基于小波变换的低频子带图像去噪方法研究

小波阈值去噪方法是研究最为广泛的方法之一,基于此方法提出了许多改进算法。然而,这些改进的小波阈值去噪算法都没有对低频子带进行处理。本文采用自适应中值滤波对小波变换的低频子带进行处理,而对高频子带采用通用阈值去噪算法。实验结果表明噪声方差越大（即噪声污染越严重）,重构图像PSNR提高的越多;对于噪声方差较小及细节较少的图像来说,重构图像的PSNR不是很理想。     

一种加窗的双重局部维纳滤波图像去噪算法 ——基于SWT和DTCWT

提出了一种基于静态小波变换和对偶树复小波变换的加窗的双重局部维纳滤波图像去噪算法。在第一次局部维纳滤波中,用静态小波变换对含噪图像进行分解,然后利用椭圆方向窗来估计不同方向子带的各点信号的方差;在第二次的局部维纳滤波中,第一次局部维纳滤波恢复后的图像被对偶数复小波变换分解后,利用由子带能量自相关函数确定的自适应窗来估计不同方向子带的各点信号的方差,然后利用逆对偶数复小波变换对图像进行恢复。实验结果及分析表明了该去噪算法的有效性。     

基于小波自适应阈值图像去噪方法的研究

利用小波变换对图像去噪是一种非常有效的方法。传统的小波去噪算法对图像去噪后的平滑效果不是很好,图像细节清晰度不够高,甚至会产生伪吉布斯现象。针对这些现象,文中提出了一种改进的基于小波变换的多尺度自适应阈值图像去噪方法。该方法根据图像小波分解的特性,确定适合小波分解后不同层系数去噪的较优阈值,然后结合恰当的阈值函数对各层高频系数进行处理来达到去噪效果。实验结果表明,与传统方法相比,该方法运算量较小,能有效去除高斯白噪声,进一步提高峰值性噪比,同时能够很好地保留图像细节信息。     

改进阈值与尺度间相关的小波红外图像去噪

为了更有效地去除红外图像中的噪声, 提出一种基于改进阈值与尺度间相关的小波红外图像去噪方法. 一方面利用阈值修正方案和新阈值函数对通常的小波阈值去噪法进行改进; 另一方面通过对阈值邻近的小波系数进行小波变换尺度间相关性估计, 提高小波系数阈值判断的准确性.实验结果表明, 与通常的小波阈值去噪法相比,该算法能更有效地去除红外图像中的噪声, 获得更高的峰值信噪比(Peak signal-to-noise ratio, PSNR)、边缘保持指数(Edge preserved index, EPI)和更好的视觉效果,具有较好的实用性.     

基于小波包变换与自适应阈值的SAR图像去噪

针对SAR遥感图像在探测、传输过程中受到噪声干扰,不利于对其进行处理的问题,提出一种基于小波包和自适应阈值的SAR图像去噪方法.该方法采用小波包对SAR图像进行分解,与传统的小波分析相比,小波包分析能够提供一种更加精细的分析方法;然后采用自适应阈值的方法去除SAR图像中的噪声.实验结果表明,该算法能有效去除SAR图像中的噪声,在信噪比和主观视觉上都要优于小波去噪的方法.     

一种基于边缘检测的图像去噪优化方法

为了消除或衰减存在于图像上的噪声,同时尽可能地保留图像细节,提出基于边缘检测的图像去噪算法.先通过小波边缘检测法求出有噪图像的边缘图像;再通过小波边缘检测方法确定哪些小波系数是图像的边缘特征,这些小波系数将不受阈值去噪的影响,因此,可以只是根据噪声方差来设置去噪的阈值,对原有噪图像进行小波去噪,得到平滑图像;最后,将边缘图像嵌入平滑图像中,得到去噪后的图像.实验结果表明,与普通的小波阈值去噪方法相比,上述算法不但能在有效去噪的同时保留图像的细节信息,而且能提高去噪后图像的峰值信噪比.     

基于Context模型的小波变换阈值自适应图像去噪

根据噪声和信号的小波系数在不同分解尺度、不同方向上高频系数的分布不同,结合Context模型,提出基于Context模型的小波变换阈值自适应图像去噪算法。该算法通过对不同尺度和方向的小波分解系数应用不同的阈值方法进行去噪。实验表明,方法能较好地去除图像噪声和保留图像边缘细节信息,在提高去噪图像信噪比值和改善视觉效果方面都表现出了良好的性能。     

噪声方差未知的小波域中非局部均值图像去噪

为了有效地去除噪声,获得细节清晰的图像,提出一种噪声参数未知情况下基于小波分析的图像去噪算法.首先对图像上交互选定的不含细节的样本区域进行小波分解,根据噪声方差在不同尺度、不同方向子带内的映像建立噪声的特征向量;利用此特征向量计算小波分解后高频子带内各小波系数之间的相似度,把该相似度作为权值对当前小波系数进行调整.实验结果表明,文中算法对于噪声方差未知的图像不仅能有效地去除噪声,而且能保持图像的边缘信息,获得较好的去噪效果;对实拍的含噪数码照片进行测试的效果理想.     

