基于BayesShrink阈值估计的Curvelet图像去噪

提出将BayesShrink阈值估计与硬阈值方法相结合并利用Curvelet方法对图像进行去噪的方法。经验证,此法优于BayesShrink小波去噪与传统的Curvelet阈值去噪效果,特别是在较大噪声的情况下更能显示出其优势。

基于BayesShrink软阈值的Bandelet域SAR图像去噪

合成孔径雷达(SAR)图像产生的相干斑噪声是一种乘性噪声,严重影响SAR图像的质量。本文提出一种新的极化SAR图像的去噪方法,该方法对极化SAR图像进行自适应Bandelets阈值方法,阈值采用BayesShrink软阈值方法,将其应用于自适应Bandelets系数。通过实验对比,证实此法与小波阈值去噪相比,能够更好地保持图像纹理和边缘特征。

一种新的边缘保持局部自适应图像插值算法

为了尽可能降低噪声的影响和保持图像的边缘信息,提出了一种新的边缘保持局部自适应图像插值算法。算法首先对分割成部分重叠的各子图像进行整数小波变换,然后对于高频子带进行逐点BayesShrink阈值去噪和中值滤波去除高斯和椒盐噪声,同时对于低频子带进行亮度保持的直方图均衡增强图像的对比度,最后根据自适应阈值Canny边缘检测将子图像划分为平坦和边缘区域,分别进行施用双线性插值和非线性插值。实验结果表明,MBW图像插值算法得到的插值图像有较好的主观图像质量,其峰值信噪比(PSNR)比传统方法平均提高了2.23～2.96dB。

一种迭代小波域维纳滤波算法

在WienerChop算法的基础上，提出了一种改进的小波域维纳滤波器，在小波域采用基于贝叶斯估计的小波阈值去噪技术估计期望信号，提高估计的精度，并以此设计经验维纳滤波器；进一步适当选择多小波基，使每个基函数通过小波变换能够比其他小波基更好地捕捉信号的某些特定特征，从而实现WienerChop算法的迭代．仿真实验表明提出的迭代WienerChop算法有效地改善了去噪后图像的均方误差和信噪比，与BayesShrink算法和非迭代的WienerChop算法相比，迭代WienerChop方法去噪后图像的峰值信噪比增益分别达到0．78～1．00dB和0．36～0．49dB．

基于Bandelets域逐子块阈值的图像去噪

把正交bandelets域经四叉树分割的每一子块系数建模为广义高斯分布,基于Bayesian框架,推导出了自适应逐子块局部阈值的计算公式,找出了其参数分布的最佳范围,提出了图像bandelets域的逐子块阈值去噪算法.由于充分利用了图像的局部统计信息,所提算法对自然图像去噪的视觉效果和评价指标都好于BayesShrink和其它基于阈值的去噪算法.

广义高斯分布及其在图像去噪中的应用

指出了图像小波系数的统计分布具有非高斯特性,可以用广义高斯模型进行描述.研究了用广义高斯分布(GGD)对图像子带小波系数进行建模以及GGD模型的参数估计问题,在此基础上设计了一种基于贝叶斯估计的子带自适应阈值去噪算法,通过仿真实验对该算法和经典的小波阈值去噪方法进行了去噪性能的比较和讨论.

高光谱遥感图像微分域三维混合去噪方法

高光谱遥感图像是一种三维数据,由二维空间信息和一维光谱信息组成。普通的对二维静态图像或一维光谱信息去噪的算法忽视了高光谱图像强烈的谱间相关性和图谱合一的特点,无法取得令人满意的效果。同时现代的高光谱遥感图像噪声级别相对较低,噪声方差随波段不同而不同。针对以上特点,提出一种微分域三维混合去噪方法。首先将高光谱遥感图像变换到光谱微分域,使细微的噪声变得显著。然后在微分域中,对二维空间域采用基于小波的非线性阈值去噪BayesShrink算法。为克服噪声方差不同的特点,对光谱维不再采用小波阈值去噪方法,而采用Savitzky-Golay滤波进行平滑。最后对微分域去噪平滑处理后的图像进行光谱积分,并进行积分修正,消除光谱积分中引入的积累误差。对信噪比为600∶1的机载可见红外成像光谱仪数据(AVIRIS)实验表明,该算法能有效地降低噪声,将信噪比提高到2000∶1以上。

