基于小波变换的图像去噪及融合研究

介绍小波理论的基本原理,详细分析小波分析理论在图像去噪、图像融合的具体应用。在图像去噪中,主要阐述了图像去噪阈值的选取,以及图像去噪的评价标准。在图像融合中,阐述图像融合的具体方法及应用,并指出图像融合的评价标准,在理论上提出一类基于融合的新的去噪方式。     

基于融合细分的纹理图像重构模型

针对分段迭代曲线拟合存在的重建区域轮廓不连续、重建区域尺寸有误差等问题,提出了一种基于融合细分的纹理图像重构模型.首先提取原始图像的分割区域,经过轮廓跟踪与下采样得到区域形状的特征向量;然后利用三重逼近与三重插值统一的融合细分方法,重建区域轮廓曲线;最后合成区域纹理,得到纹理图像重构结果.在多幅自然场景图像上进行实验验证,并给出相应的实验结果和分析.实验结果表明,所提模型正确有效,具有和人类视觉特性相符合的重构结果; 所提算法能够减少图像重建时的处理时间,并在图像质量主观评价指标上明显优于多区域图像重建算法.     

基于字典学习的残差信息融合图像去噪方法

传统去噪算法只考虑从含噪图像中恢复出图像信息,然而对去噪后残差信号的利用却并未加以重视。针对图像去噪后残差信号中包含有用信息的特点,提出了一种基于字典学习的残差信息融合图像去噪方法。首先使用字典学习方法对单幅含噪图像进行去噪;然后对首次降噪后的残差图像进行图像块筛选;再对筛选出的图像块再次进行去噪处理;最后在小波域实现两幅图像的融合得到最终的去噪图像。实验结果表明,与传统基于字典学习的去噪方法相比,所提方法能够进一步提取残差信号中的图像特征信息,在峰值信噪比和结构相似度上都有所提升。特别是对一些细节较为复杂的场景图像,具有更好的去噪效果,从而证明了残差信号对于图像去噪的重要作用。     

图像去噪中的纹理保护方法研究

基于偏微分方程及变分极值最小化的图像平滑方法可以有效地去除噪声,而且能够保护边缘信息,但由于噪声及纹理难以区分,使得纹理信息无法保留。提出一种纹理保护滤波算法,该算法利用图像分解模型将图像分解为几何结构分量及噪声/纹理分量,计算后者的局部方差,与传统变分能量最小化方法中的偏差惩罚项结合形成随纹理变化的约束,得到的模型在纹理区域滤波减少,从而保护了纹理信息。实验在视觉效果上得到了预期的结果,信噪比的计算对比也可以证明算法的有效性。     

基于粒子纹理融合的流场可视化方法

基于纹理的可视化方法可以描述流场的整体结构,但传统方法计算耗时,生成可视化图像对比度比较低。从加速可视化整体流程出发,提出了一种基于粒子纹理融合的流场可视化方法。此方法首先随机产生一组噪声图像作为初始粒子分布图,然后依次将初始粒子分布图与根据流动而变形的数据网格加权融合得到粒子轨迹图,最后一帧帧彼此相邻的粒子轨迹图组成一个流场的动态显示。该方法具有独立于流场数据、绘制速度快、生成图像对比度高的特点,参数物理意义明显,不同参数选择可得到不同视觉效果的可视化输出结果,能够充分利用现有硬件图形显示加速设备,已经被成功应用于空间晶体生长实验流场数据的可视化,获得了较好的效果。     

一种图像去噪混合框架

提出一种图像去噪混合框架,通过结合应用平滑与自相似两种先验知识,提高去噪效果.算法对图像进行轻平滑处理,从平滑图像中再取得训练样本,从而增强训练样本中的平滑分量.利用机器学习方法从训练样本中统计出图像模式,应用图像模式从原有噪声图像中恢复信号.新框架联合使用了平滑与自相似两类方法,在平滑和纹理区域均能得到较好的去噪效果.试验结果表明,新框架对多组方法组合的性能均有一定提升,去噪效果普遍优于单独使用一种方法.     

基于改进栈式稀疏去噪自编码器的图像去噪

为了提高栈式稀疏去噪自编码器（SSDA）的图像去噪性能,解决计算复杂度高,参数不易调节,训练收敛速度慢等问题,提出了一种栈式边缘化稀疏去噪自编码器（SMSDA）的图像去噪方法。首先,由于边缘化去噪自编码器（MDA）具有收敛速度快这一特性,对SDA网络损失函数作边缘化处理,形成边缘化稀疏去噪自编码器（MSDA）,使其同时满足边缘性和稀疏性。其次,将多个MSDA堆叠构成深度神经网SMSDA,为避免模型参数局部最优,采用非监督逐层训练法分别训练每一层网络,再用BP算法对整个网络微调,从而获得最优权重。最后,用SMSDA对给定图像去噪。仿真结果表明,较SSDA而言,所提算法在降低计算复杂度、提高收敛速度的同时,拥有较高峰值信噪比（PSNR）,且保留了更多原始图像的细节信息,具有更好的降噪性能。     

