基于统计分布的Shearlet域连片数据一致性处理方法

估计相对精确的时空变一致性校正因子是提高连片数据处理质量的关键。目前常用的连片数据一致性处理方法如反褶积参数调整法、匹配滤波法等,虽然取得了一定的应用效果,但是存在缺乏时空变处理能力、易受噪声因素的干扰和稳定性差等缺陷,难以满足精细化连片数据一致性处理的要求。针对这一问题,提出一种基于统计分布的Shearlet域连片数据一致性处理方法。首先,将连片数据变换到Shearlet域,利用Alpha-trim均值滤波方法估计不同尺度和方向上的时变均值和均方差;其次,在数据品质相对较好的探区选取一定量的数据,在Shearlet域计算统计平均后的时变均值和均方差并作为目标模型;之后,提取待处理数据Shearlet域均值和均方差在时间、空间上的低频趋势,并利用提取的低频趋势与目标模型计算均值和均方差的时空变校正因子;最后,应用该时空变校正因子对待处理数据进行校正处理,得到连片数据一致性处理结果。模型试算和实际资料的验证结果表明,该方法能够较好地消除连片数据的振幅、频率在空间上的差异,在噪声环境下具有较好的稳定性,具有一定的实际应用价值。

一种高斯尺度混合模型的Shearlet域图像去噪(英文)

提出了一种基于高斯尺度混合模型的Shearlet域图像去噪方法.高斯尺度混合是一个独立高斯随机向量和一个独立隐随机尺度因子的乘积,可以很好地刻画相邻位置和尺度的Shearlet系数邻域的统计特性.在此基础上,对Shearlet系数进行贝叶斯最小均方估计.通过对加入高斯白噪声的图像进行去噪,仿真结果表明和其他基于小波域的方法相比,无论从视觉上还是峰值信噪比上,shearlet域方法降噪效果明显更好.

基于自适应shearlet域约束下的图像去噪研究

随着计算机工程学科研究及其相关技术的不断发展,各实践领域发生着翻天覆地的变化。尤其在当今信息大爆炸的时代,诸多工作的完成都依赖信息传输,因此,信息传输效果如何则直接影响到整个信息传递过程能否顺利完成。从现实来看,信息工程的实践应用领域十分广泛,其效能突显。在研究中发现,图像信息在获取及其传输时难免受到噪声的影响,因此,在实际操作中,要尽可能采取有效措施来避免噪声对图像的干扰。本文就基于自适应shearlet域约束下的图像去噪的相关内容进行阐述,探究其中的奥秘及其对实践领域的影响。