自适应匹配追踪图像去噪算法

针对目前的稀疏去噪算法分解效率低、去噪效果不理想的问题,提出了一种基于自适应匹配追踪的图像去噪算法。该算法首先通过自适应匹配追踪算法求解稀疏系数,然后利用K奇异值分解算法将字典训练成能够有效反映图像结构特征的自适应字典,最后将稀疏系数与自适应字典相结合来重构图像。在重构过程中,将噪声对应的系数去除,最终达到去噪的效果。算法引入Spike-Slab先验来引导稀疏系数矩阵的稀疏性,并利用两个权重矩阵促使去噪模型更加真实。鉴于字典在稀疏算法中的重要性,将自适应字典与DCT冗余字典、Global字典进行比较。实验结果显示,选择自适应字典的去噪结果比传统字典在峰值信噪比上高出约4.5 dB;与目前6种主流的稀疏去噪方法相比,文中提出的方法在3种评价指标上均有不同程度的提高,其中峰值信噪比平均提高了约0.76~6.24 dB,特征相似度平均提高了约0.012~0.082,结构相似性平均提高了约0.015~0.108。对图像去噪算法进行定性的评价,结果显示所提算法保留了更多的有用信息,视觉效果最佳。实验充分证明了自适应匹配追踪图像去噪算法对图像去噪的有效性和鲁棒性。     

近邻局部OMP稀疏表示图像去噪

目的 基于分类的稀疏字典去噪算法改善了字典训练阶段的效率问题,但稀疏分解阶段仍是全字典匹配,影响算法运行速度。为了解决稀疏去噪算法在稀疏分解阶段因复杂矩阵运算及字典全局搜索导致的算法效率低,以及冗余的稀疏字典因无法描述图像具体特征而影响图像去噪效果的问题,提出改进算法。方法 首先稀疏分解阶段,在原正交匹配追踪算法基础上引入字典原子聚类思想,提出局部正交匹配追踪算法,将全局搜索优化为局部搜索;为保证局部搜索仍能保持良好的匹配结果,提出近邻择优策略,计算聚类中心与信号原子的距离,从而按照某一阈值自适应地选择最优的n个子字典作为稀疏分解的匹配空间;最后将图像分解为内容簇和背景簇,对内容簇采用基于近邻的局部K奇异值分解（K-SVD）算法去噪,背景簇采用均值滤波方法去噪。结果 对USC标准数据库中大量图像进行去噪实验,本文算法去噪结果的峰值信噪比值比K-SVD算法平均提高了1.53 dB,比2维块匹配（BM3D）算法平均提高了0.72 dB,比聚类的稀疏表示去噪（CSR）算法平均提高了0.5 dB;运行时间比原算法提高了23.2%。结论 本文算法针对灰度图像去噪,在去噪效果及去噪效率方面均有改善,尤其对细节纹理较丰富的灰度图像去噪具有一定的应用价值。     

一种基于稀疏度估计的自适应压缩频谱感知算法

针对现有的频谱感知存在信号稀疏度估计所需压缩观测值不能满足信号稀疏度变化时实时跟踪的问题,研究一种基于稀疏系数信息估计的自适应宽带频谱压缩感知方法,在流信号进行稀疏度未知的压缩时,先采集由先验信息得到的观测值数目.在采集到的观测值数目上自适应调整,得到信号稀疏度估计所需的观测值数目,并精确估计信号的稀疏度.仿真结果表明,SCI-CSS算法对流信号频谱能够保持良好的收敛性和较快的跟踪速度,且能有效地确定使信号稀疏度估计所需压缩观测值数目并随信号稀疏度自适应调整,实现对信号稀疏度变化的实时跟踪.     

一种稀疏度自适应的稀疏傅里叶变换算法

稀疏快速傅里叶变换需要信号以傅氏域的稀疏度为先验信息,但稀疏度通常是未知的,在一定程度上限制了算法的应用。为此,提出一种新的稀疏傅里叶变换算法。在下采样域进行能量检测,得到稀疏度的初始值,通过增大下采样维度提高稀疏度估计的准确性,从而近似估计稀疏度,设定阈值剔除冗余信息从而得到较好效果。实验结果表明,当信号长度大于219或稀疏度小于900时,该算法性能优于西方快速傅里叶变换,且具有较强的鲁棒性。     

