基于各向异性扩散的图像平滑与分割技术研究

本论文研究基于各向异性扩散的偏微分方程除去图像噪声的方法,在去除噪声的同时,能有效保持重要的边缘和局部细节,在通常考虑4向扩散方向的基础上提出了八向的各向异性扩散和边缘增强的处理技术,并将平滑后的图像通过聚类分群而得到不同的医学器官组织的分布。     

基于异性扩散-中值滤波的超声医学图像去噪方法

针对超声图像存在一种特殊的斑点噪声,使图像边界与细节变得模糊而严重影响图像质量的问题,提出了一种新的去除医学图像斑点噪声的方法,它利用中值滤波和各向异性扩散相结合,不仅可以有效地去除噪声而且很好地保持了边缘、局部细节信息.此外,该方法在扩散过程中,梯度阈值选取的不同对图像结果影响很小,这极大地提高了该算法的健壮性.实验中,通过和各向异性扩散、中值滤波等方法的比较,表明该方法具有良好的去噪效果.     

SAR图像斑点噪声整体变分偏微分方程滤波算法研究

SAR图像固有的斑点噪声严重影响了图像的判读和后续处理,因此抑制SAR图像斑点噪声显得尤其重要。一个良好的斑点噪声抑制算法应该在降低斑点噪声的同时,能很好地保持图像的细节特征,但现有的去噪算法没有一种能够完美地解决这个问题的。本文基于SAR图像斑点噪声滤波的重要性以及存在的问题,将整体变分偏微分方程用于去除斑点噪声。根据整体偏微分方程建立了去噪模型,并分析了模型的性能和参数选择的重要性。通过实验验证了该算法的有效性,并以峰值信噪比（PSNR）为评价准则,利用多项式拟合方法选择了最优参数。引入边缘保持指数(EPI),与其他滤波算法比较,本算法在去除噪声的同时较好地保持了边缘。     

一种新的边缘保留各向异性扩散方法

由于超声图像中的斑点严重影响了图像质量,也增加了临床诊断与治疗的困难,因此对于噪声图像,往往要先用高斯卷积对图像进行一定的平滑,再通过求微分来检测边缘。为了更好地滤除超声图像中的斑点,通过构造基于高斯卷积的结构张量,并将其引入到各向异性扩散方法中,实验结果表明,这种新的各向异性扩散方法不仅能有效地抑制斑点噪声,而且能检测并保留图像边缘与细节特征。     

结合异质扩散和小波包分解的医学图像分割算法

提出一种医学图像解剖结构特征提取算法,结合异质扩散和小波包分解实现了医学图像分割.在异质扩散基础上,提出一种新的FAB扩散方法对图像进行去噪,同时保持图像解剖结构的边缘和局部细节;然后用一个基于小波包分解的自适应边缘检测算法来检测图像的解剖结构的轮廓特征.分割结果表明,该方法能在有效地去除噪声的基础上完成医学图像解剖结构轮廓特征的提取.     

基于45N度旋转梯度等模算子偏微分方程去噪模型

传统的二阶中值曲率扩散模型(MCM)在去噪时虽然能有效地保持图像的边缘,但是在平滑区域却产生阶梯效应,以及过度扩散的现象.四阶偏微分方程模型(LLT)在去噪的同时虽能有效地抑制二阶偏微分方程产生的阶梯效应,能很好地保持图像的纹理信息,但却过多地损失了边缘信息.为了避免以上去噪过程中存在的问题,利用归一化的45N度旋转梯度等模算子作为权重,提出了传统的二阶中值曲率扩散模型(MCM)和四阶偏微分方程去噪模型(LLT)自适应的混合模型,使得它们在有效去除图像中噪声的同时,也能很好地保持图像的边缘和纹理细节信息.实验结果证实了所提出的模型的有效性.     

基于PDE''''s的图像平滑方法

传统的图像平滑方法在去除噪声的同时往往会破坏边缘、线务、纹理等图像特征，而基于偏微分方程(PDE’s)的各向异性扩散算法则在抑制噪声的同时能够保持这些特征。本文在Perona ＆ Malik模型基础上引入梯度阈值和高斯平滑核，实验结果表明改进后的平滑方法既能更有效消除孤立噪声点，又可以更好地保持边缘。     

基于改进各向异性的水平集医学图像去噪

针对成像复杂、噪声突出的医学图像在去除噪声的同时模糊边缘特征的现象,提出了基于改进的各向异性的水平集去噪模型。在水平集去噪模型的基础上,加入了改进的各向异性扩散因子,其中改进的各向异性扩散因子采用了中值滤波平滑后的梯度模替换原始图像的梯度模,对于医学图像中大量的斑点噪声更加有效,并保留了图像的边缘信息。基于Matlab平台对改进算法进行了验证,实验表明,基于改进各向异性的水平集算法在有效去除噪声的同时,非但没有模糊边缘特征,相反地起到增强边缘信息的效果。改进算法优于各向异性算法和中值滤波等算法,提高了图像的信噪比,降低了图像的均方误差,保留了更多细节信息,使得医学图像更好地用于诊断,以及后续的分割等处理。     

