基于纯各向异性扩散和四阶PDE的混合去噪方法研究

综合纯各向异性扩散模型和四阶PDE模型在图像去噪中的特点,提出一种新的去噪模型——基于纯各向异性扩散和四阶PDE的混合去噪模型.该模型克服了四阶PDE模型过多损失边缘信息和纯各向异性扩散模型在平滑区域产生阶梯效应的缺点,在有效去除噪声的同时,既抑制了阶梯效应,又很好地保持了图像的边缘和纹理细节信息.

使用中值-各向异性扩散的超声图像去噪算法

针对超声图像的散斑噪声,提出一种基于多方向中值滤波和改进各向异性扩散的去噪算法.该算法利用多方向中值滤波的良好边缘保持能力,在滤除噪声的同时注重边缘细节的保持.使用归一化局部方差和图像梯度组成的扩散系数,避免了传统各向异性扩散算法中梯度阈值为常数带来的鲁棒性差等问题.通过多组仿真实验,综合滤除散斑噪声能力、保持边缘能力以及迭代速度等指标,表明该算法比传统PM和SRAD模型有更好的滤除超声图像噪声和边缘保持能力.

一个小波域上各向异性扩散去噪算法

目的给出一个图像去噪的算法。方法利用小波变换把图像分解为高频子图和低频子图,再根据子图像的特点,采用不同的各向异性扩散方法处理各个子图,最后重构图像。结果各向异性扩散在图像平滑中,不但能够较好地抑制噪声,而且能够很好地保留图像原有的边缘和纹理特征,因而解决了图像去噪时高频部分和低频部分抑制噪声和保留边缘之间的矛盾问题。结论与已有的方法比较,该方法不但能够有效地去除噪声,而且能够保持图像中的细节。

一种基于偏微分方程的SAR图像去噪方法

传统的相干斑噪声抑制算法在多次迭代后通常会导致图像边缘的模糊,这一直是SAR图像去噪处理的难点和热点所在。该文分析了应用于图像处理的各向异性扩散方程(PDE's),在其基础上由最小化问题出发,引入棱边指示子对图像的边缘加以限制,得到新的去噪模型并降之应用于SAR图像的相干斑噪声去除。与传统的基于局部统计量和各向异性滤波器相比,新的算法在棱边保持和噪声去除能力均有提高。

一种规整化的各向异性扩散相干斑抑制算法

针对基于各向异性扩散的相干斑抑制算法 (SRAD)中存在的不合理性 ,即算法在均匀区域内降噪特性一般 ,并且扩散系数的非凸可能导致解不收敛到正确的图像 ,从理论上进行了系统的分析和论证 ,并依据保持图像细节的规整化准则 ,构造出新的扩散控制系数 .在此基础上 ,进一步提出了一种更合理的规整化各向异性扩散模型 (RSRAD) ,该模型可以有效地克服SRAD中存在的不合理性 .实验结果表明 ,RSRAD算法优于SRAD .

一种复合各向异性扩散的图像去噪算法

本文提出一种复合各向异性扩散滤波算法,将降斑各向异性扩散(Speckle reducing anisotropic diffusion,SRAD)模型中对边缘敏感的瞬态系数(Instantaneuos coefficient of variation,ICOV)算子运用到了非线性相干扩散(Nonlinear coherent diffusion,NCD)相干模型中,并基于统计学提出ICOV算子的相关系数矩阵对图像的相关度进行度量,系数矩阵的值是每个ICOV算子与其所在行与列的相关度,此相关度的值在边缘附近会取到极大值,这个对图像的边缘检测有很好的度量,根据每个像素与其周围像素的相关度对边缘附近的扩散的强度进行修改,对图像进行更为之有效、更准确的非线性去噪与边缘加强。实验结果表明,与其他各向异性算法相比,本算法可获得更好的性能指标,具有更好的去噪效果和保留边缘功能。

基于耦合偏微分方程的图像去噪方法

本文基于Perona-Malik模型和四阶偏微分方程提出了耦合偏微分方程的平滑方法。实验表明,该方法能很好兼顾图像噪声消除和边缘保持,避免了二阶偏微分方程处理图像常出现的块效应,使图像平滑自然。

基于Contourlet变换和非线性扩散的IVUS图像去噪

血管内超声(IVUS)图像的分割对于动脉粥样硬化疾病的研究和介入治疗具有重要的意义,但由于其自身存在斑点噪声,从而严重影响图像自动分割的准确性和速度。提出一种基于Contourlet变换和非线性扩散的斑点去除算法(CTND);利用自适应的对比度因子,在Contourlet域直接对IVUS图像各方向子带进行非线性扩散滤波,而不需要同态处理。实验结果表明,这种算法在保持IVUS图像强、弱边缘的同时,能有效地去除斑点噪声,并为图像外膜的提取奠定良好的基础。

基于分数阶微分的超声斑点去噪

为了保留更多的纹理信息,构建了基于具有阻止扩散的梯度阈值k,和分数阶微分的阶数v平衡关系的分数偏微分方程的图像去噪模型,其有效结合了分数微积分理论和偏微分方程方法,并通过分数微分掩模算子实现了数值。超声体模信验和体内成像表明:基于分数阶微分的各向异性扩散方法可以提高组织的信噪比(SNR)和超声图像的质量。

医用超声图像散斑去噪方法综述

散斑去噪是后期医用超声图像分割和识别等关键的预处理过程。本文在对国内外散斑去噪文献进行分析和归纳的基础上,综述了用于散斑图像去噪的主要算法,包含空域去噪算法、小波域去噪算法和各向异性扩散去噪算法,并对其性能进行分析和研究。在此基础上提出对医用超声领域散斑图像去噪的一些展望。

基于偏微分方程的组合视频去噪方法

提出1个基于偏微分方程的组合视频去噪方法.该方法综合利用了变分运动估计方法的精确性和各向异性扩散滤波方法的保边性能等优点.方法的实施分为3步:首先,采用2维各向异性扩散滤波对噪声视频进行初始的去噪.然后,采用Brox等提出的变分光流计算方法对前1步去噪后的视频进行运动估计,目的是计算各帧的前向及后向运动场.最后,采用3维各向异性扩散滤波对运动补偿后的原始噪声视频实施最终的去噪.实验结果表明本文的方法优于经典的各向异性扩散滤波方法.

