基于Laplace-Impact混合模型的DR图像去噪算法

提出一种双树复小波域中基于Laplace-Impact混合模型的DR图像去噪算法。该法利用局部方差建立的拉普拉斯-冲击模型的概率密度函数来逼近高频子带的系数分布。由于高频子带系数局部高度相关,所以在Laplace-Impact混合模型的框架下,采用最小均方误差估计可以很好消除DR图像噪声。实验结果表明,本文提出的算法与BLS-GSM模型和Laplace模型等经典去噪算法相比,对DR图像中的高斯噪声有更好的去噪效果。

基于Random-Walk算法的DR图像分割方法

本文算法对原图像进行快速Mallat小波分解得到骨干图后,利用其高频子带梯度信息优化边的权重,并在概率阈值的准则下对争议区域做进一步划分,最后把最大到达概率所在类的标签赋予未标定顶点,并扩展到原图像,得到分割边界。用微软GrabCut分割数据库图像和实际DR图像对该算法进行了验证,该算法能快速而有效地分割出特定的图像,适用于DR图像的分割,为进行组织增强和进一步提高DR图像质量打下基础。