基于稀疏分解和聚类的自适应图像去噪新方法

随着信号稀疏表示原理的深入研究,稀疏分解越来越广泛地应用于图像处理领域。针对过完备字典构造和稀疏分解运算量巨大的问题,提出一种基于稀疏分解和聚类相结合的自适应图像去噪新方法。该方法首先通过改进的K均值(K-means)聚类算法训练样本,构造过完备字典;其次,通过训练过程中每一次迭代,自适应地更新字典的原子,使字典更适应样本的稀疏表示;然后利用正交匹配追踪(OMP)算法实现图像的稀疏表示,从而达到图像去噪的目的。实验结果表明：与传统的字典训练方法相比,新算法有效地降低了运算复杂度,并取得更好的图像去噪效果。     

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.     

一种基于奇异值分解的自适应水印算法

变换域水印算法对压缩、噪音和滤波等攻击具有较好的鲁棒性,但水印算法对仿射变换攻击的抵抗力较差,提出了基于奇异值分解的自适应水印算法,首先根据人眼视觉模型,利用小波变换的能量特性做水印容量自适应分析,然后分块嵌入具有不同能量因子的水印,既保证了水印的嵌入量又增强了其鲁棒性.最后采用能量统计技术对提取的水印作误差校正,有效地解决了提取水印对角线明显失真的问题.仿真试验表明,算法不仅对剪切、滤波和噪声等攻击有较强的鲁棒性,对各种仿射变换也有非常好的抵抗力.     

一种自适应阈值曲波图像去噪算法

利用曲波变换进行图像去噪能取得较好的效果,但是现有的曲波去噪没有充分利用图像曲波系数的特点,容易过分扼杀图像的细节信息.本文提出了一种基于阈值自适应的曲波图像去噪算法,利用图像经过曲波变换后的能量分布特性选取阈值,以更好地保护图像细节.实验结果表明,该算法可以将每一尺度上的信号与噪声在最大程度上分离,有效去除了高斯白噪声,进一步提高了峰值信噪比,更好地实现了去除噪声与保护图像细节之间的平衡.     

一种稀疏度自适应的SIMO-NOMA系统多用户检测算法

非正交多址接入(NOMA)可以通过对资源的非交使用来提高频谱利用率,增加用户连接数,有望成为5G的关键技术之一。考虑基站端配备多根天线,针对上行免调度SIMO-NOMA系统中活跃用户数量未知的情况,提出了一种基于压缩感知的稀疏度自适应匹配追踪硬融合算法(SAMP-HFA)。所提算法主要包括三部分:首先利用传统的SAMP算法估计基站端每根天线上的用户活动情况,接着融合这些检测到的用户活动信息获得一个公共的活跃用户集合,最后利用该集合估计活跃用户的传输数据。仿真结果表明,随着天线数目的增加,所提算法的误码率性能显著提高。     

学习字典下自适应稀疏度估计的分解去噪算法

针对固定字典下稀疏分解在图像去噪过程中缺乏自适应稀疏度估计和回溯优化等问题,本文在K-SVD学习字典下,利用自适应稀疏度估计匹配追踪(ASMP)方法自适应估计图像的稀疏度,并对原子进行回溯优化选择。算法不仅改善了固定字典的表示性能,同时减少了图像稀疏度人为设定的盲目性又提高了算法鲁棒性。实验表明,与传统的稀疏分解去噪算法相比,学习字典下自适应稀疏度估计的分解去噪算法能获得更高的峰值信噪比。     

基于SVD和能量最小原则的图像自适应降噪算法

基于奇异值分解和能量最小原则,提出了一种自适应图像降噪算法,并给出了基于有界变差的能量降噪模型的代数形式。通过在矩阵范数意义下求能量最小,自适应确定去噪图像重构的奇异值个数。该算法的特点是将能量最小法则和奇异值分解结合起来,在代数空间中建立了一种自适应的图像降噪算法。与基于压缩比和奇异值分解的降噪方法相比,由于该算法避免了图像压缩比函数及其拐点的计算,因此具有快速去噪和简单可行的优点。实验结果证明,该算法是有效的。     

一种用于图像降噪的自适应均值滤波算法

图像中噪声的消除是图像处理与识别的重要环节,噪声滤除效果的好坏直接影响着后续图像处理与识别的质量.为此,提出一种用于图像降噪的空间域滤波算法,自适应均值滤波算法(Adaptive Averaging Filtering Algorithm,AAFA).该算法中局部窗口的系数(掩模系数)是根据局部窗口内各像素与中心像素间的灰度和空间关系计算的,即局部窗口中心像素灰度均值的计算既考虑了窗口内各像素与中心像素间的灰度值差异,又顾及了窗口内各像素与中心像素间的距离.利用该算法进行图像降噪的实验结果表明,相对于经典的空间域均值滤波算法和其它的均值滤波算法,该算法的噪声滤除效果更好.     

