复数小波域的高斯尺度混合模型图像降噪

由于复数小波变换具有近似平移不变性和良好的方向选择性,因此适用于图像去噪。为了取得更好的降噪效果,提出了一种基于复数小波的高斯尺度混合模型降噪算法。该算法首先对自然图像的复数小波系数建立统计模型,即将位于相邻位置和尺度的系数邻域建模为一个高斯尺度混合模型;然后用该模型对子带系数进行贝叶斯最小均方估计,以达到降低噪声的目的。由于这一模型很好地利用了复数小波系数幅值尺度间和尺度内的相关性,因此可以取得较好的降噪效果。实验结果表明,该算法无论从峰值信噪比还是从主观视觉上都优于一些传统的降噪算法。     

基于提升Directionlet域高斯混合尺度模型的SAR图像噪声抑制

提出了一种新的SAR图像相干斑噪声抑制方法.该方法将高斯混合尺度（GSM）模型引入Directionlet变换域,构造了基于提升Directionlet分解系数的邻域模型,并利用Bayes最小均方估计进行局部去噪.作为一种新的多尺度几何分析工具,Directionlets通过多方向选择来捕捉图像中各向异性特征,滤波器结构为可分离设计;采用提升方案进一步减小变换的运算量.文中对相邻位置和尺度的系数建立GSM模型,能较好地描述系数的边缘分布,充分体现邻域间系数的相关性.对大量真实SAR图像的去噪实验表明,文中方法取得了比空域滤波及小波方法更优的去噪性能,同时在图像边缘等细节特征保持方面具有明显优势.     

一种图像增强新方法

提出了一种四树复小波包变换域层内层间系数相关性图像增强新方法。该方法利用四树复小波包变换具有移不变性、良好方向选择性和对高频信号的细致分析能力,把含噪图像分解成低频逼近子图和若干高频方向子图;在保留低频逼近子图复系数不变的同时,充分利用变换域信号复系数层间相关性强和噪声复系数层间相关性弱的特点,采用非高斯双变量模型对每一个方向子图复系数进行降噪处理。同时考虑图像的弱边缘在变换域某些方向子图内复系数值较大,而在其他方向子带内其值较小的特点,甄别出弱边缘点对应的复系数并进行增强处理。实验结果表明,无论是PSNR指标,还是在视觉效果上,该方法的增强性能均好于传统的双树复小波变换去噪、四树复小波包变换去噪和小波域高斯尺度混合模型去噪,在有效抑制噪声的同时,具有很好的图像弱边缘增强和细节保护能力。     

复小波包变换域混合统计模型图像降噪算法

该方法利用四树复小波包变换具有的移不变性、良好的方向选择性和对高频信号的细致分析能力等特点, 把含噪图像分解成低频逼近子图和若干高频方向子图; 在保留低频逼近子图复系数不变的同时, 利用复系数层间相关性的强弱把高频方向子图分为主要类和次要类. 对主要类和次要类复系数分别进一步采用非高斯双变量模型和零均值高斯分布模型进行噪声抑制. 实验结果表明, 无论是峰值信噪比(PSNR)指标, 还是在视觉效果上, 本文方 法的去噪性能均好于传统的双树复小波变换去噪、四树复小波包变换去噪和小波域高斯尺度混合模型去噪, 在有效抑制噪声的同时, 具有很好的图像边缘和细节保护能力.     

基于提升Directionlet域高斯混合尺度模型SAR图像噪声抑制

提出了一种新的SAR图像相干斑噪声抑制方法.该方法将高斯混合尺度(GSM)模型引入Directionlet变换域,构造了基于提升Directionlet分解系数的邻域模型,并利用Bayes最小均方估计进行局部去噪.作为一种新的多尺度几何分析工具,Directionlets通过多方向选择来捕捉图像中各向异性特征,滤波器结构为可分离设计;采用提升方案进一步减小变换的运算量.文中对相邻位置和尺度的系数建立GSM模型,能较好地描述系数的边缘分布,充分体现邻域间系数的相关性.对大量真实SAR图像的去噪实验表明,文中方法取得了比空域滤波及小波方法更优的去噪性能,同时在图像边缘等细节特征保持方面具有明显优势.     

