数字图像噪声估计的方法及数学模型

为评估光电成像系统和给定数字图像的噪声特性,分别采用了盲估计法和实验测量法,给出了仿真分析和实验测量结果,并建立了随机噪声分析的统计模型。实验分析结果表明,盲估计法的计算结果跟理论模型预测值能很好地吻合,尤其适用于具有简单目标和纹理较少的图像的噪声估计。

北京1号小卫星图像噪声评估

从理论和试验方面对图像的噪声评估方法进行了分析。结合北京1号小卫星特性,进行了该类方法应用效能的评价,讨论了分块评估噪声方法的最佳参数设置。选取满足噪声评估环境的图像,实现了综合不同地表覆盖条件的北京1号小卫星图像噪声的评估。噪声评估结果与在轨测试情况的对比表明,北京1号小卫星经过近3年的运行,仍保持了较好的性能。

关于磁共振图像质量评价方法的探讨

磁共振信号得到的人体断层图像 ,不仅可以反映形态学的信息 ,还可以从图像中得到与病理有关的信息 ,其图像质量的好坏将直接影响着医护人员对病人的诊断结果。目前对磁共振图像质量评价的重要指标是信号强度均匀度。但在信号强度几乎相同的条件下 ,这一评价指标的有效性较低。为了对磁共振图像质量作更加有效的评判 ,可采用比较信噪比的最大与最小区域的信号强度标准差的方法 ,其评价的有效性较高。

基于噪声功率谱的CT图像噪声评价

目的设计并探讨基于噪声功率谱(NPS)的CT图像噪声评价方法。方法改变CT图像扫描参数以及重建参数获取图像,采用NPS与传统标准差(SD)两种方法对该图像进行噪声检测,并对比两种检测结果。结果 NPS曲线幅值与层厚和剂量成反比,与重建算法的增强程度成正比。重建算法、层厚和剂量对噪声指数的影响能够在NPS曲线上得到明显的体现。结论 NPS能够从幅值与频率方面反应噪声变化,与SD方法相结合可形成更为完善的噪声评价体系。

基于图像分割的非局部均值去噪算法

针对传统非局部均值(NLM)算法的滤波参数非自适应及去噪后边缘易模糊的缺点,提出一种基于图像分割的非局部均值去噪算法。该算法分为两个阶段:第一阶段根据噪声大小及图像纹理自适应确定滤波参数的值,并采用传统非局部均值算法得到去噪结果图;第二阶段根据像素点方差的不同,将该去噪结果图分为细节区域和背景区域,再对属于不同区域的图像块分别去噪,同时为了更有效地去除噪声,还采用了反向投影的方式,充分利用了第一阶段方法噪声中残留的结构信息。实验结果表明,与传统非局部均值算法及其三种改进算法相比,所提算法的峰值信噪比(PSNR)及结构相似性(SSIM)更高,纹理细节和边缘结构更完整,图像更清晰,本真信息保留更完整。

遥感图像斑点噪声的局部统计滤波算法比较

分析了Kuan滤波和σ滤波两种基于局部统计滤波的斑点噪声平滑算法的原理,以实际的激光遥感图像为例进行了滤波实验,并对滤波性能进行了比较,结果表明Kuan滤波是有一定自适应能力的局部统计滤波方法,而σ滤波是简单而高效率的平滑算法。

采用改进结构特征度度量分析的噪声标准差估计算法

提出了一种基于改进的噪声标准差估计的轮廓波去噪算法,在常用的轮廓波去噪算法基础上提出了新的解决方案。该方案将滤波法与改进的图像结构特征度度量分析算法结合起来,筛选出适合计算噪声标准差的图像子块集合,再用直方图法估计图像噪声标准差,然后将该标准差用于轮廓波去噪。在标准差估计对比试验中,将滤波法、分块法、改进的分块法与文中的标准差估计算法进行对比;在去噪对比试验中,采用基本的小波阈值去噪算法(universal阈值),由小波阈值法引申出的普通轮廓波阈值去噪算法,基于维纳滤波的轮廓波去噪算法,基于系数建模的轮廓波去噪算法与文中算法做对比。实验结果表明:文中算法能够更加精确地估计图像噪声标准差,且去噪效果与普通轮廓波去噪及其他轮廓波去噪算法相比更加稳定,鲁棒性更好。

噪声大小估计耦合PCA的图像降噪算法

针对当前图像降噪算法难以有效区分纹理区域边缘和细节,且其噪声大小估计不准确,使其降噪质量不佳等不足,提出一种基于噪声大小估计耦合PCA的图像降噪算法。根据图像块的梯度矩阵的纹理强度和统计信息,从图像中选择无高频成分的低等级块,利用PCA技术计算图像块的协方差矩阵的特征值,利用最小特征值表征图像初始噪声;引入噪声估计函数,通过不断迭代估计函数,直到计算的真实噪声不变为止;根据图像真实噪声和场景复杂性,调整噪声大小,利用调整后的噪声大小作为降噪标准。实验结果表明,与当前降噪算法相比,所提算法在边缘和丰富纹理区域具有更好的降噪效果和更高的稳定性。

