基于人工智能Deep Learning算法的传统电影斑点噪声智能修复技术研究

传统老电影中的斑点噪声是由存储环境或擦除等原因所造成,其严重影响了视频图像的质量。因此,本文提出了一种基于人工智能深度学习(Deep Learning)的老电影斑点噪声智能修复方法。在分析老电影中斑点噪声特征的基础上,通过双边滤波对图像噪声进行过滤,并结合卷积神经网络(CNN)获得图像特征,从而获得感知损失数据。在此基础上,将跳跃连接加入图像修复的深度学习网络结构之中。以损失函数为训练对象,通过对损失函数的优化实现对斑点噪声的高质量修复。测试结果表明,该设计方法可以保证在较低和较短的训练迭代次数下,将修复后图像的平均PSNR值达到40以上,由此验证其对老电影斑点噪声智能修复的效果明显。

无人机载激光雷达图像斑点噪声滤波方法

为了保证激光雷达图像完整,抑制无人机载激光雷达图像斑点噪声,提高激光雷达图像质量,提出无人机载激光雷达图像斑点噪声滤波方法。利用自适应联合双边滤波算法修复激光雷达图像中存在的空洞,提高激光雷达图像的完整度,通过二次噪声检测方法检测激光雷达图像中存在的斑点噪声,构建冲击各向异性滤波模型,利用该模型完成无人机载激光雷达图像斑点噪声的滤波处理。实验结果表明,所提方法的均方根误差低于0.02,其熵在0.20以上,散斑指数最高可达9.9,所提方法具有良好的滤波效果和斑点噪声抑制能力。

改进Frost算子在SAR图像斑点噪声抑制中的应用

针对合成孔径雷达(SAR)图像斑点噪声滤波的重要性以及存在的问题,对Frost滤波算法参数进行分析,指出了该算法等权滤波器在处理含有细节结构特征时存在盲目平滑的缺点,进而提出了改进方法。利用灰度差值计算权值,综合考虑滤波窗口内的强度信息,在一定程度上解决了盲目平滑的问题。实验验证了改进算法的有效性,并以斑点噪声指数和边缘保持指数为评价准则,通过与Frost算法比较,对改进算法在去除噪声和边缘保持方面的性能做了客观评价。

改进SRAD模型在SAR图像斑点噪声滤波中的应用

斑点噪声的存在严重影响了合成孔径雷达(SAR)图像的应用,所以抑制斑点噪声显得尤其重要。斑点噪声各向异性扩散模型(SRAD)能较好地去除斑点噪声并保持边缘信息,但依然存在不足之处。在分析SRAD模型的基础上,结合增强Lee算法思想,将SAR图像细分为均匀区域、弱纹理区域和噪声发育不完全区域,针对不同区域采用不同处理方法,并加入了迭代终止条件。实验证明改进的SRAD算法具有更好的平滑效果和边缘保持能力。

一种改进的SAR图像斑点噪声滤波方法

在过去的 2 0多年中 ,提出了许多去除SAR图像斑点噪声的方法。这些方法的主要目的是去除斑点噪声而不破坏图像的空间分辨率和边缘信息。理论和实践表明去除图像的斑点噪声和保持图像边缘信息是无法同时完成的。现有大部分滤波器是在去除噪声和保持边缘之间进行折衷。在Han等人方法的基础上提出了一种在去除噪声和保持边缘方面最优的滤波器。

高分辨率星载SAR单视图像斑点噪声抑制实现方法

本文提出了实现高分辨率星载合成孔径雷达单视图像斑点噪声抑制的TDRGMAP方法 .它以最大后验概率滤波器实现斑点平滑 ,以无偏修正使其适用于单视图像 ,结合边缘和线条检测 ,并加以点目标检测及保持 ,获得高空间分辨率和高辐射分辨率的SAR单视图像 .本文详细阐述了TDRGMAP方法的机理和实现 ,最后利用仿真生成的星载SAR单视图像进行实验 ,证明了TDRGMAP方法的有效性 .

