON/OFF感受野模板去噪处理,对图像进行亮度调整。实验结果表明,与现有的流行算法比较,该算法去噪效果较为有效,并能更好地保留图像纹理和边缘细节信息,在峰值信噪比和均方误差等客观定量评价指标上优于其他算法。     

基于小波域自适应高斯混合模型的图像去噪方法

提出了一种基于小波系数局部统计模型的图像去噪方法。该方法利用小波子带的方向性特点以及小波系数尺度内的相关性,将小波系数的概率分布建模为一种自适应高斯混合模型,在贝叶斯框架中采用这种概率模型可以得到一种具有空间自适应性的贝叶斯萎缩函数。利用这种萎缩函数可以实现对小波系数的修正。实验结果表明,利用该方法进行图像去噪能够取得良好的效果,同时可以有效地保留图像的细节。     

基于图像融合的联合小波包图像去噪方法研究

提出一种基于图像融合的联合小波包图像去噪方法.利用不同特性的小波包基对含噪图像进行阅值去噪,得到多幅降噪图像,然后按照一定的融合准则对这些图像进行处理.实验表明,本算法去噪后的图像在峰值信噪比及主观视觉效果两方面均得到了明显改善.     

贝叶斯框架下的总变分图像去噪算法

针对经典去噪模型易造成图像细节丢失以及确定性算法无法自动估计去噪过程中的未知参数等问题,提出一种新的图像去噪算法.该算法在贝叶斯框架下,用总变分模型（TV）和伽马分布分别刻画原始图像及未知参数的统计特征,并基于最大联合分布的推导,估计最优原始图像.总变分模型使最终的能量泛函非线性且不可微分,因此,引入迭代重加权最小二乘法（IRLS）,通过迭代的方式用加权的L2范数逼近L1范数来表示图像的统计模型.实验结果表明,该算法可有效去除图像的噪声,提升去噪速度,使所恢复的图像在实际视觉效果和信噪比等方面均优于其他同类算法.     

多尺度图像迭代去噪

为了解决传统图像去噪算法仅对平稳噪声或缓慢变化噪声有效，且存在残留图像噪声较大的问题。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图像和噪声小波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，完成了多尺度图像去噪。实验结果表明：对峰值信噪比较低的图像去噪，本方法去噪后峰值信噪比比传统的方法高，并且保留较多的图像细节。该算法对平稳和非平稳的噪声都能进行较好地去噪。     

基于小波变换的自适应阈值图像去噪技术研究

主要研究了基于小波变换的图像去噪技术在图像去噪过程中的阈值选择问题,对图像信号进行小波变换得到小波系数,选择合适阈值处理小波系数,再将处理后的小波系数经过小波逆变换得到重构后的去噪图像。仿真实验通过对基于小波变换的软阈值去噪、硬阈值去噪以及自适应阈值去噪方法对图像进行处理,达到对图像的降噪效果。仿真实验证明,基于小波变换的自适应阈值去噪技术去噪结果最优,能够清楚地保留图像中的细节,无锐化、过度平滑的现象,且它的信噪比、峰值信噪比的值为最大、均方误差的值最小,从而提升了图像的整体质量。     

基于空间分数阶偏微分方程的图像去噪模型研究

为了在获取更高信噪比的同时更多地保留图像边缘和纹理等细节信息,将分数阶微积分理论和偏微分方程方法有效结合,构建了基于空间分数阶偏微分方程的图像去噪模型,并利用分数阶微分掩模算子来实现去噪模型的数值计算。该去噪模型通过引入以分数阶梯度模值为参数的边缘停止函数并选择合适的分数阶微分阶次,由此能够在一定程度上解决传统去噪模型存在的不足之处。实验结果表明,基于空间分数阶偏微分方程的图像去噪模型较传统的去噪模型不仅可以提高图像的信噪比,而且可以更好地保留图像边缘和纹理等细节信息。     

自适应单尺度Ridgelet声呐图像去噪方法

声呐图像背景复杂，对比度差，边缘恶化，不易判读图像边缘．对声呐图像执行小波变换能够有效去除噪声，但是由于小波的局限性，其对图像边缘的保持效果不佳．正交有限Ridgelet （FRIT）变换能够有效克服小波变换在处理高维信号时的不足，是一种有效处理二维奇异性信号新方法．针对水下声呐图像特点及噪声分布情况，提出单尺度自适应去噪处理算法，既削弱了单独使用FRIT处理时出现的环绕现象，又克服了单独使用小波去噪时无法保持边缘的缺点，同时提高了图像信噪比．与其他经典方法及单独使用FRIT方法比较，此改进方法在水下声呐图像去噪输出信噪比及边缘保持等方面均获得理想效果．     

基于拉普拉斯模型的双树复小波域图像降噪

分析了图像复小波变换的特点,根据复小波系数服从拉普拉斯分布的特性,采用最大后验概率估计,推导出一种复小波域的软阀值去噪方法。在实验中,分别与图像小波域、复小波域的高斯概率分布模型的去噪方法进行对比分析。结果表明,文中的去噪方法,在去除噪声的同时更好地保留图像的细节信息,且峰值信噪比有所提高,取得很好的降噪性能。     

基于改进FCM算法和贝叶斯分类的图像自动标注

为跨越高层语义概念与底层视觉特征之间的语义鸿沟, 本研究提出一种新的图像自动标注方法。该方法首先采用灰度直方图方法对图像分割并提取图像区域的纹理特征, 然后利用FCM算法中增大关联度高的特征权重更好地实现对分割后图像区域的聚类效果。最后改进贝叶斯分类器建立图像区域和语义概念间的关联模型, 通过比较测试图像和训练图像间的最大相似度实现测试图像的自动标注。在Corel通用图像数据集上与其他几种方法进行了对比实验, 实验结果表明改进后的标注方法优于传统标注方法。     

基于自适应维纳滤波和2D-VMD的声呐图像去噪算法

声呐图像易产生对比度低、分辨率低、边缘失真等问题,所以在去除声呐图像噪声时难以将有效信号与噪声准确分离,从而导致去噪后图像对比度降低、边缘轮廓不清晰、细节丢失严重等问题.本文提出一种基于自适应维纳滤波和2D-VMD(二维变分模态分解)的声呐图像去噪算法.首先通过二维变分模态分解对含噪图像进行分解,得到一系列不同中心频率的模态分量,利用相关系数和结构相似度筛选出有效的模态分量,并使用自适应维纳滤波处理有效的模态分量,最后将滤波后的模态分量进行重构,从而去除图像中的噪声.实验结果表明:所提图像去噪算法在相关系数(CC)、结构相似度(SSIM)这两项客观数据上表现最优,峰值信噪比(PSNR)略低于NSST域去噪,综合客观数据与视觉效果,本文所提算法去除噪声后的图像细节和边缘保持能力效果最佳.