平移不变的小波域近邻系数阈值MR图像去噪

传统的小波域阈值去噪方法是根据每个小波系数各自的幅度大小进行相应的阈值修正,没有考虑到尺度间以及尺度内近邻的小波系数与当前小波系数的相关性,而使信号得不到更准确的估计。根据信号和噪声在尺度间的不同传播特性和尺度内近邻小波系数的相关性,设计出一种平移不变（TI）的近邻系数阈值策略,并依据磁共振成像（MRI）噪声图像的特点,结合复数域统一体去噪方法,提出了一种新颖的基于平移不变的小波域近邻系数阈值MR图像去噪算法。实验表明该算法能更准确地估计信号,且与几种磁共振（MR）图像去噪算法相比具有更好的去噪效果。     

基于复数小波的图像恢复算法研究

研究了基于复数小波的各种图像恢复算法，提出把HMT模型应用到ForWaRD的图像恢复中．利用ForWaRD算法，首先把模糊加噪的降质图像在傅立叶域中进行维纳滤波器正则反卷，然后在小波域中进行去噪处理，可以得到较好的恢复效果．对典型卷积加噪线性降质图像进行了仿真实验，并把基于复数小波的各种图像恢复算法的仿真结果同基于正交小波的图像恢复算法仿真结果作了比较，发现前者无论从客观指标还是视觉效果上都有明显的优势，尤其是基于HMT模型的复数ForWaRD图像恢复方法．     

基于复数小波变换增强带噪图像的空间自适应方法

针对目前的多尺度增强方法一般很难实现抑制噪声和凸显细节间有效均衡的问题,提出一种基于复数小波变换增强图像方法,充分利用复数小波兼具平移不变性和方向选择性的优势,首先通过相邻两层小波系数的相关性来有效区分噪声和图像边缘．并根据各层小波系数的分布设置局部阈值抑制噪声;在此基础上,自适应地选取增强函数来增强较弱的细节并保护原图像中的清晰边缘不产生失真．实验结果表明,运用该算法增强带噪图像可以在较好地抑制噪声的同时,显著地放大细节特征．     

基于双变量收缩函数的局域自适应图像去噪

由于图像小波系数存在很大的层间相关性，引入双变量概率分布模型，基于贝叶斯估计理论，得到了相应的非线性阈值函数（双变量收缩函数）；基于层内局域方差估计，利用该收缩函数得到一种局域自适应的图像去噪算法。在实验中，将该算法分别应用到实值离散小波变换域和双树复数小波变换域，并和隐马尔科夫模型的去噪方法做了比较分析。实验表明，复数小波变换的局域自适应收缩图像去噪算法去噪效果最好。     

基于混合高斯模型的图象去噪方法研究

提出在正交小波域中基于父子小波系数联合分布密度的混合高斯模型实现图象去噪的方法。通过小波父子系数的联合分布密度函数来描述小波域中各相邻尺度系数的非独立特性,运用期望极大估计(EM)算法实现对该联合分布密度的混合高斯模型拟合;根据该结果,利用双变贝叶斯(Bayes)公式获得噪声图象父子小波系数的收缩算子,从而实现图象去噪。该算法同小波域中常用的其他去噪算法相比,仿真结果表明:无论在性能指标上或者感官效果上都能够获得很好的效果,尤其是在低信噪比时,图象的去噪效果更佳。     

侧扫声呐图像的3维块匹配降斑方法

斑点噪声是影响侧扫声呐图像质量的主要因素,降斑处理对侧扫声呐图像的判别与分析非常重要。针对侧扫声呐图像自身特性和斑点噪声分布特点,提出一种基于3维块匹配(BM3D)的降斑方法。根据海底散射模型,得到侧扫声呐图像斑点噪声的瑞利分布模型,然后通过高斯光滑函数幂变换将瑞利分布的噪声转化为高斯分布,通过对数变换将乘性噪声转变为加性噪声,再进行自适应的BM3D滤波,最后采用逆变换得到降斑图像。实验结果表明,该方法在降噪、边缘和纹理保持等方面均优于空间域、小波域、Curvelet域的一些降斑方法。     

双树复小波域的邻域自适应贝叶斯收缩去噪

为了更加高效去除图像采集或传输中引入的噪声,提出了一种基于双树复小波域的邻域自适应贝叶斯收缩的图像去噪方法,利用了双树复小波变换的平移不变性和更多的方向选择性的优点,并考虑了系数间的局部自适应邻域相关性,以尺度适合的窗口为单位估计相应系数的方差,利用滑窗求其平均作为整个子带的图像方差,通过贝叶斯收缩来处理小波系数,从而实现高效的图像去噪。实验结果证明,该方法取得了很高的峰值信噪比和更好的视觉效果,去噪性能优良。     