基于自适应耦合PDE模型的车牌图像去噪研究

针对车牌识别预处理中的图像去噪问题,提出一种自适应耦合偏微分方程(PDE)去噪模型;该模型在各项异性扩散模型的基础上,构造一种新的去除椒盐噪声的扩散项,能够根据噪声图像特点自适应控制扩散速度,有效抑制椒盐噪声,并将新的扩散项与各向异性扩散模型进行耦合,并提出一种新的耦合系数计算方法,根据图像信息自适应计算耦合系数,使得新模型能够在新的扩散项和各项异性扩散模型间自适应转换,有效去除车牌图像中的混合噪声;为了抑制去噪引起的图像边缘模糊问题,引入振动滤波进行逆滤波,增强图像的边缘信息;实验结果表明,自适应耦合PDE模型能更有效去除车牌图像中的混合噪声,保护图像的边缘信息,提高图像的峰值信噪比(PSNR);去噪后的图像更有利于后续的字符分割与识别,有效提高车牌图像的识别准确率。     

基于各向异性扩散的图像平滑及在三维重构预处理中的应用

采用基于各向异性扩散的偏微分方程，其初始值为输入图像，转化为差分格式迭代求解滤波结果。在去除噪声的同时，保持重要的边缘和局部细节。在此基础上提出了8向的各向异性扩散和边缘增强的处理技术，取得了满意的结果，并将此切片图像经聚类分群运用到三维重构中，使重构的效果更好。     

小波与双边滤波的医学超声图像去噪

目的：医学超声图像中的斑点噪声降低了图像质量并且限制了超声图像自动化诊断技术的发展。针对斑点噪声问题,提出了一种新型的基于小波和双边滤波的去噪算法。方法：首先,根据医学超声图像在小波域内的统计特性,在通用小波阈值函数的基础之上,改进了小波阈值函数。其次,将无噪信号的小波系数和斑点噪声的小波系数分别建模为广义拉普拉斯分布模型和高斯分布模型,利用贝叶斯最大后验估计方法得到了新型的小波收缩算法,利用小波阈值法对小波域内的高频信号分量进行去噪。最后,对小波域内的低频信号分量进行双边滤波处理,然后利用小波逆变换便得到去噪后的图像。结果：在仿真实验中,通过与其它7种去噪算法作对比,观察峰值信噪比(PSNR)等图像质量评价指标,结果表明本文算法的去噪效果优于其他相关算法。临床超声图像的实验结果进一步验证了本文算法的去噪性能。结论：本文提出了一种新型的去噪算法,实验表明本文算法能够很好地抑制斑点噪声,并且能保留图像病灶边缘等细节。     

引入欧氏距离的各向异性扩散相干斑抑制

目的 相干斑噪声严重影响SAR影像解译。抑制相干斑同时,获取较好的边缘保持效果始终是相干斑抑制的重点。针对该问题,提出一种引入欧氏距离的各向异性扩散（EDAD）相干斑抑制方法。方法 EDAD算法以P-M模型与SRAD算法为基础,利用邻近像素间区域欧氏距离代替原有边缘检测算子,自适应区分同质区与异质区,有效构造各向异性扩散系数,完成相干斑抑制。结果 运用EDAD算法与现存各向异性扩散算法对截取的两景TanDEM-X影像进行试验研究并比较各类算法的评估参数。EDAD算法的等效视数分别为3.996与5.859,均高于其他算法,体现优越的相干斑抑制能力;EDAD算法相干斑抑制前后比值影像的均值分别为0.999与1.001,方差分别为0.270与0.269,较其他算法均更接近理想值1与0.273,展现更优边缘保持与相干斑抑制能力。结论 本文算法可有效提高边缘检测能力,获取更优相干斑抑制效果。经验证,对分布较散的弱相干斑区域与分布较集中的强相干斑区域均有较好适用性。     

基于量子衍生的图像中值滤波算法

利用量子衍生思想,借鉴量子信息理论,将归一化的数字图像用量子叠加态的方式表示,分析了量子Hadamard变换的原理,提出了基于量子衍生的图像中值滤波算法。针对受不同程度椒盐噪声干扰的数字图像,分别采用3×3和5×5大小的中值滤波窗口,对传统图像中值滤波算法和量子衍生中值滤波算法进行了去噪仿真实验。从主观视觉角度和客观评价指标两方面,对算法的去噪效果进行了分析和比较。根据信噪比和边缘保持度两种评价指标,客观衡量和比较了算法处理后的结果图像与原始图像之间的灰度值差异,以及算法对图像边缘细节的保持能力。算法仿真结果表明,对相同程度椒盐噪声干扰的图像进行去噪处理时,5×5大小的量子衍生中值滤波算法去噪效果最佳。     