基于数据融合及小波变换的医学超声图像去噪方法

医学超声图像固有的斑纹噪声,极大地降低了超声图像的质量,严重影响了对病灶的识别。经典的去噪方法在抑制斑纹噪声时丢失了图像中大量的细节和微弱的边缘信息。本文提出一种基于数据融合的小波变换去噪算法,首先对医学超声图像进行对数变换,将乘性噪声变成加性噪声,然后对同一原始信号含噪声的两幅同源图像分别进行小波分解,对两幅图像中小波系数的低频分量作加权融合;对水平、垂直与对角方向高频分量取两幅图像中各尺度下对应小波系数绝对值较大者各自分别融合,使高频分量中信号得以最大限度地保留,最后,经小波逆变换和指数变换得到去噪后图像。该方法在去除噪声同时能够有效保持边缘信息,较好地改善去噪后图像的视觉效果,取得了良好的效果。     

基于自适应纹理特征融合的纹理图像分类方法

现有基于深度学习的图像分类方法普遍缺少纹理特征的针对性,分类精度较低,难以同时适用于简单纹理和复杂纹理分类。提出一种基于自适应纹理特征融合的深度学习模型,能够结合类间差异性纹理特征做出分类决策。首先,根据纹理特征的最大类间差异性,构建图像的纹理特征图像;然后,采用原始图像与特征鲜明的纹理特征图像并行训练改进的双线性模型,获取双通道特征;最后,基于决策融合构建自适应分类模块,连接原图与纹理集的平均池化特征图进行通道权重提取,根据通道权重融合2个并行神经网络模型的分类向量,得到最优融合分类结果。在KTH-TIPS,KTH-TIPS-2b, UIUC和DTD 4个公共纹理数据集上对模型的分类性能进行评估,分别得到了99.98%、99.95%、99.99%和67.09%的准确率,表明所提模型具有普遍高效的识别性能。     

一种基于卷积积分的图像去噪变分方法

在图像去噪过程中更多地保持图像的细节信息是很重要的。将基于梯度的总变分图像去噪模型推广到基于分数阶微分的模型,并根据分数阶微分与卷积运算在特殊情形下具有相同的离散格式这一特点,提出了一种易于数值计算的基于卷积积分的图像去噪变分模型,实验结果表明,新模型在提高图像信噪比的同时,可以更好地保持图像的细节信息。     

基于EMD-CLEAN的图像去噪方法

噪声的存在会影响对图像中有用信息的提取。针对经验模态分解(Empirical Mode Decomposition, EMD)方法噪声抑制后图像质量下降的问题,提出了一种基于EMD-CLEAN的图像去噪方法。首先利用EMD对含噪图像进行分析,将其自动分解为一系列本征模函数(Intrinsic Mode Function...     

基于改进双域滤波的视频降噪算法

传统的视频降噪滤波在空域或者时域中进行,若视频中的噪声过大,其滤波效果较差。最新的有着较高性能的BM3D算法必须进行块匹配处理,且对于部分有着平滑过渡色彩的图像并不适合。基于双域滤波算法提出了一种改进的算法,其更加适合视频降噪。通过空域和频域分别对分层图像进行降噪, 有效地滤除 大噪点和小噪点,在时域上的双边滤波不仅提高了滤除噪声的能力,而且更好地保留了图像边缘特征。仿真实验表明,改进的双域滤波视频降噪算法在PSNR值上较DCT算法提高了约1dB,与原双边滤波算法相比,无论是在主观视觉还是客观评价上,所提算法均有较好效果及优势。     

基于耦合偏微分方程的图像去噪方法

本文基于Perona-Malik模型和四阶偏微分方程提出了耦合偏微分方程的平滑方法。实验表明,该方法能很好兼顾图像噪声消除和边缘保持,避免了二阶偏微分方程处理图像常出现的块效应,使图像平滑自然。     

基于内卷U-Net的医学图像分割模型

图像分割技术的主要对象为自然图像和医学图像,相对于自然图像而言,医学图像的语义分割通常需要较高的精度以进行下一步的临床分析、诊断和规划治疗。目前用于医学图像语义分割的深度神经网络模型由于仅考虑位置的平移不变性,存在局部感受野较小、无法表达长范围依赖关系的问题。设计一种面向医学图像的分割模型,基于内卷U-Net网络,使用内卷操作代替传统的卷积操作,并将内卷结构作为基本的网络结构,提升模型对医学图像局部特征的学习能力。在模型的瓶颈层引入注意力机制模块来学习图像长范围的依赖关系,以提高医学图像语义分割的精度。在肺部CT数据集上的实验结果表明,该模型的Dice系数为0.998,较基于卷积神经网络的分割模型约提高5%,并且大幅缩短Hausdorff距离,具有更高的分割准确度以及较好的稳健性。     

特征融合生成对抗网络的水下图像增强

针对水下图像对比度低和颜色失真等问题,提出一种特征融合生成对抗网络的水下图像增强算法.首先,对水下退化图像进行颜色校正,并以卷积神经网络提取颜色校正后图像的特征;其次,以基于U-Net的特征提取网络提取水下退化图像特征,并将其与颜色校正图像的特征融合;最后,通过卷积神经网络完成融合特征到增强图像的重构.在Underwa...     

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。     

一种基于Contourlet变换的图像去噪方法

在变换域阈值去噪过程中,阈值的选取和阈值处理方法至关重要。提出一种基于contourlet变换的图像去噪方法。采用分层阈值,为每一级contourlet系数选取一个阈值。阈值处理中给出一种基于邻域的阈值处理方法,不仅考虑单个系数幅值的大小,而且考虑它的邻域系数幅值的大小。同时为了抑制在去噪图像边缘附近的伪吉布斯效应,引入cycle spin-ning来抑制这种图像失真。实验结果表明,利用文中去噪方法进行去噪比其他方法得到更好的视觉效果和更高的PSNR值。