自适应全变分图像去噪模型及其快速求解

在联合冲击滤波器和非线性各向异性扩散滤波器对含噪图像做预处理的基础上,利用边缘检测算子选取自适应参数,构建能同时兼顾图像平滑去噪与边缘保留的自适应全变分模型,并基于Bregman迭代正则化方法设计了其快速迭代求解算法。实验结果表明,自适应去噪模型及其求解算法在快速去除噪声的同时保留了图像的边缘轮廓和纹理等细节信息,得到的复原图像在客观评价标准和主观视觉效果方面均有所提高。

全变分自适应图像去噪模型

通过分析三种主要变分去噪模型(调和、全变分以及广义全变分模型)的优缺点,提出了一种基于全变分的自适应图像去噪模型。该模型根据噪声图像的信噪比,采用高斯滤波器对图像进行预处理,克服了全变分模型引入的阶梯效应;利用图像中每一像素点的梯度信息,自适应选取去噪模型中决定扩散强弱的参数p(x,y),使接近边缘处平滑较弱,远离边缘处平滑较强。数值实验表明,本方法在去除噪声的同时保留了图像的细节信息,取得了很好的降噪性能,其峰值信噪比(PSNR)在高噪声水平下,较其他变分方法至少提高1.0dB左右。

基于正则化与保真项全变分自适应图像去噪模型

分析了自适应范数的变分去噪模型与自适应可信度参数变分去噪模型优缺点,提出了一种同时基于范数p与可信度参数λ全变分自适应图像去噪模型。在该模型中,扩散行为的参数p(x,y)由图像局部梯度决定,可信度参数λ(x,y)大小取决于当前处理位置对应残差图像的特性。实验结果表明,本模型在去除噪声的同时更好地保留图像的细节信息,且峰值信噪比有所提高,取得很好的降噪性能。

基于Curvelet变换和非局部TV模型的图像去噪

为解决Curvelet图像去噪所产生的"环绕"效应以及非局部TV模型去噪过度平滑而无法保持细小纹理的问题,本文提出了一种基于Curvelet变换与非局部TV模型相结合的图像去噪方法(Curvelet and Non-Local TV,CNL-TV)。该方法首先对含噪图像进行Curvelet变换,将其分解成不同尺度的图像;其次根据每层图像的特性,选择合适的非局部TV模型参数分别进行处理;最后将处理后的每层图像融合。实验结果表明,该算法不仅能够有效地减少噪声,消除Curvelet去噪产生的"环绕"效应,而且最大程度地保持了图像中的细小纹理成分。通过比较不同方法所得结果的峰值信噪比,验证了算法的有效性。

基于TV模型和L^2-模型的图像去噪方案

TV模型是图像去噪中保持图像边缘的模型之一.运用L2-模型从观察图像中提取光滑的草图,然后利用TV模型从残余图像中恢复一些丢失的有用信息,从而有效地避免TV模型的阶梯效应,使得恢复后的图像具有很好的视觉效果.

基于Sobel-TV模型的超声测井图像去噪算法研究

传统的TV模型对小尺度细节和噪声的图形去噪有很好的效果，但对纹理丰富和边界细小的图像会造成细节的丢失。根据超声测井图像的要求，提出了一种基于Sobel－TV模型的去噪方法。该方法在TV去噪模型的基础上引入Sobel算子来控制平滑程度，既提高图像的去噪效果，又保护图像的重要细节。处理结果表明，该方法能够有效地去除超声测井图像的噪声，保护了图像的边缘和细节，明显地改善了图像的视觉效果，算法简单、实用，对超声测井图像的后期处理具有较高的实用价值。

基于滤波器的局部自适应全变分图像去噪模型

综合利用冲击滤波器和非线性各向异性扩散滤波器对含噪图像做预处理,然后基于边缘检测函数建立反映图像局部特征的自适应权函数,构建能同时兼顾图像平滑去噪与边缘保留的局部自适应性的全变分模型,并建议用本原对偶算法快速求解。实验结果表明,同传统的全变分图像去噪模型相比,该局部自适应全变分模型在消除噪声的同时能很好地保持图像的边缘轮廓和纹理等细节特征,得到的复原图像在客观评价标准和主观视觉效果方面均有所提高。