应用小波包变换的图像加权广义模糊增强算法

图像边缘细节富含高频成分,鉴于小波包分析具有对高频分辨率高的特点,提出一种应用小波包变换的图像加权广义模糊增强算法。对图像进行小波包分解,分别对各分解子图像进行基于线性广义模糊算子(LGFO)的模糊增强处理,重构前对各增强子图像赋予不同的权值,通过小波包图像重构实现对原始图像的加权模糊增强处理,获得细节丰富、对比度强的高质量增强图像。在基于边缘测度与噪声标准差的增强图像质量评估标准下,算法实现了模糊参数的自适应寻优。实验表明,增强图像轮廓准确、细节丰富。

运动模糊图像的多目标参数估计

针对现有算法只能进行单一目标模糊参数的鉴别的缺点,提出利用局部标准差和现有算法相结合的方法同时鉴定多目标的模糊参数。通过对现有算法的分析,对模糊图像进行局部标准差滤波,提取标准差较大的模糊边缘图像块,对各图像块进行筛选、归类,然后应用Radon变换及改进倒谱法分别对每个图像块进行运动模糊参数的鉴别,再通过加权平均处理,进一步精确参数结果。算法对鉴别多目标模糊参数有良好的精度,而且提高了运动模糊参数鉴别的稳定性和准确性。

基于背景噪声的图像盲篡改检测

数字图像在成像过程中会产生特定的背景噪声,如果两幅不同噪声的图像拼接在一起,篡改区域和其他区的噪声会有差异。提出一种基于偏度统计特性的背景噪声估计算法,其通过对图像分块计算每块的噪声标准差,从而检测出噪声异常部分以达到篡改检测的目的。算法利用DCT变换去除原图细节部分,利用偏度统计特性估计噪声,利用条件最小值法求出噪声的标准差。算法改进了迭代求条件最小值法,利用微分方法求取最小值,避免了初始值设定问题,提高了算法的准确率。实验结果表明,提出的噪声估计算法正确率高,且对拼接篡改图像篡改检测有明显效果。

Retinex自适应反射分量估计和对数图像处理减法后处理的低照度图像增强

在夜间采集到的图像由于受强灯光的影响,对比度较大,白天采集到的背光图像也是如此。对比度增强算法是常用的获得良好对比度图像的方法,但是这往往会造成亮区域过度增强的现象。为了解决对比度较大的这部分图像过度增强的问题,提出了一种基于Retinex自适应反射分量估计和对数图像处理减法后处理的低照度图像增强算法,该算法分为两部分:反射分量估计,基于对数图像处理减法(LIPS)模型的对比度增强。首先,用自适应双边滤波器代替传统的高斯滤波器来获得更精准的照明层。然后,根据最小可觉差(JND)阈值得到一个自适应因子来为对数域的照明分量加权,从而估计出图像的反射分量。这种方法可以有效防止高亮度区域的过度增强。最后,将基于标准偏差最大化的LIPS方法作用在反射层以增强图像的对比度,其中LIPS的参数范围由反射图像的累积分布函数(CDF)来确定。实验结果表明,文中所提算法在主观评价以及客观评价方面都优于其他对比算法。

采用小波变换的空间外差干涉图误差分析方法

空间外差光谱技术(SHS)是一种应用于微弱物质探测、行星勘探以及大气遥感等领域的超光谱分析技术。受实验环境复杂及被测目标信号微弱等因素的影响,空间外差光谱仪的测量结果易出现干涉条纹倾斜、干涉图有斑点噪声等情况,从而最终影响测量光谱的精度。为了尝试解决这些问题,提出了基于小波变换的干涉图误差分析方法,对干涉图的斑点噪声水平和条纹倾斜误差进行有效的评价,从而为后续误差校正提供理论基础。首先对无误差的钾灯仿真干涉图加入不同标准差的高斯噪声,利用小波分解提取复小波系数,采用三种噪声估计法对干涉图数据进行计算,结果表明空域相关小波变换法噪声估计结果与真实值偏差最小,而Donoho估计法在修正截距后与真实值具有更好的吻合度。随后采用Db2小波对噪声水平不同的仿真钾灯干涉图进行一层小波分解并提取水平、对角及垂直三个方向的细节系数,采用Donoho估计法对干涉图进行二维噪声分析,有效表征了三幅干涉图各方向上的噪声水平特征。最后对仿真连续光干涉图进行小波分解并提取系数分析,研究了干涉条纹倾斜角度与小波分解系数的关系。研究结果表明,三个方向的小波细节系数估值变化分别在分解到不同层数时具有相似的变化规律:小波细节系数估值与条纹倾斜方向和小波细节系数的所属方向的夹角成反比,条纹倾斜方向与该小波细节系数的方向夹角越小,估值越大,反之则越小,且水平方向分解到第一层、对角方向分解到第二层、垂直方向分解到第三层符合变化规律。该研究是利用小波分解进行空间外差光谱误差分析的有益尝试,也为后续干涉图条纹倾斜误差的校正提供了一种新途径。

