张量分解和自适应图全变分的高光谱图像去噪

高光谱图像在采集过程中受到观测条件、成像仪材料属性、传输条件等客观因素的影响,不可避免地会引入各种噪声。这严重降低了高光谱图像的质量以及限制了后续处理的精度。因此,高光谱图像去噪是一个极其重要的预处理步骤。针对高光谱图像去噪问题,提出了低秩张量分解和自适应图全变分的高光谱图像去噪算法。首先,利用低秩张量分解来描述高光谱图像的全局空间和光谱相关性,并使用自适应权重图全变分来刻画高光谱图像空间维度上的分段平滑特性和保留高光谱图像的边缘信息;此外,采用l1-范数、Frobenius-范数分别刻画包括条纹噪声、脉冲噪声、死线噪声在内的稀疏噪声和高斯噪声。由此高光谱图像去噪问题归结为一个包含低秩张量分解和自适应图全变分的约束优化问题。利用增广拉格朗日乘子法对该优化问题进行交替求解。实验结果表明,所提出的高光谱图像去噪算法与现有的算法相比,能够充分刻画高光谱图像数据的内在结构特性,具有更好的去噪性能。

基于分数阶全变分和扩散模型的图像去模糊方法

图像去模糊是数字图像处理领域的重要研究方向之一.在许多实际应用中,由于成像设备和物体之间发生相对运动,产生的模糊会降低图像质量和视觉效果.本文提出了一种结合分数阶全变分(FTV)损失函数和去噪扩散概率模型(DDPM)的图像去模糊方法 .首先通过基于概率建模的DDPM实现对图像结构信息的增强,然后利用FTV损失函数作为正则项,进一步恢复图像细节.与传统的图像去模糊方法相比,本文方法能够在保持图像整体清晰度的同时,还原更多的图像细节信息.实验结果验证了该方法在恢复受运动模糊影响的图像上具有显著优越性,为图像去模糊领域的进一步发展提供了新方向.

一种改进的全变分自适应图像去噪模型

目的比较几种不同的变分图像去噪模型的优缺点,提出一种新的根据局部梯度信息自适应调整光滑性测度的模型。方法新模型增加了梯度模值与两个门限的比较,小于门限1采用各向同性扩散去噪模型,大于门限2采用TV去噪模型,梯度模值在两个门限之间的采用自适应去噪模型。结果新模型在强噪声水平下,改善了人眼主观视觉感受,均方误差(MSE)降低了约35,峰值信噪比(PSNR)提高了约2.25dB。结论新模型改进了原有模型,进一步减少了"阶梯"效应,得到了更好的去噪效果。

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。

改进全变分的图像去噪

为了弥补各向同性扩散去噪的非保边性、异性扩散的耗时性,分析了各向同性和异性扩散的机理,根据噪声对像素变化的影响,设计了新的扩散函数,理论上分析了该函数的扩散性能:对平滑区各向同性扩散,边缘区实现各向异性扩散。在传统全变分去噪的基础上,提出了改进全变分的图像去噪模型,运用固定点代算法设计了相应的离散迭代函数。实验结果表明,该算法在图像平滑区进行各向同性扩散,继承了各向同性的优点,降低了传统全变分的运行时间;在边缘区实现了各向异性扩散保护了图像边缘,提高了图像的峰值信噪比和视觉效果。

基于自适应正则化的全变分去噪算法

Stanley Osher和Martin Burger提出的基于Bregman距离的迭代正则化全变分去噪算法运算速度较快,但是应用于图像去噪时,没有考虑不同区域的灰度分布特性,从而容易导致纹理等重要信息丢失或模糊的缺陷。针对这一现象,提出了一种基于自适应正则化的全变分去噪算法。论文对Osher的去噪模型中的全局正则化参数进行改进,给出了一种根据图像中不同区域的灰度分布特性,自适应选取正则化参数的方法。该算法可以保留图像的边缘和纹理细节信息。实验结果证实了所提算法的有效性,其信噪比较原有方法至少提高1.0dB以上。