基于小波维纳滤波和各项异性扩散的图像去噪

提出一种基于小波和各项异性非线性扩散的新图像去噪算法。小波域局部阈值维纳滤波是一种简单有效的去噪方法,利用该方法先对原始图像进行初步去噪,以此引导非线性扩散模型中的边缘检测函数,再用非线性扩散进行去噪。实验表明:该算法不仅很好地保存了图像的边缘信息,而且有效地去除了图像中的大部分噪声,无论是视觉效果还是客观标准上都优于单纯的小波域维纳滤波或各项异性非线性扩散去噪。     

一种基于小波包变换的图像去噪算法

根据信号和噪声的小波系数在不同分解尺度上的分布不同,结合模糊理论和小波包分解,提出一种消除图像噪声的算法——模糊小波包去噪算法。该算法对小波包解后的高频系数,不同方向的系数采用不同的滤波方法。实验证明,与软阈值去噪算法和小波包阈值去噪算法相比,该算法能更有效地去除噪声和保持图像边缘细节。     

Image denoising algorithm via best wavelet packet base using Wiener cost function

A new cost function, namely, the Wiener cost function, is introduced to find the best wavelet packet (WP) base in image denoising. Unlike the existing entropy-type cost functions in image compression, the Wiener cost function depends on both sparseness of image representation and noise level. Combining the Wiener cost function and the doubly local Wiener filtering scheme, a new image denoising algorithm is proposed using the best wavelet packet bases. Owing to unknown true image in denoising, a pilot image with less noise is required to find the best wavelet packet base, which is obtained by the existing denoising algorithms. From the pilot image, the best 2D wavelet packet tree is searched in terms of the Wiener cost function and the energy distributions of the image in the best wavelet packet domain are also estimated. Further, the image is recovered by applying the local Wiener filtering to the best wavelet packet coefficients of the noisy image. The experimental results show that for images of structural textures, for example 'Barbara' and texture images, the proposed algorithm greatly improves denoising performance as compared with the existing state-of-the-art algorithms.     

基于小波包变换与Wiener滤波的SMT焊点图像去噪技术

针对目前SMT(surface mount technology)焊点图像去噪效果不理想的问题,提出了一种基于小波包变换与wiener滤波的SMT焊点图像去噪新方法.利用小波包对图像进行分解,可以同时对SMT焊点图像的低频和高频部分进行多层分解,有利于保留图像信息,减少噪声对图像的影响.通过对图像的小波包系数的分析,对小波包树高频系数进行Wiener滤波,保留低频系数;然后进行小波包反变换,重构得到SMT焊点去噪后图像.实验表明,提出的方法不仅可以有效地去除SMT焊点图像的噪声,而且能很好地保留原图像的边缘信息,与传统方法相比,去噪性能和去噪声效果有一定的提高.     

基于小波包变换与自适应阈值的图像去噪

提出了一种基于图像小波包变换及与分解层次相关的自适应阈值的去噪方法。利用小波包对图像进行分解,可以同时对图像的低频和高频部分进行分解,可以更好地保留图像信息,减少噪声对图像的影响。同时对小波包树系数用自适应阈值进行软阈值处理,可以很好地保留边缘等图像信息,这一方法比采用常用的阈值明显提高了去噪图像的信噪比。通过对加噪图像的实验可以看出,本文方法不仅可以有效地去除加性高斯白噪声,而且很好地保留原图信息,对进一步图像处理有所帮助。     

一种基于自适应阈值的图像去噪新方法

Selecting threshold is the most important in threshold-based nonlinear filtering by wavelet transform. In this paper, a novel adaptive threshold is proposed by minimizing a Bayesian risk(It is adaptive to subband because it depends on data-driven estimates of the parameters). Combining this thresholding method with Wiener fitting can re-sult a new denoising method. Expermental results show that the proposed method indeed remove noise significantly and retaining most image edges. The results compare favorably with the reported results in the recent denoising liter-ature.     