基于Canny边缘检测算法求取CT胸腔图像噪声的方法

目的提出一种基于Canny边缘检测算法求取CT胸腔图像噪声的方法。方法选取2021年采集的男性志愿者的CT胸腔图像250张, 通过Canny自适应阈值法提取CT胸腔图像轮廓, 并比较Sobel算法、Canny双阈值法和Canny自适应阈值法的相似度;使用霍夫变换来确定感兴趣区域, 考察感兴趣区域的选取大小、重建卷积核和管电流对CT胸腔图像噪声的影响。结果 Canny自适应阈值法保留了更多细节, 边缘的连续性和完整性有所提高, 对边缘检测与图像分割更加灵活以及更加具有鲁棒性。Canny自适应阈值法结构相似性指数最高(0.644), 均方根误差最小(0.371), 其在边缘轮廓检测方面相似度最高, 效果更显著。随着方形感兴趣区域大小的增加, 平均噪声呈现下降趋势, 噪声标准差在某些区间有所增加, 特别是在较大的方形区域。在同一重建卷积核的情况下, CT胸腔图像升主动脉的平均噪声比胸主动脉的高, 升主动脉的噪声标准差比胸主动脉的低。对于升主动脉, 重建卷积核E的升主动脉平均噪声(41.97 dB)最低, 噪声标准差(20.64 dB)最大;对于胸主动脉, 重建卷积核E的平均噪声(30.78 dB)最低。胸主动脉的平均噪声和噪声标准差随管电流的增加而下降。结论提出了一种基于Canny边缘检测算法求取CT胸腔图像噪声的方法, 适用于检测CT胸腔图像。

基于边缘剔除与空间去相关的图像信噪比评估方法研究

分析地物光谱特征可知,同种地物具有相同或相似的光谱特征,在同一波段的光学遥感图像内就会具有相同或相似的灰度值。而且同一均匀区域内的同种地物信号之间具有很高的相关性,噪声则是随机的、独立的、不具有相关性信息的干扰成分。也就是说均匀区域内同一景物的光谱反射值是相关的,如果能估算出该点的信号值,就可以将信号与噪声分离。通过提出边缘剔除空间维度去相关法(EESDD)来估计图像信噪比,即首先剔除地物边缘,然后利用均匀区域同种地物的高相关性进行多元回归运算来拟合地物像素灰度值的方法估计噪声标准差,从而计算信噪比。该方法既可用于单波段图像,也可用于多光谱(含高光谱)图像的信噪比评估;既可用于图像中均匀区域也可用于不均匀区域的信噪比评估。通过与局部方差法(LMSD)以及基于边缘剔除的局部方差法(EE-LMSD),对几幅地物覆盖复杂程度不同的实测图像信噪比估算结果的比较得出,边缘剔除空间维度去相关法的结果要优于前述两种方法,而且更具健壮性。

一种高空间分辨率遥感影像信噪比测定方法

信噪比是用来评价遥感影像质量一个重要的辐射特性参数。通过合适的方法精确地测定出遥感影像对应的信噪比参数,可以帮助数据提供者或用户更好地预测和提高遥感影像的信息提取能力。现有的信噪比测定方法大多基于中低空间分辨率遥感影像进行,并不能很好地适用于高空间分辨率遥感影像。针对现有信噪比测定方法的这一局限性,从高空间分辨率遥感影像本身特点出发,通过自适应地划分DN值子区间,以一定百分比最小局部标准差的平均值估算每一DN值子区间对应的噪声大小,进而估算每一DN值子区间对应的信噪比。该方法充分考虑了高分遥感影像内空间细节信息、边缘信息以及纹理信息较强而使得均值区域很难获取的特点。研究表明:改进的方法对于估算高分遥感影像信噪比具有较好的适用性。

改进型自适应双边滤波算法

对传统双边滤波器模型中的灰度标准差和滤波窗口进行改进。首先,用固定大小的正方形窗口通过概率分布函数和最大似然函数计算图中每个像素点的噪声标准差,将全图噪声标准差的中值作为阈值,若某像素点的噪声标准差大于该阈值,则认为该点的窗口内包含图像边缘,用半边旋转窗口法重新计算该点的噪声标准差和滤波窗口;然后,对图像中的每个像素点进行双边滤波,其中,灰度标准差设为该点噪声标准差的2倍;最后,根据区域相似度模型判定强噪声,并利用中值滤波器去除。实验证明,所提算法在不同强度的噪声下均可取得较好的保边滤波效果和强噪声去除效果。