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。

PCB图像的自适应全变分去噪算法

为了提高印刷电路板(PCB)图像的去噪效果,提出了一种基于先验信息的PCB图像自适应去噪算法。首先,采用非局部均值滤波算法对模糊的PCB图像进行滤波以减少图像噪声,并提取去噪后的图像先验信息。其次,在全变分算法的基础上,设计基于先验信息的自适应正则化参数。最后,利用迭代正则化算法快速得到最优的去噪图像。实验结果和数据分析证实了所提算法的有效性。与原有算法相比,所提算法能够得到视觉效果更好的去噪图像,信噪比也比原有方法提高至少0.5 dB,结构相似度指标也有相应的提升。

自适应的非局部总变分图像复原算法

边缘和纹理信息是图像的重要特征信息,在复原过程应得到有效地保持.为此提出了基于非局部总变分的自适应复原模型.新模型的能量泛函包含两项:自适应正则项和数据保真项.自适应正则项的设计是建立在非局部正则项的基础上,主要用其保持纹理;另一方面正则项融入了边缘探测函数,使得模型可以根据局部边缘信息自适应地实施不同程度的扩散力,即在同质区域作用一个较大的扩散过程,避免出现分片常值;在边缘附近作用一个相对平和的力,使得图像边缘得到有效地保持.本文模型利用Gateaux导数计算其扩散方程,通过有限差分进行数值模拟.实验结果表明,所提模型在视觉效果和运行效率方面取得了较好的结果,并且在边缘锐化和纹理保持方面,本文模型相对于经典的TV模型和NLTV模型具有较大的优势.

自适应非局部数据保真项和双边总变分的图像去噪模型

针对常见去噪方法容易造成特定区域过度平滑、奇异结构残余噪声以及产生阶梯效应和对比度损失等问题,提出一种自适应非局部数据保真项和双边总变分的图像去噪模型,建立了自适应非局部正则化能量泛函和相应的变分框架。首先,对噪声图像利用自适应权值的非局部均值求得数据拟合项;其次,引入双边总变分正则化项,利用正则化系数来适度平衡数据拟合项和正则化项的影响;最后,通过能量函数最小化对不同的噪声统计快速求得最优解,从而达到降低残余噪声并纠正过度平滑的目的。通过理论分析和针对模拟噪声图像与真实噪声图像的实验结果表明,所提出的图像去噪模型能够较好地处理具有不同统计特性的图像噪声,与自适应非局部均值滤波去噪相比,所提算法的峰值信噪比(PSNR)值最多可以得到0.6 dB的改善;与全变分正则化图像去噪算法比较,所提算法的主观视觉效果明显更好,在去噪的同时图像纹理和边缘等细节信息保护得更好,PSNR值最多可以提高10 dB,而多尺度结构相似性度(MS-SSIM)指标可以提升0.3。因此,所提出的图像去噪模型可以在理论上更好地探讨如何合理处理噪声和图像内容本身的高频细节信息,在视频和图像分辨率提升等领域也具有良好的实际应用价值。

自适应Shearlet域约束的全变差图像去噪

采用传统非线性扩散图像去噪方法得到的图像边缘模糊,为此,提出一种有限自适应Shearlet域约束的极小化变分图像去噪算法。通过自适应阈值收缩Shearlet系数,保留图像纹理与边缘空间,利用全变差极小化平滑空间,建立全变差正则化的能量泛函去噪模型。实验结果表明,该算法能在减少图像噪声的同时,保留图像边缘信息,对含有丰富纹理结构的图像,去噪性能更佳。

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。

基于矢量扩散控制的图像同步去噪增强方法

在图像获取过程中,常得到含有噪声和对比度较差的图像,为更好地去除图像的噪声与增强对比度,提出一种基于矢量扩散控制的图像同步去噪增强方法。分析全变分(TV)模型的构造,指出其存在的问题,通过引入矢量扩散控制的方式改造该模型的后项,更好地控制扩散在图像边缘处的粒度。给出限制对比度自适应直方图均衡的微分模型结构,并与改进后的TV模型融合实现图像的同步去噪与反差增强。通过2组实验从成像质量和灰度分布上比较处理结果,验证该方法的有效性。实验结果表明,该方法不仅较好地解决了TV模型在去噪过程中出现的阶梯效应,而且能够改善图像对比度,提高图像的质量。

