基于多小波变换的图像去噪

小波分析是目前国际上最新的时间频率分析工具,是信号去噪的强有力处理工具.小波变换可以将交织在一起的混合信号分解成不同频率的块信号.多小波所拥有的对称性、正交性、有限支撑等重要特性弥补了单小波的不足.提出了一种新的图像去噪方法,该方法以多小波变换为基础.实验证明,去噪效果良好.     

基于小波变换的自适应多阈值图像去噪

小波图像去噪是小波应用较成功的一个方面，其中最重要的一个环节是最优阈值的确定，为此，提出了一种新的基于小波变换的自适应多阈值图像去噪方法——Multi—Threshold shrink去噪法，这种方法是在不同子带和不同方向上选择不同的最佳阈值，而最佳阈值的选取是基于Bayes理论，并认为图像的小波系数是服从广义高斯分布的(generalized Gaussian distribution)。通过实验证明，这种方法能很好地对图像去噪，与Donoho等人提出的Visu shrink去噪方法和Chang等人提出的Bayes shrink去噪方法相比，不仅提高了去噪后图像的信噪比(SNR)和最小均方误差(MSE)，而且也使图像更加清晰，并能更好地适合人眼的视觉特性，从而可在客观和主观上同时获得更佳的去噪效果。     

一种新的基于多小波的图像去噪算法

图像去噪是最基本的图像处理技术,小波分析是目前国际上最新的时间．频率分析工具,是信号去噪的强有力处理工具。通过小波变换可以将交织在一起的混合信号分解成不同频率的块信号。多小波所拥有的对称性、正交性、有限支撑等重要特性弥补了单小波的不足。本文提出了一种新的图像去噪方法,该方法以多小波变换为基础。实验证明,具有很好的去噪效果。     

基于小波的图像去噪研究综述

利用小波方法去噪,是小波分析应用于工程实际的一个重要方面。在对目前小波去噪文献进行理解和综合的基础上,通过对小波去噪问题的描述,揭示了小波去噪的数学背景和滤波特性;阐述了小波图像去噪方法的发展历程和小波去噪的机理;概括了目前小波图像去噪的主要方法:模极大值去噪法,小波萎缩法和多小波去噪等,对小波图像去噪进行了综述;最后探讨了小波图像去噪的发展方向。     

一种基于领域阈值的小波图像去噪算法

为了去除图像中的噪声,文章利用图像分块的思想,结合阈值去噪法和最小均方误差估计(MMSE),给出了一种基于领域阈值的小波域图像去噪算法。该算法与经典的子带自适应阈值去噪法BayesShrink算法相比,本文算法在峰值信噪比和视觉效果上都好于BayesShrink算法。     

基于多小波基维纳滤波图像去噪

提出一种多小波基维纳图像去噪方法。它把多个小波基用于小波维纳滤波图像去噪，利用多个小波各自独有的特性和维纳滤波估计最小误差估计的优点，达到对图像更有效去噪的目的。实验结果表明，该方法可以有效降低图像噪声，同时，较好地保持图像视觉效果。     

基于改进的小波阈值技术MRI图像去噪

提出了一种改进的小波阈值处理的核磁共振成像（MRI）医学图像的去噪方法。结合图像的特点并利用小波系数的区域相关性,对小波阈值处理方法进行了改进,根据信号和噪声系数的不同分别处理,克服了传统小波变换不足。结果表明该方法在有效去除噪声的同时,较好保留了MRI图像的细节,有利于医学的诊断。     

基于多小波基维纳滤波图像去噪

提出一种多小波基维纳图像去噪方法.它把多个小波基用于小波维纳滤波图像去噪,利用多个小波各自独有的特性和维纳滤波估计最小误差估计的优点,达到对图像更有效去噪的目的.实验结果表明,该方法可以有效降低图像噪声,同时,较好地保持图像视觉效果.     