SAR图像斑点噪声抑制的本质

合成孔径雷达（SAR）图像的斑点噪声阻碍SAR的应用。在过去20多年中,提出了许多SAR图像去除斑点噪声方法。虽然每种去除斑点噪声方法都能有效去除斑点噪声,但都不同程度地损失了图像的边缘信息。本文首先以数学物理的观点描述了SAR图像斑点噪声抑制问题。其次分析了斑点噪声的统计特性和几种典型的去除斑点噪声方法并进行了简单的比较。在最后研究了SAR图像斑点噪声抑制的本质。这对开发既能有效去除斑点噪声,又能有效保持边缘信息的去除噪声方法十分重要。

利用经验模态分解方法抑制SAR斑点噪声

提出了一种利用经验模态分解 (EMD)方法抑制SAR斑点噪声的方法。利用经验模态分解方法 ,可以将SAR图像分解为一系列的以空间周期尺度不同为特征的模态 ,定义空间特征周期尺度不大于 4的为噪声。通过从图像中减掉噪声成分使SAR斑点噪声得以抑制。用这种方法处理SAR图像在斑点抑制和纹理信息保持两方面取得了令人满意的结果。

基于各向异性扩散的SAR图像斑点噪声滤波算法

在SAR(Synthetic Aperture Radar)图像噪声抑制处理中,为了有效地保持图像边缘,作者在斑点噪声去除的各向异性扩散模型(SRAD模型)的基础上,提出了一个基于各向异性扩散的SAR图像斑点噪声滤波算法.该算法对应的扩散系数从理论上满足Charbonnier等人提出的构造扩散系数准则,同时该算法能够通过对边缘直方图上累计百分比和相对信噪比阈值进行调节来得到一系列不同的滤波效果,从而满足不同的应用需求,如绘图、高分辨率或细节丰富的处理结果.实验结果表明,与传统的方法相比,该算法不论从噪声去除能力、边缘和纹理保持能力上,还是从视觉评价效果来看,都具有一定的优越性.

基于小波阈值优化和边缘检测的SAR影像斑点噪声滤除

探讨在小波频域内进行SAR斑点噪声分析的特点和优势 ,回顾小波频域斑点噪声滤除的方法 ,结合前人阈值优化和边缘检测的思想提出一种新的斑点噪声滤除方法。试验表明所研究的噪声滤除方法 ,同各种空间域滤波方法和已有的小波频域滤波方法比较 ,在噪声滤除和信息保留两方面的综合效果有明显提高 ,具有一定的应用价值。

一种新的多尺度非线性阈值斑点噪声抑制方法

本文针对影响医学超声图象质量的斑点噪声问题，提出了一种基于自适应前处理的多尺度非线性阈值斑点噪声抑制方法。方法的特点是有机地将自适应加权中值滤波和小波分析多尺度非线性阈值两种方法结合在一起．对离体器官超声图象处理的结果表明，这一新方法在有效去除斑点噪声的同时，很好地保留了图象细节。

高分辨率SAR影像斑点噪声滤除方法的研究

SAR影像中一般都存在着斑点噪声,它严重干扰了地物信息的提取与SAR影像的应用,影响了地物的判读,因此,抑制SAR影像斑点噪声对SAR影像的应用有着重要意义。本文首先分析了斑点噪声的产生机理及数学模型,然后介绍了滤除斑点噪声的方法,重点介绍了几种局域统计自适应滤波,总结了SAR斑点噪声滤除的两种数学模型作为构造SAR斑点噪声滤除方法的基础,然后针对几种典型的滤波算法进行了对比试验,最后提出了一套对这些滤波斑点噪声滤除效果的定量化评价指标,并运用到试验中,指导SAR影像斑点噪声的滤除以及滤波算法的构造。

SAR图像斑点噪声抑制方法与应用研究

通过详细分析SAR图像的判读和应用斑点噪声的算法,得出:多视处理能有效地平滑噪声,但降低空间分辨率;基于空间域滤波算法能有效地平滑斑点噪声,但不同程度地损失边缘和细节信息;基于变换域的小波多尺度滤波可以较好地保持边缘信息,然而其滤波效果不理想。在此基础上提出利用小波分析技术把两种或两种以上的单个滤波方法进行融合,在有效去除斑点噪声时能够较好地保持边缘、细节和纹理信息。最后初步讨论在实际应用中应根据不同情况和要求选择相应的滤波方法。

SAR图像斑点噪声整体变分偏微分方程滤波算法研究

SAR图像固有的斑点噪声严重影响了图像的判读和后续处理,因此抑制SAR图像斑点噪声显得尤其重要。一个良好的斑点噪声抑制算法应该在降低斑点噪声的同时,能很好地保持图像的细节特征,但现有的去噪算法没有一种能够完美地解决这个问题的。本文基于SAR图像斑点噪声滤波的重要性以及存在的问题,将整体变分偏微分方程用于去除斑点噪声。根据整体偏微分方程建立了去噪模型,并分析了模型的性能和参数选择的重要性。通过实验验证了该算法的有效性,并以峰值信噪比(PSNR)为评价准则,利用多项式拟合方法选择了最优参数。引入边缘保持指数(EPI),与其他滤波算法比较,本算法在去除噪声的同时较好地保持了边缘。