应用小波系数GSM统计模型的混合傅里叶-小波图像降噪

提出一种混合傅里叶-小波图像降噪算法,该算法的主要步骤是：先在傅里叶域中降噪,然后在小波域中滤除剩余的噪声。小波域中要滤除的是有色噪声,为了考虑有色噪声小波系数间的相关性,采用GSM（Gaussian scale mixture）统计模型描述图像小波系数的统计特性。实验证明该算法能有效提高降噪效果。     

基于曲波变换和独立分量分析的有噪图像盲分离

曲波变换是在小波变换的基础上发展起来的一种新方法，能够有效地对具有复杂纹理的图像进行去噪。在分析独立分量分析（ICA）的基本模型和方法的基础上，提出利用快速离散曲波变换和FastICA算法进行有噪图像盲分离。仿真结果表明，对于含有加性观测噪声的混合图像，该方法能够有效地进行去噪分离。     

基于小波包变换的非局部均值去噪方法

在非局部均值滤波的基础上,为了更有效地去除图像噪声,提出一种基于小波包变换的非局部均值去噪算法。首先对图像进行小波包变换,通过小波域系数估计图像的高斯噪声参数,然后计算经小波包分解后高频子带内小波系数的相似度,并以此作为权值来对小波系数进行调整,最后通过小波包逆变换对图像进行重建。实验结果表明与传统的非局部均值去噪算法相比较,该算法能在去噪的同时有效地保持图像的边缘细节等信息,取得更好的去噪效果。     

自适应对偶树复小波－Curvelet变换的遥感图像融合

Curvelet变换克服了小波变换在处理高维信号时的不足,比小波变换具有更好的方向性、较高的逼近精度和更好的稀疏表达性能。因此将Curvelet变换应用于图像融合领域,能更好地提取图像边缘特征,为融合提取更多的特征信息。利用对偶树复小波-Curvelett变换的多尺度和多方向性特征以及自适应融合规则在选取融合系数上的优势,提出了一种基于对偶树复小波-Curvelet变换的自适应遥感图像融合新算法。算法是将全色图像和多光谱图像进行对偶树复小波-Curvelet变换分解后,针对不同的频率域特点选择不同的融合规则,对低频系数选取区域能量的加权系数自适应融合规则,对高频系数特性选用了区域特征自适应的融合规则,最后通过重构得到融合图像。将其他的融合算法和所提算法进行主观和客观的对比,结果表明,基于对偶树复小波-Curvelet变换区域特征自适应的图像融合算法是一种有效可行的图像融合算法。     

基于四元数小波混合统计模型的图像去噪

图像的去噪和压缩一直是图像处理的经典问题,传统的方法中很难将二者 同时兼顾。四元数小波变换是实小波、四元数理论及二维希尔伯特变换相结合的产物,是一 种新的多尺度分析图像处理工具。图像经四元数小波变换后,其小波系数不仅在尺度内具有 相关性,而且在尺度间也具有一定的相关性。文中提出一种混合统计模型,该模型包括尺度 间的二元非高斯分布模型和尺度内的广义高斯分布模型,然后运用最小均方误差（MMSE） 估计从噪声图中的小波系数恢复原图的系数,从而达到去除图像的噪声的目的。仿真实验表 明,论文方法不仅可以获得信噪比上的提高、视觉上达到明显的去噪效果,而且取得了较高 的压缩比。     

Image denoising using bilateral filter and Gaussian scale mixtures in shiftable complex directional pyramid domain

For image denoising, the main challenge is how to preserve the information-bearing structures such as edges and textures to get satisfactory visual quality when improving the signal-to-noise-ratio (SNR). Edge-preserving image denoising has become a very intensive research topic. In this paper, we describe a method for removing noise from digital images, based on bilateral filter and Gaussian scale mixtures (GSM) in shiftable complex directional pyramid (also named Pyramidal Dual-Tree Directional Filter Bank, PDTDFB) domain. Firstly, the noisy image is decomposed into different subbands of frequency and orientation responses using a PDTDFB transform. Secondly, the bilateral filter, which is a nonlinear filter that does spatial averaging without smoothing edges, is applied on the approximation subband. Finally, the distribution of detail subbands of PDTDFB coefficients is modeled with GSM, and the statistical model is then used to obtain the denoised detail coefficients from the noisy image decomposition by Bayes least squares estimator. Extensive experimental results demonstrate that our method can obtain better performances in terms of both subjective and objective evaluations than those state-of-the-art denoising techniques. Especially, the proposed method can preserve edges very well while removing noise.