基于小波系数关系的图像去噪方法

为了在保留图像边缘信息的同时,尽可能地去除图像噪声,提出一种基于小波系数尺度间和尺度内关系的去噪方法。该方法使用小波系数的相关系数和邻域小波系数的平均幅值来分别表示小波系数的尺度间和尺度内关系,并以此来辨别出图像的边缘信息和噪声;同时提出了一种阈值函数来处理图像的小波系数。实验表明该方法能取得较高的信噪比,并能保存图像的一些细节信息。     

多尺度几何分析的图像去噪方法综述

小波图像去噪已经成为图像去噪中应用最广泛的经典方法,而随之出现的多尺度变换去噪方法也已是当前图像去噪研究的一个热点。在对目前图像去噪的现状以及小波去噪总体概括的基础上,简要介绍了多尺度几何分析的产生和发展,进一步详细分析和总结了基于多尺度变换的图像去噪方法。基于对小波去噪以及多尺度变换图像去噪问题的理解,提出了对多尺度变换图像去噪方法的一些展望。     

基于小波变换的图像去噪

近年来,采用小波变换进行图像去噪已成为一个活跃的研究课题。针对传统去噪方法的缺陷,从理论上推导了二维小波分解和重构具体算法,研究了小波图像去噪的基本理论和方法,在此基础上利用Matlab7．0．1对含有两种不同高斯白噪声的图像进行了仿真实验,实验表明,基于小波变换的图像去噪可以有效地提高图像的去噪效果。     

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。     

自适应的图像组合降噪

BayesShrink是小波收缩降噪最好的算法之一,而WienerChop方法则是利用小波域维纳滤波改进了VisuShrink算法。为了更好地滤除噪声,研究了WienerChop组合BayesShrink进行降噪的方法。实验表明,该组合算法优于WienerChop和BayesShrink算法,其可产生更低的均方误差和更高的信噪比。它不仅综合了WienerChop和BayesShrink两种算法的优点,而且改善了WienerChop算法的过光滑和BayesShrink算法残留较多噪声的问题,同时可获得视觉上更为愉悦的降噪图像。     

基于循环神经网络的多阶段图像去噪方法

图像在采集和传输过程中往往受到噪声污染,去噪任务是图像预处理中的重要步骤.现有的基于深度学习的图像去噪方法往往只进行单次的去噪,容易产生过于平滑或者太多噪点未去除的结果且无法恢复.因此,本文提出了一种基于循环神经网络的多阶段图像去噪方法.该方法包括两个去噪阶段,通过调整两个阶段的训练权重可以使得第1阶段的去噪结果包含部...     

一种新的图像去噪方法

提出了一种新的基于分块的图像去噪方法.主要思想是,首先将原图像分成若干个相等的小块,然后对每个子块进行去噪,并且结合原对偶方法对新方法进行了验证.数值实验证明,该方法具有很好的效果,可以提高一倍左右的运算速度,并且图像恢复质量也有一定的提高;特别是对大型问题,新方法可以大幅度的提高去噪效率.     

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。     

基于U-Net融合的保留纹理的图像去噪方法

图像的噪声阻碍了高级视觉任务对图像的理解,且去除图像的噪声是一个具有挑战性的任务.现有的基于卷积神经网络的图像去噪方法在去除噪声的同时,对图像纹理会引入一定程度的破坏,导致去噪后图像无法保留图像的纹理.为了解决这个问题,本文提出一种用二分支U-Net网络来融合特征和保留纹理的图像去噪方法.首先选取一种去噪方法的两个不同...     

基于分层筛选方法的前景图像去噪

前景图像的后期美化和去噪处理一直是模式识别和计算机视觉等领域的一个重要研究环节。鉴于形态学后期处理方法容易造成前景目标几何和尺寸的变形现象,本文根据真实前景目标和噪声在前景图像空间分布和像素值的统计特性提出了一种分层筛选独立分离块的前景图像后期去噪方法。该方法包括划分单元块,构造独立分离块,计算独立分离块面积和去除噪声块四个步骤。实验结果表明,本文提出的方法能够有效地去除噪声,且与形态学图像后期处理方法相比有更好的去噪效果和更低的时间复杂度。