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。     

基于小波包分解的整体变分去噪算法

由Rudin等人提出的整体变分（TV）模型被认为是目前最好的图像去噪模型之一。理论表明,TV模型对分块常量的图像去噪效果显著。对于纹理细节丰富的图像,通过引入小波包分解技术,对图像的纹理细节进行多层小波包分解,得到一系列近似分块常量的子图像,用TV模型对子图像分别进行处理,从而图像的纹理细节得到了更好的保留。相对于单独使用TV模型去噪,该方法得到的复原图像峰值信噪比（PSNR）提高了1 dB左右。同时由于采用改进的Bregman迭代方案求解TV模型,算法收敛时间得到了极大的减少。     

基于小波包分解的图像同态增强

提出了一种基于小波包分解的图像同态滤波增强算法,它克服了传统二维同态滤波的方向对称性,可以形成任意形状的滤波器,进而可以充分利用图像本身的细节特征,对不同方向的图像细节特征进行合理的处理,达到更好的图像增强效果。     

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.     

基于自适应边缘检测的小波包图像去噪

为了在滤除图像噪声的同时能很好地保持图像的细节，提出了一种基于自适应边缘检测的小渡包图像去噪方法，先用自适应滤波多尺度边缘检测方法检测出图像的边缘，小波包去噪时就可选用全局闽值而不必担心损害图像的边缘特征。实验结果表明，谊方法不但可以保持图像的边缘信息，而且能够提高去噪后图像的信噪比。     

一种基于图像区域分割的小波去噪方法

提出一种基于区域分割的图像去噪方法。该方法利用具有平移不变性的DWT去噪法和NeighShrink_ SURE去噪法对平滑图像和纹理图像分别具有良好去噪效果,遂将含噪图像进行区域分割得到平滑、突变和过渡三个区域,最终去噪图像的三个区域分别由两种方法得到的去噪图像加权来确定。实验结果显示,该方法利用了前两种算法的优点,得到了具有较高峰值信噪比、较完整保留图像细节而且具有更佳视觉效果的去噪图像。     

一种基于图像边缘检测的全变分的去噪方法

提出了一种基于边缘检测的全变分图像去噪方法.在利用全变分去噪之前,先用Canny算子检测图像的边缘,对检测出的边缘区域和非边缘区域做标记;然后在边缘和非边缘区域设置不同的均衡系数,利用全变分模型对图像进行去噪.实验结果表明该算法能抑制以往全变分模型方法产生的阶梯效应,具有较好的图像恢复效果.     

基于Sobel算子的小波去噪算法

文章在分析Sobel算子边缘锐化与小波边缘检测的基础上,提出了一种能保持图像边缘的去噪方法。对加噪图像进行平稳小波变换以后,在各尺度下利用Sobel算子对小波高频系数进行边缘锐化,采用局部模极大值进行边缘检测,对于非边缘小波系数采用小波阈值滤除。实验结果表明,该方法不仅能够滤除图像的噪声,而且能够保持图像的边缘。     

基于双树复数小波变换的切屑图像阈值去噪

由于在金属切削加工时通过CCD相机采集的切屑图像含有大量噪声，因此如何有效地去除噪声，获取切屑边缘信息是分析切屑形态参数，实现切屑控制的关键。目前小波变换图像去噪效果较好，而复数离散小波变换比实数小波变换具有更多优势，如：平移不变性、方向性等。并可提高图像的去噪能力。为了提高切屑图像的去噪能力，提出了一种采用双树复数小波变换进行切屑图像去噪的方法，即在原信号(噪声标准方差)未知情况下，采用GCV准则选取去噪阈值，双树复数小波变换进行去噪。典型图像与切屑图像去噪结果显示，该方法能有效地提高金属切削加工过程中切屑图像的噪声去除及屑形边缘检测的能力。     

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．     

小波域基于层内和层间系数约束的边缘软判决与图像去噪

在提出依概率对边缘系数软判决的基础上,运用图像小波分解后在尺度和空间方向的相关性,引入调谐函数,对边缘发生概率增加邻域约束,以进一步提高边缘发生概率的估计精度。应用于图像去噪的仿真结果表明,引入层问和层内约束后,在较好滤除噪声的同时,图像边缘也得到了明显加强。该方法也可用于边缘检测和图像分割。     

基于小波阈值的图像去噪方法研究

图像去嗓是对图像进行高级处理的重要基础,已经成为当今数字图像处理的热门领域之一。结合前人的研究理论,并在此基础上通过对小波阈值图像去噪时的阚值函数进行改进,从数学理论上改进后的小波阈值函数可以有效抑制传统方法所带来的固有缺点。经过大量的计算机仿真试验,最后所得结果表明改进后的小波阈值去嗓方法可以有效降低图像的噪声干扰,比较好地保留图像中重要的细节信息,具有一定的实际应用价值。     

基于边缘检测的图象小波阈值去噪方法

边缘特征是图象最为有用的高频信息，因此，在图象去噪的同时，尽量保留图象的边缘特征，应是图象去噪首要顾及的问题。基于这一思想，提出了基于边缘检测的图象小波阈值去噪方法。该方法在去噪之前，先通过小波边缘检测方法确定哪些小波系数是图象的边缘特征，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，而不必担心损害图象的边缘特征。理论分析和实验结果都表明，与普通的小波阈值去噪方法相比，该方法不但可以保持图象的边缘信息，而且能提高去噪后图象的峰值信噪比1-2dB。要做到既去除图象噪声，又不模糊图象边缘特征是很困难的。该方法把去噪和边缘检测结合起来，在一定程度上解决了这种两难的问题。     

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。     

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。     

一种基于小波变换的图像去噪新方法

为了更好地进行图像去噪,提出了一种图像去噪的方法。对图像进行小波变换以后,噪声的小波系数在不同尺度上都服从高斯分布但大小不同。由此,对各尺度各方向上的小波系数进行维纳滤波,而保持低频系数不变,先以此来估计原始图像的小波系数;然后进行小波反变换,得到去噪图像。实验结果表明了该方法的有效性。     

一种改进的小波阈值图像去噪方法

分析小波阚值去噪特点,针对软、硬阈值去噪存在伪吉布斯和边界模糊现象,提出一种改进的阈值函数和阈值估计方法,该阈值函数具有连续可导且偏差可变的特性,新的阈值估计方法具有较好的自适应性.实验结果表明,该方法可以有效地去除白噪声干扰,无论从视觉效果上还是信噪比上,都优于软、硬阈值去噪方法.     

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.