基于小波变换的图像混合噪声自适应滤波算法

提出了一种基于小波变换的图像混合噪声自适应滤波算法.该算法首先采用中值滤波进行预处理以去除脉冲噪声,然后对图像进行二维小波分解得到高频和低频子图像.根据各高频子图像噪声分布特征,分别设计出新的结构元素进行形态学滤波,随后定义一种新型阂值判别函数对高频和低频子图像分别设定不同调节参数,以进一步滤除残余噪声.最后进行小波系数重构.仿真结果表明,该算法去噪效果明显优于其他几种算法,从而表明该算法是一种较为有效的图像混合噪声滤除方法.     

去除脉冲噪声的小波阈值去噪算法

为了克服现有脉冲噪声去除算法的缺陷,进一步提升算法的去噪性能和鲁棒性,提出了一种去除脉冲噪声的小波阈值去噪算法.首先,根据脉冲噪声的灰度特征、分布的随机性及近似均匀性,用统计方法识别噪声像素.然后,用基于信噪强度的自适应阈值和可微收缩函数的小波去噪方法恢复噪声像素.实验结果表明,相比现有算法,本算法去噪得到的图像视觉感知效果、峰值信噪比和边缘保持指数均有较大提升,且具有更好的鲁棒性.     

一种改进的自适应图像去噪算法实现

数字图像在形成、传输和处理过程中,往往不可避免的存在噪声污染。因此去噪是数字图像处理的重点也是难点,需要提出一种更加行之有效的去噪算法。针对于传统软硬阈值的缺陷,本文提出一种将改进的的小波阈值去噪法与自适应中值滤波相结合的新的去噪方法。小波阈值去噪即确定一个合适的阈值,对分解的小波系数进行阈值化处理,滤除噪声的小波系数,而保留信号的小波系数。该算法相对于传统软硬阈值的峰值信噪比(PSNR)的提高百分比分别达到了16.32%和8.95%,去噪效果非常理想。该方法较之以往的去噪方法,峰值信噪比有了明显的提高,同时能够有效保留边缘及细节特征。     

一种自适应多尺度积阈值的图像去噪算法

该文提出了平稳小波变换(Stationary Wavelet Transform, SWT )域自适应多尺度积阈值的图像去噪算法(SWT domain Multiscale Products, SWTMP)。与传统的阈值去噪算法不同,该阈值不是直接作用于小波系数,而是作用于小波系数的空间多尺度积。分析了SWT域含噪图像多尺度积的特点,提出了SWT域自适应多尺度积阈值的计算方法。多尺度积强化了图像的重要结构信息,弱化了噪声,在有效去噪的同时更多地保留了图像的边缘和细节。实验结果表明,所提算法对自然图像去噪后的视觉效果和性能指标均好于二进小波域多尺度积阈值(Adaptive Multiscale Products Thresholding, AMPT)去噪方法。     

基于提升小波的自适应阈值图像去噪方法

利用提升法对传统小波进行提升,给出了用提升方法构造lifting-9.7小波的实现方法.针对图像去噪传统阈值选取的不足,研究了一种基于提升小波的自适应阈值图像去噪方法.实验表明:该方法实现简单,计算速度快,处理后的图像清晰,能量保持能力强,提高了去噪后图像的信噪比,去噪效果好.     

基于小波变换的图像去噪算法研究

小波变换作为一种重要的工具,已经在图像处理中得到了广泛的应用。我们所获得的图像一般信噪比比较低,噪声密度大,且含有混合噪声,而现有算法大多只针对单一噪声进行去除。文章提出了一种基于小波变换的混合噪声的去除方法:首先使用改进的中值滤波算法去除脉冲噪声,然后采用小波去噪方法去除高斯噪声。通过Matlab仿真得出去噪效果。     

一种基于小波变换的自适应阈值图像去噪方法

0 引言 由于小波变换有良好的局部特性,作为一种信号和图像处理工具,它得到了广泛应用。1995年,Donoho首次提出了小波阈值,小波阈值是一种非线性的方法,它是在小波域内通过对小波系数进行处理来达到去噪的目的,其理论前提是认为图像的小波系数是服从广义高斯分布且绝对幅值较大的小波系数主要由信号变换后得到,而绝对幅值较小的小波系数则主要是由噪声变换后得到的,这样就可以通过设定阈值将较小的噪声系数清除来达到去噪的目的。     

基于自适应阈值的图像去噪新算法

提出了一种具有自适应阚值的图像去噪算法.首先,阚值函数具有连续性,高阶可导性,充分体现了小波分解后系数的能量分布,且函数表达式简单易于计算,适合各种数学处理.其次,阈值的选取考虑了分解过程中小波系数的相关性和过程性等因素,减小了对噪声的误判率,具有更强的实用性.仿真实验结果表明,新算法不仅比传统算法运算量小,而且取得了更高的峰值信噪比(PSNR)和更小的均方误差(MSE),更加有效地去除了图像的噪声.     