改进双边滤波和阈值函数的图像增强算法

针对基于单尺度Retinex算法产生的图像泛灰现象和光晕现象、基于双边滤波Retinex算法的泛灰现象及噪声放大现象。提出基于小波变换的改进双边滤波的Retinex图像增强算法和改进阈值函数去噪算法。该方法对图像进行小波分解,获得图像的低频和高频系数;采用改进双边滤波的Retinex算法对图像低频系数进行处理,采用改进阈值函数对高频系数进行处理;采用离散小波反变换得到增强后的重构图像;对重构图像进行分段性线性变换,增强图像对比度。实验结果表明,该方法避免了图像泛灰和光晕现象,并有效去除了噪声,细节丰富,对比度强,为图像后续处理奠定基础。     

A statistical and Wiener filtering algorithm based on the curvelet transform for SAR images

Synthetic aperture radar (SAR) images contain many kinds of noise. Speckle noise is multiplicative noise generated by the coherent imaging processes involved in SAR images and brings a great hindrance to the interpretation and application of SAR images, so it is considered the first major kind of noise in SAR images. SAR images also contain other incoherent additive noises generated by other factors, such as Gaussian noise, which are all considered the second major kind of noise. In order to reduce the impact of noise as much as possible, after an in-depth study of SAR imaging and noise-generating mechanism, curvelet transform principle, and Wiener filtering characteristic, a novel filtering method, here called the statistical and Wiener based on curvelet transform (SWCT) method is proposed. The SWCT algorithm processes two different kinds noise based on their properties. Specifically, it establishes a two-tiered filtering framework. For the first kind of noise, the algorithm uses the curvelet transform to decompose the SAR image and uses the statistical characteristics of the SAR image to generate an adaptive filtering threshold of the coefficients of decomposition to recover the original image. Then it filters every sub-band image at each decomposed scale and performs the inverse curvelet transform. The second kind of noise is directly filtered using the Wiener filter in the SWCT algorithm. Using the two-tiered filtering model and fully exploiting statistical characteristics, the SWCT algorithm not only reduces the amount of coherent speckle noise and incoherent noise effectively but also retains the edges and geometric details of the original SAR image. This is very good for target detection, classification, and recognition. Qualitative and quantitative tests were performed using simulated speckle noise, Gaussian noise, and real SAR images. The proposed SWCT algorithm was found to remove noise effectively and the performance of the algorithm was tested and compared to the mean filter, enhanced gamma-MAP (maximum a posterior probability) filter, wavelet transform filter, Wiener filter, and curvelet transform filter. Experiments carried out on real SAR images confirmed that the new method has a good filtering effect and can be used on different SAR images.     

一种图像自适应Wiener组合滤波方法

利用小波域Wiener滤波和空间域自适应Wiener滤波的特点,提出一种基于小波域自适应Wiener滤波和空间域自适应Wiener滤波的组合滤波方法。该方法首先在小波域进行自适应Wiener滤波,对恢复图像中的残留噪声方差进行重新估计,再在空间域进行自适应Wiener滤波,这种方法提高了恢复图像的精度。仿真实验表明,与单独的小波域和空间域Wiener滤波相比,该方法的均方误差最小,去噪效果更优。     

基于变换域和噪声估计的路面图像去噪研究

针对不考虑噪声的统计分布,仅使用傅里叶变换或小波变换对图像进行降噪处理会带来图像的失真（扭曲）的问题,提出基于变换域和噪声估计的图像去噪方法。算法根据傅里叶变换和小波变换对图像的有效表示侧重点不同,以及图像噪声在不同变换域下的统计特性,提出先将图像进行傅里叶变换,根据噪声的统计特性构造传递函数H,使用Wiener滤波器进行降噪处理,得到一次降噪图像;再对图像再进行小波变换,根据噪声在小波的各尺度下,以及同一尺度下的不同特性,分别采用软门限降噪法和MMSE准则的降噪方法,得到二次降噪图像。仿真实验证实,该算法能有效提高降噪效果,降噪后的图像不失真,包含噪声少。     

改进的阈值图像去噪算法仿真研究

研究了图像优化识别问题,图像中噪声经常会影响图像的清晰度,造成图像模糊等。为了更好的去除图像中的噪声,特别是去除图像中细节丰富的区域中的噪声,通常传统的去噪方法难以完成。为了更好的去除图像噪声并较好的保留图像细节信息。在经典的小波软、硬阈值消噪方法的基础上,提出了一种小波包分析的改进方法。小波包变换是一种时频分析的方法,在分析中高频方面优于小波变换,将其应用于图像中噪声的消除。在Matlab上仿真结果表明,此法同时克服了传统阈值方法的缺点,有效提高了图像去除噪声能力,清晰度更高,为图像优化消噪提供了参考。     

Image quality based comparative evaluation of wavelet filters in ultrasound speckle reduction

This paper presents the comparative study of various wavelet filter based denoising methods according to different thresholding values applied to ultrasound images. An original image is transformed into a multi scale wavelet domain and the wavelet coefficients are processed by a soft thresholding method. The denoised image is the output image obtained from the inverse wavelet transform of the threshold coefficients using Donoho's method. It has been observed that such denoising methods are effective in the sense that they preserve the edge details besides suppressing the noise. The comparative evaluation of the denoising performance is shown using statistical significance tests for different wavelet filters. Image quality parameters such as peak signal-to-noise ratio, normalized mean square error, and correlation coefficient have been used to evaluate the performance of wavelet filters. The performance has also been compared with the adaptive weighted median filtering method.