Steerable Pyramid分解地震随机噪声衰减——基于局部Laplace先验概率密度模型

简单介绍了具有多尺度与多方向性特点的Steerable Pyramid分解和重构的基本原理。采用softLMAP阈值将其应用于地震数据随机噪声衰减中,进行了仿真计算和实际资料的处理并与自适应BayesShrink阈值及小波域softLMAP阈值去噪进行比较。结果证明利用Steerable Pyramid分解softLMAP阈值能比较彻底地去掉噪声,去噪后的图像边缘保持良好,滤除噪声同时还保留了有效部分,去噪效果良好,且易于实现,在地震资料处理中具有一定的可行性和应用前景。

自适应的纹理图像光照不变特征提取方法

为降低光照变化对纹理图像的影响，提出自适应的纹理光照不变特征提取方法。利用小波变换提取对数域纹理图像的高、低频分量，并分别采用不同方法对两者进行处理，提取其光照不变量图像，运用主分量分析法得到光照不变量数据的特征，使用K-最近特征线分类器进行图像分类。实验结果表明，该方法在光照条件复杂的Outex14数据集上能够取得较好的分类效果，分类正确率高于现有方法5．56％--22．10％。

一种改进的图像组合滤波方法

利用小波阈值去噪和Wiener滤波的特点,在文献[7]的基础上提出了一种改进的组合滤波方法,在进行空域自适应滤波之前,先对经BayesShrink处理过的预去噪图像重新估计其噪声方差,通过数值计算给出了该噪声方差的一种近似最优估计公式.实验结果表明该方法在去噪图像的均方误差和对不同图像的适应性方面都得到了改善.

一种基于改进阈值函数Contourlet域的图像去噪算法

针对Contourlet域中传统硬阈值函数由于函数不连续所造成的振铃和伪吉布斯现象以及软阈值函数由于恒值压缩导致的图像模糊失真的问题,文中提出一种基于改进阈值函数的Contourlet域图像去噪算法。该改进阈值函数引入了指数平滑函数法的思想,使其在Contourlet域内具备连续性、渐进性、偏差性和高阶可导性,克服了软硬阈值函数存在的问题。方法中阈值估计部分选取的是BayesShrink自适应阈值估计,能够比较精准的确定阈值大小,并且解决了传统固定阈值估计过度扼杀变换系数的现象。通过对比实验,文中提出的改进后图像去噪方法在峰值信噪比、均方根误差和图像增强因子等客观评价标准上与传统去噪方法相比具备较好的去噪效果。

贝叶斯改进阈值超声图像去噪方法

针对超声图像散斑噪声,提出一种贝叶斯改进阈值超声图像去噪方法。超声图像质量下降的主要原因是乘性噪声的污染,采用Jain提出的噪声模型,完成对数化后的小波变换,假设小波系数服从广义高斯分布,估计各尺度的贝叶斯阈值,利用改进的阈值函数处理各小波系数。所用改进阈值函数较软阈值函数有更好的连续性且不易丢失小波系数。处理医学超声图像和声纳超声图像的结果表明,较之以往的去噪方法,该方法在去除噪声的同时能较好的保留边缘及细节特征。

小波去噪算法在含噪盲源分离中的应用

无噪模型下的盲源分离算法在信噪比较低的情况下并不适用。针对该情况一种解决方案就是先对含有高斯白噪声的混合信号进行去噪预处理,然后使用盲源分离算法进行分离。为此,本文提出了一种适用于信噪比较低条件下的基于平移不变量的小波去噪算法。该算法首先使用高频系数滑动窗口法准确估计含噪混合信号的噪声方差,然后使用Bayesshrink阈值估计算法得到更加合理的阈值,最后在不降低去噪效果的同时缩小了平移不变量的范围,减少了运算量。实验仿真表明,在信噪比较低的情况下,与传统小波去噪算法相比,该算法可以更加有效地去除噪声,在很大程度上提升盲源分离算法的性能。

基于平稳Contourlet变换的自适应阈值去噪

应用平稳Contourlet变换,具有平移不变性,且能有效表示图像几何纹理信息。在去噪应用中采用自适应的Bayes阈值方法,结合硬阈值方法实现图像去噪。试验结果表明,该方法提高了去噪后图像的PSNR,同时有效保存了图像纹理信息,视觉效果更好。