一种基于卷积运算与全变分模型的图像去噪方法

梯度模值较易受到外界影响,导致全变分模型在大噪声点处往往不能很好地消除噪声,从而产生阶梯效应。针对该问题,提出了一种基于卷积运算与全变分模型的图像去噪方法。首先,针对以扩散形式获得的图像像素点进行卷积运算,利用滤波去噪降低大噪声点的灰度值;其次,以能量泛函形式构建图像全变分模型,并求解泛函对应的拉格朗日方程极小值来实现图像去噪;最后,将去噪后图像作为双边滤波算法的引导图像进行二次去噪,从而进一步提升图像去噪质量。仿真实验结果表明,与经典方法相比,该模型对去噪过程中的阶梯效应问题具有较好的处理效果。

基于边缘检测全变分模型的图像去噪方法

针对抑制噪声过程中图像边缘和细节信息易模糊的现状,提出一种基于边缘检测全变分(TV)模型的图像去噪方法。首先,利用Canny算子对图像边缘加以检测;其次,针对图像边缘区域进行膨胀处理以适当扩展边缘区域;最后,分别采用TV模型和均值滤波器对膨胀后的图像边缘和非边缘区域进行去噪处理。仿真实验结果表明,与经典方法相比,该方法不仅能够较理想地去除原图像中存在的噪声,还能够很好地保留图像中原始的边缘和细节信息。

改进TV图像去噪模型的全景图像拼接算法

全景图像生成过程中易受到噪声的影响。针对该问题,提出一种改进的全变分(Total Variation,TV)图像去噪模型应用于全景图像的拼接。对图像去噪过程中建立的泛函函数进行卷积运算,利用卷积操作降低噪声点的灰度值,求解泛函函数所对应的拉格朗日方程极小值,达到图像去噪的效果;采用SIFT(Scale Invariable Feature Transfomation)特征匹配算法对去噪后的图像进行特征提取和匹配;对待拼接图像进行加权融合处理,优化视觉效果。仿真实验结果表明,与经典算法相比,该研究能够较理想地去除图像中的噪声,降低全景图像拼接过程中的干扰,提高视觉效果。

基于小波阈值和全变分模型的图像去噪

针对小波阈值函数去噪不彻底并且造成图像边缘模糊的问题,提出一种自适应小波阈值和全变分模型相结合的去噪方法。利用小波变换的时频域特性将含噪图像分解得到各维度小波系数,对低频小波系数利用全变分模型去噪,对于高频系数根据不同分解尺度选择不同的最佳阈值去噪,克服了统一阈值的不足,增强了算法的自适应性。理论分析和仿真实验结果表明,所提方法兼顾了小波变换和全变分模型的去噪优点,在有效去除噪声的同时更完整地保留了图像的边缘和细节信息,有较高的结构相似度和峰值信噪比。

综合热扩散和全变分模型的自适应图像去噪模型

讨论了各向同性热扩散(TD)方程模型和各向异性全变分扩散(TV)方程模型对图像去噪的影响。在此基础上提出了一个改进的自适应混合模型,所提出的模型根据图像的信息能够自适应每个区域。该模型进行扩散图像的更加平坦区域,而较少的扩散在图像的边缘,得到了较好的去噪效果,同时保持边缘。比较了这三个模型对图像去噪的效果。数值实验结果表明,改进的自适应混合模型具有更好的去噪效果。

全变分引导的双边滤波图像去噪方法

双边滤波是一种结合了图像空间邻近度和像素值相似度的非线性滤波方法。当噪声水平较小时,使用输入的待去噪图像来引导双边滤波核函数权重的计算较为可行,但当噪声水平变大时,噪声图像的结构信息被严重破坏,影响了双边滤波器中值域核函数权值的准确计算。提出了全变分引导的双边滤波图像去噪方法,给出其Split Bregman快速算法。利用全变分模型对噪声图像进行光滑,得到一幅包含清晰结构信息的图像,将图像作为双边滤波的引导图像进行计算,对上述过程进行迭代处理以提高算法的稳定性。实验表明,提出得算法不仅在主观视觉效果上优于双边滤波,客观评价指标PSNR值也较双边滤波提高了1.5dB左右;在较好去除噪声的同时较好地保持了边缘结构。

