基于变指数的片相似性扩散图像降噪算法

针对图像去噪过程中存在边缘保持与噪声抑制之间的矛盾,提出了一种基于变指数的片相似性扩散图像降噪算法。算法基于变指数的自适应降噪模型,引入片相似性的思想,构造出新的边缘检测算子和扩散系数函数。传统的各项异性扩散图像降噪算法利用单个像素点的灰度相似性(或梯度信息)检测边缘,不能很好地保持图像的弱边缘和纹理信息。而所提算法利用邻域像素的灰度相似性,可以在滤除图像噪声的同时,保持更多的细节信息。仿真结果表明,与其他传统的基于偏微分方程(PDE)的图像降噪算法相比,该算法将信噪比(SNR)和峰值信噪比(PSNR)提高至16.602480 dB和31.284672 dB,具有良好的抗噪性;同时视觉效果较好,保持了更多的弱边缘和纹理等细节特征,在噪声抑制与边缘保持之间取得了较好的权衡。

考虑尺度相关性及几何约束的小波扩散平滑滤波

在系统分析各向异性扩散与小波平滑去噪的特点与不足的基础上,研究提取重要小波系数的8邻域几何约束方法;考虑到小波系数间存在一定的局部相关性,提出利用窗口内信号的方差与噪声方差的比值估计扩散系数函数;为了加快扩散速度并提高平滑效果,提出一个考虑小波尺度间相关性及几何约束的扩散平滑模型。研究结果表明:与P&M函数相比,利用扩散系数函数扩散图像具有更高的峰值信噪比(PSNR),且受扩散时间尺度的影响较小;对受噪声污染的指纹图像(σ=25),利用所提出的方法扩散平衡时信噪比为28.809dB,当扩散时间尺度为50时,信噪比为28.724dB,而利用P&M函数的信噪比分别为27.127dB和25.623dB;新扩散模型性能比其他方法的性能优。对于Lena图像,当σ=25时,维纳滤波法小波滤波方法、BayesShrink法、LAWMAP法及本文方法处理后的信噪比分别为24.866,26.613,26.854,27.245和27.831dB。

基于四阶非线性扩散方程的新型图像去噪方法

提出了一种基于新型扩散系数函数的图像去噪方法,这种扩散系数函数是利用图像特征的一些特殊性质构造出来的。该函数较常用的P-M启发性扩散系数函数,在图像去噪的过程中,不仅能更好地抑制、平滑噪声,较完整保留了图像的细节,使图像更平滑清晰,而且还大大降低了参数的选取难度以及参数对实验效果的影响程度。并通过基于该方法的四阶非线性扩散的图像去噪实验,结果表明了该方法的有效性。

用于图像去噪的改进型非线性扩散方程

修改一类图像处理用的非线性扩散方程模型的扩散系数函数,使所获得的新模型能够在考虑到图像梯度以及二阶导数的情况下,用于去除图像高梯度噪声并保持图像边缘细节。实验表明,该新模型能够在保持图像中有意义的尖峰和窄边缘的同时,消除高梯度噪声。