基于GCV理论的小波自适应多阈值图像去噪方法

小波图像去噪是小波应用较成功的一个领域,而其中最重要的一个环节就是最优阈值的确定问题。提出了一种基于小波变换的多阈值图像去噪的改进方法。这种方法是在各分解尺度上的各子带选择不同的最佳阈值,而最佳阈值的选取是基于GCV理论。利用此理论不仅能获得最小均方意义上的渐进最优解,而且不需要知道噪声的先验知识。通过实验证明,这种方法不仅能获得很好的去噪效果,而且由于不需要对噪声进行估计从而减小了计算量。     

一种基于连续小波阈值的图像去噪新算法

基于图像小波分解的特点和小波分解后高频小波系数的统计特性,构造了一种新阈值函数的去噪算法。对比传统的硬阈值、软阈值去噪算法,介绍了新阈值函数的原理,推导了算法公式。该阈值函数连续、可导。实验结果表明,利用新阈值函数进行图像去噪,能够有效地抑制图像噪声及马赛克效应。     

基于SURE无偏估计的自适应小波阈值去噪

本文在D.L.Dohono提出的小波阈值去噪的基础上,提出了一种新的阈值函数,与原来的分段阈值函数相比,此函数具有明显优点,表达式简单易于计算,连续可微,易于求导.此函数的这些优点为实现信号的自适应去噪提供了可能.本文应用此阈值函数,基于SURE无偏估计,给出了一种自适应去噪方法.并用受污染的blocks、bumps、heavy sine、doppler等典型信号做实验,实验结果显示此方法能在最小均方误差(MSE)意义上收敛,而且其最小均方误差优于其他文献中的阈值去噪的方法.     

一种改进的小波阈值去噪法

基于小波变换的阈值去噪法是去除数字信号中白噪声的有效算法,其中阈值函数的选择关系着重构信号的连续性和精度。但是硬阈值函数在阈值点具有不连续性,软阈值函数中估计的小波系数与信号的小波信号间存在恒定偏差的缺陷,这些缺点限制了阈值去噪法的进一步应用。将硬阈值和软阈值函数进行加权平均,选取适当的权值函数,可以构造出一种克服了软硬阈值缺点的新的阈值函数。仿真结果表明,该方法具有较好的去噪效果。     

基于自适应噪声估计的小波阈值语音增强

文中提出了一种基于小波阈值和自适应噪声估计方法的语音增强算法。该算法直接利用含噪语音信号估计出信噪比SNR,并通过该值调整小波阈值,从而实现了小波阈值的自适应变化。针对噪声的小波变换模值随尺度增大而减小的特性,采用了随尺度变化的小波阈值。并且改进了小波阈值函数。实验数据表明,本文算法在多种噪声环境下,均有较好的语音增强效果。并且在抑制噪声的同时,减少了语音失真。     

基于中值滤波和小波变换的红外图像去噪方法

针对红外图像对比度差、信噪比低、红外目标易被噪声干扰的缺点,提出一种自适应中值滤波和小波变换相结合的去噪方法.首先对图像进行小波变换,得到各频带子图像,对不同子图像采用不同的滤波模版进行自适应中值滤波,最后对图像进行小波重构,实现图像的去噪.将该方法与目前常用的去噪方法进行对比实验,结果表明,该算法简单有效,突出目标图像细节,可获得更好的图像视觉效果.     

基于单纯形-模拟退火算法的小波阈值去噪研究

阐述了小波分析去除信号噪声的原理和方法,其中阈值的选取将直接关系到信号去噪的质量。本文基于广义交叉验证准则(GCV)求解阈值的基础上,提出了利用单纯形—模拟退火算法来求得小波变换各子带最优阈值,计算时无需噪声方差等先验信息,同时该方法不依赖初始阈值的选取,既获得了全局最优解,又提高了搜索效率。最后通过Matlab程序实现了小波变换的噪声抑制仿真分析,实验结果表明,与常规的4种阈值选择方法(Rigrsure、Sqtwolog、Heursure、Minimaxi)相比,本文算法确定的阈值进行小波去噪,其去噪效果无论是在信噪比(SNR)增益还是在均方根误差(RMSE)意义上均是最佳的。     

基于小波变换的红外图像去噪

提出一种基于新型阈值函数的小波域红外图像去噪法,其阈值函数表达式简单且连续,既克服了硬阈值函数不连续的缺点,又克服了软阈值函数中估计小波系数与含噪小波系数间存在恒定偏差的缺陷。同时新的阈值函数还有效地利用了小波系数的成串性,即在小波系数的估计计算中考虑了邻域小波系数的大小。仿真结果表明,在去噪红外图像视觉效果和峰值信噪比两个方面,文中提出的去噪法优于已有的各种门限去噪法和Matlab-wiener2滤波算法。     

基于Teager能量算子的自适应小波语音增强

小波阈值的自适应计算方法有多种形式,基于Teager能量算子(TEO)的是其中一种.将这种方法结合离散小波分解使用时,会对实际噪声产生过多的保留.根据色噪声的具体特征,对这种方法进行了改进,对染噪信号的高频频带和低频频带分别使用不同的方法进行处理,这种处理既能有效保护清音,又能去除噪声.仿真处理结果表明,这种改进能更好地解决语音信号的保护和噪声消除之间的矛盾.     

基于加权自适应方向提升小波的图像去噪研究

本文介绍了一种基于加权自适应方向提升小波(WADL,Weighted adaptive directional lifting)和普通提升方法相结合的图像去噪方法,此方法能够较好地对噪声进行抑制,同时保护图像的纹理边缘较少受到损失。在仿真试验中我们通过对噪声图像进行分类,对属于纹理密集区域采用WADL方法去噪,对平滑区域采用普通提升去噪,得到了比较好的去噪结果。