全变分引导图像去噪

引导滤波要求具有良好结构的引导图像进行辅助滤波。当噪声较多时,引导图像中的结构、边缘等遭到破坏,无法提供有效的引导信息,严重影响去噪效果。经典的全变分模型可以得到分片常数图像,具有良好的保持边界和结构的性能,可为引导滤波提供鲁棒的引导信息。为此,结合全变分模型和引导滤波,以噪声图像作为输入,利用全变分模型处理后的图像作为引导图像,而后进行引导滤波,并对上述过程进行迭代处理,以消除全变分模型带来的阶梯效应。实验结果表明,该算法在去除噪声的同时保持更多的细节,同时减轻全变分模型的阶梯效应。

基于混合变分模型的图像去噪

为了有效抑制噪声,获得更好的视觉效果,提出了一种基于混合变分模型的图像去噪方法。将调和模型和全变分模型进行融合,增强模型的去噪性能,根据自适应选取组合系数,组合系数较大时偏向于全变分模型,较小时偏向于调和模型,这样不仅可以有效去除阶梯效应,同时保护边缘细节,采用仿真对比实验以测试模型性能。结果表明,相对其他去噪模型,相同条件下,该模型取得更优的去噪声效果,提高了图像的质量。

基于分形维数的全变分图像平滑模型

针对标准全变分模型用梯度检测边缘易受噪音干扰产生"阶梯"效应和在处理纹理丰富的图像时易丢失细节纹理信息的缺点,提出了一种基于分形维数的全变分模型,该模型可利用图像局部分形维数来检测边缘,能够准确识别真实边缘、剔除假性边缘,从而抑制"阶梯"效应,可保护纹理丰富的图像的纹理细节信息。平滑后的图像显示出改进方法能有效去除噪声并减弱"阶梯"效应,获得较高峰值的信噪比。

基于分数阶偏微分方程的图像去噪新模型

将分数阶微分理论和全变分方法相结合应用于图像去噪,提出了一种基于分数阶偏微分方程的图像去噪新模型。该模型很好地继承了现有的全变分(TV)模型去噪效果与保持图像边缘细节特征的优点,同时利用分数阶微分运算特有的幅频特性优势,较好地保留了图像平滑区域中灰度变化不大的纹理细节。实验结果表明:一方面,与现有去噪方法相比,新模型不仅具有较强的抑制噪声能力,而且能较好地保持图像边缘特征,还能保留更多的图像纹理细节信息,优于常用的整数阶偏微分图像去噪方法;另一方面,从峰值信噪比的对比实验可以看出该模型去噪效果优于其他方法,较好地达到了去噪目的,是一种有效、实用的图像去噪模型。

一种改进的全变分(TV)修补模型

目的提出一种全变分(TV)修补模型的改进方案,而且具有良好的边缘特性,并弥补原有的TV修补模型的不能满足连通性原则的缺陷。方法定义在图像修补区定义一种"加权全变分,即沿修补区边界法线方向的梯度分量对全变分的贡献,远大于沿切线方向的梯度分量的贡献。结果通过对相同的受损图像,采用原有模型和改进模型作比对实验表明,文中的改进模型可以完全满足图像修补的连通性原则。结论改进的TV模型较原始TV模型更适合于非纹理图像修复。

全变分图像去噪的研究

图像去噪是图像处理中的重要环节之一。本文介绍了保持边缘细节效果较好的全变分去噪方法,分析了全变分法去噪的原理。实验结果表明与中值去噪算法相比,全变分算法能有效抑制图像噪声,并能更好地保持图像边缘细节。

自适应的全变分图像去噪应用研究

针对传统基于全变分图像去噪中存在的阶梯效应问题,引入2个用于处理阶梯效应的检测算子,在此基础上,提出一种具有自适应特性的全变分图像去噪方法。实验证明,该方法在坡道图像和强噪声环境中表现出了良好的去噪能力,又有效地避免了阶梯效应的产生。