基于复Contourlet域非线性扩散的图像去噪

提出了一种将复Contourlet变换与非线性扩散相结合的图像去噪方法。首先对图像进行复Contourlet分解,然后高频部分和低频部分分别采用自适应对比度扩散和全变差扩散,最后重构图像。给出了实验结果,并与基于小波、基于Contourlet和基于非下采样Contourlet的非线性扩散方法的图像去噪效果进行了主观视觉上的比较,同时也依据均方差(MSE)、峰值信噪比(PSNR)等评价指标作了定量分析,且对比了各算法的运行时间。结果表明,本文提出的方法去噪效果更为优越:不但抑制噪声的能力更强,而且能够更好地保留图像原有的边缘和纹理特征。

基于自适应中值滤波器和TV修复的椒盐噪声去除(英文)

提出一种两步式椒盐噪声去除方法.第一步利用自适应中值滤波器来识别出被噪声污染的候选点;第二步利用一种边缘保持技术(全变差图像修复)来恢复出被噪声污染的点.由于椒盐噪声点的灰度值和原始像素灰度独立,所以在采用恢复技术时不使用噪声点自身的灰度信息.在噪声率不很高的情况下,这种方法可以获得比现有最好方法更高的信噪比;当噪声率高达70%以上时,该方法的信噪比与现有方法非常接近,但是主观视觉效果(例如边缘保持能力)更佳.

改进的自适应广义整体变分图像降噪模型

针对自适应广义整体变分(AGTV)图像降噪模型对图像边缘信息定位精度不高及提取不足的问题,为提高图像降噪效果和峰值信噪比,提出了改进的AGTV(IAGTV)图像降噪模型.一方面,该算法换用精度更高的梯度计算方法,相对于AGTV更精确地定位图像边缘;另一方面,为优化图像预处理的滤波过程,用高斯-拉普拉斯联合变换替代高斯平滑滤波,更有利于检测图像边缘信息,在实现降噪的同时防止边缘信息弱化.数值仿真实验得出,IAGTV模型的复原图像峰值信噪比相对于固定p值的GTV模型提高了大约1.0 d B,比AGTV模型提高了至少0.2 d B.实验结果表明IAGTV具有良好的图像降噪能力.

一种结合小波阈值滤波的自适应整体变分方法

在整体变分方法去噪原理的基础上,通过引入小波阈值滤波,用自适应正则项代替整体变分模型中的正则项,提出了一种依赖于信号的局部信息进行滤波的自适应整体变分方法,自适应地在整体变分正则化和各向同性光滑化之间调整滤波强度。为求解整体变分极小化问题,采用了滞后扩散定点迭代的方法。数值计算结果表明:提出的方法有效地减少了传统整体变分方法去噪后恢复信号中所出现的阶梯效应,很好地抑制了小波变换中固有的伪Gibbs现象,重构信号的边缘、不连续点位置十分精确,信噪比也得到明显改善。

基于全变分模型的新型数值实现算法

基于经典全变分(TV)模型的图像恢复框架,从局部扩散的角度,设计了一种新的应用于图像去噪的数值算法.该算法可以根据图像的局部梯度信息自适应地选取扩散系数,使边缘处扩散较弱,在平坦区域扩散较强,实现了对噪声图像的各向异性滤波处理,在去除噪声的同时保护了图像的边缘细节.最后与传统TV模型进行了实验对比,实验表明本算法性能更好,运算效率更高.

一种基于L^p范数的自适应图像去噪模型

为了克服L2范数的去噪模型不能保持图像边缘和L1范数的总变差(total variation,TV)模型容易引起梯子现象的缺陷,提出了一个基于Lp(1≤p≤2)范数的自适应模型,并且给出了自适应函数p(x,y)的构造公式。将Primal-Dual方法应用到自适应模型的求解中,给出了求解自适应模型的公式。数值试验结果表明,自适应模型在去除噪声的同时保持了边缘的信息,且能削弱梯子现象,所恢复的图像在信噪比等方面比原来的两种模型有较大的改善。

基于L1范数和自适应全变差的椒盐噪声图像去噪

针对经典全变差模型在进行椒盐去噪时不能有效保留图像边缘信息的问题,提出一种基于L1范数和自适应全变差正则化的椒盐噪声图像去噪方法.该方法在全变差和图像去噪模型的基础上构建了显式椒盐去噪模型,利用噪声像素的平均值计算自适应正则化参数,并有效保留图像边缘信息,使用原始对偶梯度算法求解显示模型,使所求得的数值解更加接近原始图像.实验结果表明:与其他方法相比,本文方法在PSNR和SSIM方面均优于对比的方法,可以有效去除高密度椒盐噪声.