基于稀疏重构框架下剪切波的SAR图像去噪

SAR图像很容易被乘性噪声多污染,进而影响SAR图像后序的分析与处理。本文中提出了一种基于剪切波稀疏编码的SAR图像移除乘性噪声的新模型。首先通过压缩感知理论建立SAR图像去噪模型;其次通过剪切波变换获得剪切波系数,每个尺度的系数视为一个单元;对于每个单元,通过剪切波域的贝叶斯估计对稀疏系数进行迭代估计。重现的单元最后结合起来构造去噪后的图像。SAR图像去噪效果显示了该算法有良好的表现性,对噪声具有鲁棒性;本文提出的算法不仅有较好的去噪效果,而且还保存了更多的边界信息。     

实现自适应边缘增强的P-M模型

P-M模型利用扩散偏微分方程进行图像平滑,通过随梯度自适应变化的扩散系数实现去除噪声的同时保护图像边缘特征,为进一步提高图像视觉效果,希望在图像边缘附近进行逆扩散以增强边缘特征,为此提出了实现自适应边缘增强的P-M模型。该改进模型中的边缘增强作用基于shock滤波器逆扩散方程,通过设置随梯度自适应变化的逆扩散系数而实现。实验结果表明,相比经典P-M模型,改进模型能使去噪后的图像有更好的主观视觉效果,同时峰值信噪比也更高。     

结合核方法的选择性各向异性扩散去噪算法

在低信噪比图像噪声抑制处理中,为了有效地保持图像边缘,在基于多相位分层分割算法的各向异性扩散模型的基础上,提出一个基于核方法的选择性各向异性扩散去噪算法。该算法根据图像数据的线性不可分特点,首先利用核方法把多相位分层分割算法中的数据项从线性不可分的低维空间推广到可实现线性可分的高维特征空间,在特征空间中实现图像分割;然后根据分割得到的同质区域的梯度信息改进了P-M模型中的扩散系数;最后,在同质区域中采用改进的P-M模型平滑噪声。实验结果表明,该算法无论在噪声去除还是边缘保持上都具较好的效果。     

Speckle Reduction with Trained Nonlinear Diffusion Filtering

Speckle reduction is a prerequisite for many image processing tasks in synthetic aperture radar images, as well as all coherent images. In recent years, predominant state-of-the-art approaches for despeckling are usually based on nonlocal methods which mainly concentrate on achieving utmost image restoration quality, with relatively low computational efficiency. Therefore, in this study we aim to propose an efficient despeckling model with both high computational efficiency and high recovery quality. To this end, we exploit a newly developed trainable nonlinear reaction diffusion (TNRD) framework which has proven a simple and effective model for various image restoration problems. In the original TNRD applications, the diffusion network is usually derived based on the direct gradient descent scheme. However, this approach will encounter some problem for the task of multiplicative noise reduction exploited in this study. To solve this problem, we employed a new architecture derived from the proximal gradient descent method. Taking into account the speckle noise statistics, the diffusion process for the despeckling task is derived. We then retrain all the model parameters in the presence of speckle noise. Finally, optimized nonlinear diffusion filtering models are obtained, which are specialized for despeckling with various noise levels. Experimental results substantiate that the trained filtering models provide comparable or even better results than state-of-the-art nonlocal approaches. Meanwhile, our proposed model merely contains convolution of linear filters with an image, which offers high-level parallelism on GPUs. As a consequence, for images of size \(512 \times 512\), our GPU implementation takes less than 0.1 s to produce state-of-the-art despeckling performance.     

Speckle reduction of ultrasound images based on Rayleigh-trimmed anisotropic diffusion filter

A novel method is proposed to reduce speckle in ultrasound images. Based on the assumption of Rayleigh distribution of speckle, a Rayleigh-trimmed filter is first proposed to estimate the relative standard deviations of local signals and the results are used to determine the parameter that controls an alpha-trimmed mean filter for suppressing the primary noise. Then the anisotropic diffusion is subsequently applied to further reduce noise while enhancing features and structures in the original image. We also extend the proposed method to three-dimensional space by introducing time as one additional dimension. The proposed method effectively utilizes the statistical characteristics of speckle and the two-step despeckling algorithm reduces speckle significantly while retaining important features. The effectiveness of the proposed method is well demonstrated by experiments on both simulated and real ultrasound images.     

基于异性扩散模型的图像边缘增强方法

提出了一个能增强图像边缘的异性扩散模型,结合P-M扩散模型和反热扩散模型各自的优点,能在去除图像噪声的同时增强图像的边缘,一定程度上克服了P-M扩散模型对图像边缘的模糊效应和反热扩散模型容易产生虚假边缘的缺点。实验结果表明：提出的模型有很好的去噪和增强图像边缘的效果,其峰值信噪比（Peak Signal Noise Ratio,PSNR）在强噪声水平下,较P-M扩散模型大约提高1 dB。     

基于对数压缩的超声各向异性扩散去噪方法

针对当前超声图像去噪算法很难同时做到降噪和边缘保持的情况,在进行各向异性扩散模型研究的基础上,提出基于对数压缩的改进各向异性扩散算法（LCAD）去除超声散斑噪声。算法将图像对数压缩后进行噪声分布模型估计,然后构造基于广义伽马分布的扩散系数,在扩散过程中达到降噪和边缘保持效果。