SAR图像斑点噪声的小波软门限滤除算法

本文介绍利用小波分析和软门限对合成孔径雷达（ＳＡＲ）图像斑点噪声（Ｓｐｅｃｋｌｅ）进行抑制与滤除的算法。首先选择合适的小波基对合成孔径雷达（ＳＡＲ）图像进行小波分解，应用ＤａｖｉｄＬ．Ｄｏｎｏｈｏ的软门限（ｓｏｆｔ－ｔｈｒｅｓｈｏｌｄｉｎｇ）理论，并且将其推广到２维信号。针对ＳＡＲ图像斑点噪声的特殊性，即在小波变换域内图像和斑点噪声的奇异性不同，选取合适的门限在小波域内滤波。最后进行小波反变换得到去噪后的ＳＡＲ图像。实验证明，该算法能有效的对合成孔径雷达ＳＡＲ图像斑点噪声滤除。

基于Curvelet变换抑制SAR图像斑点噪声的方法

提出了一种基于Curvelet变换来抑制合成孔径雷达(SAR)图像中噪声的方法,Curvelet是一种新的多尺度变换理论,具有各向异性的特征,克服了小波在处理大于一维的高维信号时的不足。该文在介绍Curvelet变换理论及其实现的基础上,引出了SAR图像斑点噪声的去除方法,并改进了Curvelet算法,降低了其运算复杂度,讨论了SAR图像噪声方差的估计,最后和其它的SAR图像去噪方法作了对比和分析。

利用小波变换抑制星载SAR图象的斑点噪声

利用小波变换技术对星载合成孔径雷达 (SAR)图象斑点噪声进行抑制与滤除 .选择合适的小波基对 SAR图象进行小波分解 ,分析噪声对小波系数的贡献 ;针对噪声与图象灰度之间的乘性关系和 SAR图象斑点噪声在空间上相关的特点设置适当的阈值 ,在小波域内滤波 ;通过小波重构技术获得滤波后的 SAR图象 .实验证明 ,该方法能有效地抑制 SAR图象中的斑点噪声 .

基于小波的医学超声图像斑点噪声抑制方法

斑点噪声是超声图像中固有的噪声。本文提出了一种新的去除斑点噪声的方法,这种方法结合中值滤波和多尺度非线性小波软阈值的优点,首先把原图像进行对数转换,然后把对数转换后的图像进行中值滤波处理,从而把转换后的图像分成两部分,对每一部分进行小波分析,假设小波系数服从广义高斯分布(GGD),利用小波系数的统计特性估计出各个部分各个尺度的阈值,最后用软阈值方法对上述两部分分别去噪。实验结果表明,本文提出的方法在有效去除斑点噪声方面,优于中值滤波,维纳滤波和多尺度非线性阈值算法(MSSNT-A)。

一种新的超声图像斑点噪声抑制方法

斑点噪声是超声图像中固有的噪声。现有的用于斑点噪声抑制的自适应滤波方法、小波软阈值方法及小波域内细节抛弃法在去除噪声的同时 ,不同程度地丢失了一些图像细节。针对这一问题 ,本文提出了一种新的结合自适应中值滤波和小波软阈值处理的超声图像斑点噪声抑制方法。对计算机仿真图像及超声图像进行处理的结果表明 ,本文提出的新方法在有效去除斑点噪声的同时 ,很好地保留了图像的细节 ,优于上述的其他方法。

基于脉冲耦合神经网络模型的小波自适应斑点噪声滤除算法

分析了维纳滤波原理和脉冲耦合神经网络(PCNN)模型的特点,根据斑点噪声统计模型的特征,结合小波变换方法,提出了一种基于PCNN模型的小波自适应斑点噪声滤除算法(W-PCNN-WD)来改善超声图像质量。首先,对超声图像进行对数变换,使斑点噪声转换为加性噪声;对医学图像进行维纳滤波处理,计算其加性噪声的标准方差,并以此作为小波阈值。然后,利用小波变换对图像进行预处理,利用PCNN在小波域中对小波系数进行相应的修正。最后,进行小波逆变换和指数变换,获得滤除噪声的图像。结果表明:本文提出的滤波方法优于其他滤波方法,当噪声方差为0.01时,本文滤波算法获得的峰值信噪比(PSNR)比经Wiener滤波方法获得的高出9dB。该滤波方法能在有效去除超声斑点噪声的基础上保留图像的边缘细节信息,极大地改善了图像的视觉质量。