基于BayesShrink阈值估计的Curvelet图像去噪

提出将BayesShrink阈值估计与硬阈值方法相结合并利用Curvelet方法对图像进行去噪的方法。经验证,此法优于BayesShrink小波去噪与传统的Curvelet阈值去噪效果,特别是在较大噪声的情况下更能显示出其优势。

基于BayesShrink软阈值的Bandelet域SAR图像去噪

合成孔径雷达(SAR)图像产生的相干斑噪声是一种乘性噪声,严重影响SAR图像的质量。本文提出一种新的极化SAR图像的去噪方法,该方法对极化SAR图像进行自适应Bandelets阈值方法,阈值采用BayesShrink软阈值方法,将其应用于自适应Bandelets系数。通过实验对比,证实此法与小波阈值去噪相比,能够更好地保持图像纹理和边缘特征。

贝叶斯改进阈值超声图像去噪方法

针对超声图像散斑噪声,提出一种贝叶斯改进阈值超声图像去噪方法。超声图像质量下降的主要原因是乘性噪声的污染,采用Jain提出的噪声模型,完成对数化后的小波变换,假设小波系数服从广义高斯分布,估计各尺度的贝叶斯阈值,利用改进的阈值函数处理各小波系数。所用改进阈值函数较软阈值函数有更好的连续性且不易丢失小波系数。处理医学超声图像和声纳超声图像的结果表明,较之以往的去噪方法,该方法在去除噪声的同时能较好的保留边缘及细节特征。

一种迭代小波域维纳滤波算法

在WienerChop算法的基础上，提出了一种改进的小波域维纳滤波器，在小波域采用基于贝叶斯估计的小波阈值去噪技术估计期望信号，提高估计的精度，并以此设计经验维纳滤波器；进一步适当选择多小波基，使每个基函数通过小波变换能够比其他小波基更好地捕捉信号的某些特定特征，从而实现WienerChop算法的迭代．仿真实验表明提出的迭代WienerChop算法有效地改善了去噪后图像的均方误差和信噪比，与BayesShrink算法和非迭代的WienerChop算法相比，迭代WienerChop方法去噪后图像的峰值信噪比增益分别达到0．78～1．00dB和0．36～0．49dB．

基于提升小波的SAR图像斑点噪声抑制方法

斑点噪声去除是对合成孔径雷达(synthetic aperture radar,SAR)图像自动分割、分类、目标检测和其它定量专题信息提取处理前必要的步骤。首先简要回顾了各种传统的SAR图像斑点噪声去除方法。在充分考虑SAR图像斑点噪声乘性特征的基础上,对SAR图像进行对数变换,将乘性噪声转变为加性噪声,然后再对图像进行提升小波分解,采用Bayes Shrink阈值对小波系数进行处理。最后根据4个指标来对比不同方法的去噪效果。结果表明,与传统的滤波方法相比,基于提升小波的去噪方法在图像均匀区域的辐射特性保持和斑点噪声抑制能力方面具有较大的优势。与传统小波相比,提升小波不但在运算速度上有优势,而且省内存。

基于冗余小波变换的医学超声图像去斑噪算法

医学超声图像中固有的斑点噪声严重降低了图像的可解译程度,影响了后续的图像分析和诊断。提出了一种基于冗余小波变换的超声图像去斑算法,首先对含斑图像进行对数变换,将乘性噪声变成加性噪声;再对转换后图像做冗余小波分解;在小波系数服从广义高斯分布的前提下,计算每个小波高频子带的贝叶斯萎缩阈值,利用软阈值方法修正小波系数。实验结果表明,该算法去斑性能优于传统的空间域滤波和正交小波阈值去噪方法。

基于Bandelets域逐子块阈值的图像去噪

把正交bandelets域经四叉树分割的每一子块系数建模为广义高斯分布,基于Bayesian框架,推导出了自适应逐子块局部阈值的计算公式,找出了其参数分布的最佳范围,提出了图像bandelets域的逐子块阈值去噪算法.由于充分利用了图像的局部统计信息,所提算法对自然图像去噪的视觉效果和评价指标都好于BayesShrink和其它基于阈值的去噪算法.