基于提升小波的SAR图像斑点噪声抑制方法

斑点噪声去除是对合成孔径雷达(synthetic aperture radar,SAR)图像自动分割、分类、目标检测和其它定量专题信息提取处理前必要的步骤。首先简要回顾了各种传统的SAR图像斑点噪声去除方法。在充分考虑SAR图像斑点噪声乘性特征的基础上,对SAR图像进行对数变换,将乘性噪声转变为加性噪声,然后再对图像进行提升小波分解,采用Bayes Shrink阈值对小波系数进行处理。最后根据4个指标来对比不同方法的去噪效果。结果表明,与传统的滤波方法相比,基于提升小波的去噪方法在图像均匀区域的辐射特性保持和斑点噪声抑制能力方面具有较大的优势。与传统小波相比,提升小波不但在运算速度上有优势,而且省内存。

基于冗余小波变换的医学超声图像去斑噪算法

医学超声图像中固有的斑点噪声严重降低了图像的可解译程度,影响了后续的图像分析和诊断。提出了一种基于冗余小波变换的超声图像去斑算法,首先对含斑图像进行对数变换,将乘性噪声变成加性噪声;再对转换后图像做冗余小波分解;在小波系数服从广义高斯分布的前提下,计算每个小波高频子带的贝叶斯萎缩阈值,利用软阈值方法修正小波系数。实验结果表明,该算法去斑性能优于传统的空间域滤波和正交小波阈值去噪方法。

改进贝叶斯阈值的Contourlet域图像去噪方法

图像经Contourlet变换后,可以获得更多的方向信息,重构后可以更好地表达图像的轮廓信息。含噪图像经过非下采样Contourlet(NSCT)分解可得到尺度、方向均不同的系数,对这些系数分别进行不同阈值去噪。实验结果表明:利用改进后的BayesShrink阈值对NSCT分解后的各层各方向系数去噪,可获得更好的视觉效果,提高信噪比和边缘保持度。

Bayesian-based Wavelet Shrinkage for SAR Image Despeckling Using Cycle Spinning

A novel and efficient speckle noise reduction algorithm based on Bayesian wavelet shrinkage using cycle spinning is proposed. First, the sub-band decompositions of non-logarithmically transformed SAR images are shown. Then, a Bayesian wavelet shrinkage factor is applied to the decomposed data to estimate noise-free wavelet coefficients. The method is based on the Mixture Gaussian Distributed （MGD） modeling of sub-band coefficients. Finally, multi-resolution wavelet coefficients are reconstructed by wavelet-threshold using cycle spinning. Experimental results show that the proposed despeclding algorithm is possible to achieve an excellent balance between suppresses speckle effectively and preserves as many image details and sharpness as possible. The new method indicated its higher performance than the other speckle noise reduction techniques and minimizing the effect of pseudo-Gibbs phenomena.

图像域阈值与维纳滤波组合的图像去噪方法

用小波变换方法获得与带噪图像具有相同尺寸的各尺度与方向的图像域子图,并对各细节子图进行阈值化处理;然后,将去噪的各图像域细节子图与低频子图相加得到初级去噪图像;最后,对初级去噪图像执行图像域维纳滤波,进一步去除噪声斑点.讨论图像域阈值参数的估计方法,提出一种与小波域BayesShrink对应的图像域BayesShrink阈值估计方法.实验结果表明:与小波域阈值或者小波域阈值与图像域维纳滤波组合的方法相比,对于非高度细节的图像,除去低噪声细节相对丰富图像的情况外,图像域阈值与维纳滤波组合在去除平坦区大部分噪声的同时,能更好保留边缘与纹理细节,得到更好的图像质量与更高的峰值信噪比.

双树复小波域的邻域自适应贝叶斯收缩去噪

为了更加高效去除图像采集或传输中引入的噪声,提出了一种基于双树复小波域的邻域自适应贝叶斯收缩的图像去噪方法,利用了双树复小波变换的平移不变性和更多的方向选择性的优点,并考虑了系数间的局部自适应邻域相关性,以尺度适合的窗口为单位估计相应系数的方差,利用滑窗求其平均作为整个子带的图像方差,通过贝叶斯收缩来处理小波系数,从而实现高效的图像去噪。实验结果证明,该方法取得了很高的峰值信噪比和更好的视觉效果,去噪性能优良。