基于小波阈值的图像去噪算法研究

对基于小波阈值的图像去噪算法研究进行了深入的讨论,详细介绍了几种比较常用的小波阈值去噪算法。对于图像的小波分解和重构,详细介绍了其分解步骤和算法,分析了小波分解过程中层数的选取和小波重构图像的问题,并给出了一些选取依据;详细介绍了小波系数的处理过程以及不同处理方式的去噪原理;对小波变换阈值去噪的不同方法和原理进行了阐述。     

基于小波变换的图像去噪

与传统的傅里叶变换去噪相比,小波能去噪同时保留图像细节特征。针对较好的小波去噪,本文研究了小波阈值去噪的阈值函数选取,阈值大小确定和小波去噪方法。     

结合第二代Bandelet变换分块的字典学习图像去噪算法

针对以往稀疏编码在图像去噪过程中存在的噪声残留和缺乏对图像的边缘与细节的本质特征的保护等问题,提出了一种结合第二代Bandelet变换分块的字典学习图像去噪算法,其更好地利用了图像的几何特性进行去噪。首先,通过第二代Bandelet变换可以灵活地根据图像几何流的正则性特征并能够自适应地获得图像的最稀疏表示来准确估计图像信息,并能自适应地选择最优的几何方向;然后,根据K-奇异值分解(K-Singular Value Decomposition,K-SVD)算法来训练学习字典;最后,通过四叉树分割对噪声图像进行自适应分块,从而去除噪声并保护图像的边缘与细节。实验结果表明,相比于其他学习字典,所提算法能更有效地保留图像的边缘特征与图像的精细结构。     

一种新的基于小波变换的图像去噪算法

小波去噪算法的关键是如何处理小波变换系数。把电路中同或的思想引入图像去噪领域,在识别信噪属性时,综合考虑了小波系数的模极大值、相位等因素,提出了小波域同或去噪算法。较之经典方法,此方法在改善去噪效果的同时提高了算法的执行速度。     

二进小波变换的图像去噪

由于图像二进小波变换在每次分解时不进行下抽样,所以其表示同小波级数相比是冗余的,且图像二进小波变换的部分系数扰动不会带来重构图像的严重失真。因此,在相同的误判概率下,基于二进小波变换的图像去噪效果会好于基于小波级数变换的图像去噪效果。基于这个思想,该文提出了DWID方法,将基于小波级数的图像去噪方法推广到基于二进小波变换的图像去噪,比较了DWID同基于小波级数去噪效果。实验表明,DWID比小波级数去噪效果有明显改善。     

基于提升的自适应图像消噪

信号经过小波分解后采用软阈值处理具有良好的降噪效果，提升结构是小波技术的新发展。从提升小波出发，通过引入正交性等约束条件得到了具有良好子带分解特性的一族小波；将这些小波应用到软阈值降噪处理中去，依据信号特性自适应的选择滤波器参数，可以明显地提高PSNR．     

基于VGG网络与深层字典的低剂量CT图像去噪算法

低剂量计算机断层扫描（LDCT）能够有效降低X射线辐射对人体健康造成的危害,已广泛应用于医学临床诊断。针对LDCT图像中存在大量的斑点噪声和条形伪影的问题,提出一种结合改进的VGG网络和深层字典的图像去噪算法,以弥补深层字典去噪能力的不足。在深层字典学习到第一层字典原子和稀疏矩阵后,通过改进的VGG网络将字典原子区分为信息原子和噪声原子,同时将稀疏矩阵中噪声原子所对应的元素设置为零,降低噪声原子对图像去噪效果的影响。实验结果表明,与K-SVD算法、正则化K-SVD算法和深层字典学习算法相比,该算法的峰值信噪比和结构相似性指数平均提高了1.4 dB和0.03,能够有效抑制LDCT图像噪声和伪影,且保留较多的边缘和细节信息。