图像去噪的ROF模型及仿真实验

基于PDE模型的图像去噪是一种非常有效的方法,本文给出了离散迭代格式,通过C++仿真实验验证了算法对抑制噪声的有效性,实验结果显示该算法能很好地保持边缘等细节特征,且峰值信噪比得到有效提高。

运用非局部均值与伽柏各向异性扩散的超声图像斑点降噪

斑点噪声干扰超声图像的解读与疾病诊断.本文提出一种结合非局部均值(NLM)与伽柏各向异性扩散(GAD)的超声图像斑点降噪新方法.首先对图像进行GAD迭代自适应滤波,通过鲁棒的伽柏边缘检测算子有效区分边缘与噪声.接着进行NLM运算,针对某一像素点,其NLM估计值为GAD滤波后所有像素点的加权平均,而权重则由原始图像中该像素点所在区块与其余像素点所在区块间的相似度决定.由此该方法在NLM运算中兼顾了GAD滤波前后的信息以提高降噪性能.运用本文方法及七种传统方法对仿真图像与临床图像进行滤波实验.仿真实验表明,当噪声方差强达0.14时,本文方法较传统方法将品质因数、峰值信噪比与平均结构相似性提高13.29%、3.07%与0.88%.临床图像实验表明,无论在噪声去除还是在细节保留上,本文方法均优于传统方法.

基于模糊异质扩散的图像去噪方法

将模糊思想与Perona-Malik方法相结合,提出一种新的基于模糊理论的图像异质扩散滤波方法。把异质扩散方程中的边界停止函数看作像素梯度对于图像连续平滑区域的模糊隶属度函数,利用模糊熵的概念来确定图像中分片连续区域间的边界阈值σ。本文的模糊方法和其他经典方法的异质扩散比较实验说明,该方法在保持图像的细节方面更具有优越性。

基于异性扩散-中值滤波的超声医学图像去噪方法

针对超声图像存在一种特殊的斑点噪声,使图像边界与细节变得模糊而严重影响图像质量的问题,提出了一种新的去除医学图像斑点噪声的方法,它利用中值滤波和各向异性扩散相结合,不仅可以有效地去除噪声而且很好地保持了边缘、局部细节信息。此外,该方法在扩散过程中,梯度阈值选取的不同对图像结果影响很小,这极大地提高了该算法的健壮性。实验中,通过和各向异性扩散、中值滤波等方法的比较,表明该方法具有良好的去噪效果。

基于局部方差改进的超声图像各向异性扩散去噪算法

针对各向异性扩散算法不能有效区分强噪声和弱边缘的缺点,提出了一种基于图像局部统计特征改进的算法。该算法在对图像进行各向异性扩散去噪的过程中,使用梯度阈值找到图像中灰度变化较大的点,再通过计算局部方差和局部去心方差的差值判断该点是否为噪声点,若是噪声点则使用均值滤波处理。对仿真图像和临床超声图像的实验结果表明:与传统的各向异性扩散算法相比,改进的算法在图像去噪和特征保留的能力上得到了良好的提升。

再现图像细节抑制散斑噪声技术研究

为了消除数字全息再现像产生的散斑噪声,一种基于边缘检测各向异性扩散方程的去噪算法被提出。在各向异性扩散方程(PM)基础上,通过将边缘检测算子结合梯度算子引导扩散过程,边缘检测算子对噪声具有低敏感度,可以更好地区分边缘信息,达到数字全息再现像去噪目的。通过去噪效果图对比和与中值滤波、均值滤波、小波变换滤波算法峰值信噪比(PNSR)的比较,表明本文提出的算法具有更好的去噪效果,在去除噪声的同时有效保护了图像的细节信息。

基于张量扩散的图像恢复

基于J.Weickert的各向异性扩散模型,针对模型处理结果中出现的条纹效应,给出了新的方向扩散系数,从而有效地消除了条纹效应。并采用新的预处理滤波器与其进行比较,实验表明:改进后的方法既能有效地消除噪声,又能很好地保持细节特征,可以得到较为满意的峰值信噪比。

新适定模型的提出及分类扩散

提出一种新的适定滤波模型和一个可以滤除混合噪声的滤波方法。分析并讨论Perona和Malik(PM)模型中的传导系数函数,该函数对边缘的敏感性较强,是PM模型为不适定方程的主要原因。修改传导系数函数的敏感性后,得到适定的各向异性图像扩散模型,具备不适定模型所不具有的双扩散项和扩散因子的形式。根据滤波方程特点将模型分为平滑模块和抑噪模块,分离了平滑和抑噪两个物理过程,从而提升了图像的光滑性和降低了图像的噪声。在实际图像上的实验结果表明,新的滤波算法对混合噪声的滤波效果优于一些经典的图像扩散算法。