复Contourlet和各向异性扩散的织物疵点图像降噪

图像降噪是织物疵点自动检测的首要步骤,其效果直接影响后续的图像分割、特征提取及识别结果.为进一步改善降噪性能,提出了一种基于复Contourlet变换和各向异性扩散的织物疵点图像降噪方法.首先通过复Contourlet变换将织物疵点图像分解成低频和高频分量;然后分别利用P_Laplace算子和Catte_PM模型进行相应的扩散;最后经复Contourlet逆变换重构疵点图像.大量实验结果表明,与小波阈值收缩和全变差扩散的混合方法、小波与PM模型扩散相结合的方法、Contourlet结合全变差和自适应对比度扩散的方法、非下采样Contourlet结合非线性扩散的方法相比,所提出的方法在主观视觉效果和客观定量评价指标上都有了较大的提高,更好地保留了织物图像的纹理细节信息,说明了其降噪能力更强,能够有效地抑制噪声.

基于灰度方差和正逆扩散结合的PET重建

在正电子发射断层成像(PET)中,最大后验重建引入图像先验分布信息,将重建结果约束在正则空间中,但是不恰当的约束将导致重建图像过度平滑;经典正逆各项异性扩散模型仅考虑图像的梯度信息,不能完整表征图像的特征。针对该问题,提出了一种基于正逆扩散的优质PET重建算法,将灰度方差与正逆扩散模型结合,并采用改进模型进行正逆各项异性扩散,进行中值先验分布的贝叶斯重建。仿真结果表明,新算法克服了传统算法图像退化的缺点,优化了重建质量,能获得较高的信噪比和较好的图像视觉效果。