图像域阈值与维纳滤波组合的图像去噪方法

用小波变换方法获得与带噪图像具有相同尺寸的各尺度与方向的图像域子图,并对各细节子图进行阈值化处理;然后,将去噪的各图像域细节子图与低频子图相加得到初级去噪图像;最后,对初级去噪图像执行图像域维纳滤波,进一步去除噪声斑点.讨论图像域阈值参数的估计方法,提出一种与小波域BayesShrink对应的图像域BayesShrink阈值估计方法.实验结果表明:与小波域阈值或者小波域阈值与图像域维纳滤波组合的方法相比,对于非高度细节的图像,除去低噪声细节相对丰富图像的情况外,图像域阈值与维纳滤波组合在去除平坦区大部分噪声的同时,能更好保留边缘与纹理细节,得到更好的图像质量与更高的峰值信噪比.

改进贝叶斯阈值的Contourlet域图像去噪方法

图像经Contourlet变换后,可以获得更多的方向信息,重构后可以更好地表达图像的轮廓信息。含噪图像经过非下采样Contourlet(NSCT)分解可得到尺度、方向均不同的系数,对这些系数分别进行不同阈值去噪。实验结果表明:利用改进后的BayesShrink阈值对NSCT分解后的各层各方向系数去噪,可获得更好的视觉效果,提高信噪比和边缘保持度。

一种改进的图像组合滤波方法

利用小波阈值去噪和Wiener滤波的特点,在文献[7]的基础上提出了一种改进的组合滤波方法,在进行空域自适应滤波之前,先对经BayesShrink处理过的预去噪图像重新估计其噪声方差,通过数值计算给出了该噪声方差的一种近似最优估计公式.实验结果表明该方法在去噪图像的均方误差和对不同图像的适应性方面都得到了改善.

一种基于改进阈值函数Contourlet域的图像去噪算法

针对Contourlet域中传统硬阈值函数由于函数不连续所造成的振铃和伪吉布斯现象以及软阈值函数由于恒值压缩导致的图像模糊失真的问题,文中提出一种基于改进阈值函数的Contourlet域图像去噪算法。该改进阈值函数引入了指数平滑函数法的思想,使其在Contourlet域内具备连续性、渐进性、偏差性和高阶可导性,克服了软硬阈值函数存在的问题。方法中阈值估计部分选取的是BayesShrink自适应阈值估计,能够比较精准的确定阈值大小,并且解决了传统固定阈值估计过度扼杀变换系数的现象。通过对比实验,文中提出的改进后图像去噪方法在峰值信噪比、均方根误差和图像增强因子等客观评价标准上与传统去噪方法相比具备较好的去噪效果。

一种新的去除遥感影像混合噪声组合滤波方法

提出了一种三层组合滤波的去噪方法,在小波BayesShrink阈值与自适应中值滤波的基础上增加第三层Wiener滤波,利用Wiener滤波对信噪比高的信号去噪效果好的特点可有效去除残留的混合噪声,为了在去噪过程中保留影像的边缘,在滤波过程中加入了边缘提取算法,对影像的细节进行保留使去噪后的影像更加清晰。试验表明,本文提出的三层滤波方法在去除遥感影像常见的高斯与脉冲混合噪声时,效果要明显优于传统的两层组合滤波算法。

基于层内和层间局域特性的小波域贝叶斯收缩去噪

采用双树复数小波变换对图像进行分解与重构,在BayesShrink阈值去噪的基础上,提出了基于小波系数层内和层间局域特性的自适应阈值去噪算法;构造出具有层内和层间局域特性的统计量和相应的映射,产生新的BayesShrink阈值.实验表明本方法能有效地去除图像中的白噪声,同时还能较好地保留图像的边缘信息,其效果优于目前的一些小波去噪方法.