Image denoising using statistical model based on quaternion wavelet domain

Image denoising is the basic problem of image processing. Quaternion wavelet transform is a new kind of multiresolution analysis tools. Image via quaternion wavelet transform, wavelet coefficients both in intrascale and in interscale have certain correla- tions. First, according to the correlation of quaternion wavelet coefficients in interscale, non-Ganssian distribution model is used to model its correlations, and the coefficients are divided into important and unimportance coefficients. Then we use the non-Gaussian distribution model to model the important coefficients and its adjacent coefficients, and utilize the MAP method estimate original image wavelet coefficients from noisy coefficients, so as to achieve the purpose of denoising. Experimental results show that our al- gorithm outperforms the other classical algorithms in peak signal-to-noise ratio and visual quality.

高斯曲率与波域LMS算法相结合的图像去噪扩散模型

本文在充分研究传统PM模型的基础上,针对传统模型在模糊边缘细节等信息的不足,先利用图像的几何属性将高斯曲率作为检测算子引入到扩散模型中,将它作为扩散系数来保护边缘控制扩散,从而建立基于高斯曲率的图像去噪模型。考虑到噪声和图像的重要特征都集中在图像的高频部分,再采用小波变换进行小波分解,提取图像的高频部分,在小波域中运用最小均方误差(LMS)算法设计自适应阈值,进一步控制上述新扩散模型的扩散强度,提升去噪效果,建立基于高斯曲率与最小均方误差法的波域PM改进模型,最后将低频部分和经过新模型处理的高频部分进行小波重构,得到最终的去噪图像。实验结果表明,本文方法不仅能够有效去除图像噪声,同时也提升了对重要信息的保护。

邻域统计检测的双树复小波图像去噪

针对现有的脉冲噪声去除算法在去噪性能和计算效率上的缺陷,提出了基于邻域统计检测的双树复小波图像去噪算法。根据噪声的灰度特征、邻域像素的多数原则以及灰度偏差等统计特性进行噪声检测,充分利用双树复小波变换的优秀特性,在双树复小波域中用光滑可导的阈值函数以及自适应阈值对噪声图像进行去噪处理,最后用去噪图像中的像素,替换噪声图像中对应的噪声像素以得到最终的去噪图像。实验数据证明,所提出的方法优于部分最新提出的算法,具有较好的去噪性能和快速的计算效率。

局部方差与小波域LoG算子相结合的自适应图像去噪算法

本文针对传统PM模型存在模糊边缘细节的不足,提出一种基于局部方差与波域拉普拉斯高斯(LoG)算子相结合的自适应图像去噪算法,首先通过小波变换进行分解提取图像的高频部分,突出图像边缘纹理等细节信息,然后在PM模型的增强控制函数中引入LoG算子进行边缘纹理检测,最后将局部方差和图像梯度结合控制扩散强度,根据控制参数自适应地选择扩散模型进行扩散去噪。仿真结果表明,本文所提算法能够自适应扩散去噪,不但能有效地去除图像中的噪声,且边缘纹理等细节信息保留的较完整,有利于图像特征信息的获取。

一种基于曲率变分正则化的小波变换图像去噪方法

噪声和图像的细节特征主要集中于图像高频部分,在图像去噪过程中,图像的某些重要特征(如边缘、细小纹理等)易受到破坏.针对这一情况,本文提出基于曲率变分正则化的小波变换图像去噪方法,首先用小波提取图像的高频成分,对图像进行增强处理,然后用增强图像的水平集曲率建立一个基于水平集曲率的曲率驱动函数,再将曲率驱动函数作为一个校正因子引入到变分模型中,建立曲率变分模型,用以控制图像的整体结构.在缺乏图像梯度信息的情况下,该模型克服了ROF模型错误扩散这一缺点,符合图像处理的形态学原则.最后,用建立的曲率变分模型处理提取的高频成分,重构处理后的高频成分和原来的低频成分,得到去噪后的图像.分析和仿真结果表明,新算法可有效抑制噪声,有极高的图像结构相似度,去噪效果明显.

基于小波统计模型的医学超声图像去噪方法研究

超声图像中固有的斑点噪声严重降低图像的可解译程度,影响了后续的图像分析和诊断。因此,抑制相干斑噪声一直是医学超声图像预处理中一个关键性问题。本研究通过对含斑图像做对数变换和冗余小波分解,提出了一种基于Bayesian估计的小波域局部自适应性去斑算法。将斑点噪声和有用信号的小波系数分别建模为瑞利分布和拉普拉斯分布,利用最大后验概率(MAP)准则得到了一种解析的Bayesian估计表达式;进一步通过邻域窗口估计模型参数,使算法具有局部自适应性。实验仿真表明,该算法简单有效,在滤除超声图像斑点噪声的同时,较好地保持了图像的细节特征,其性能优于空间域滤波和传统的小波去噪算法。

基于多元统计模型的分形小波自适应图像去噪

为了克服分形小波去噪方法缺乏保护图像的边缘与细节的缺陷,文中提出了一种基于多元统计模型的分形小波自适应图像去噪算法.通过建立一个参数可以灵活改善的多元统计模型来准确地估计各种相关信息,并通过最小化残差来自适应调整模型参数;在适度的噪声方差下根据拼贴距离找出最好的子树域中的近优父子树,通过使用四叉树分割来实现对噪声图像自适应地预测分形小波无噪图像编码,从而达到去除噪声和保护图像的边缘与细节的目的.实验结果表明,该方法在去除噪声的同时,能有效地保持图像的边缘特征和保留图像的精细结构.由于采用了预测小波分形编码,优化了算法结构,算法的处理速度比较快.因此,完全可以达到实时图像处理过程中的去噪预处理对处理速度的要求.

基于小波域自然影像统计特性的无参考遥感影像质量评价

遥感影像的获取往往受到模糊和噪声的共同影响,使得遥感影像的降质难以归到某一单一降质方式,从而给遥感影像的评价带来困难。在遥感影像小波域统计特性,即子带系数均值呈近似线性关系的基础上,通过对噪声、模糊对影像此线性关系的影响方式及破坏程度的定量分析,来判定影像的噪声和模糊强度,最后,利用二者的加权和作为遥感影像的最终质量评价指标。实验表明,与峰值信噪比指标PSNR相比,该文指标与结构相似性指标SSIM具有更好的一致性,对噪声影像、模糊影像以及同时存在噪声和模糊的遥感影像能够进行有效的、准确的评价。

基于小波域加权阈值的图像去噪方法

针对小波全局阈值去噪的缺点,介绍了一种子带自适应的阈值加权算法。通过对图像小波分解系数统计特性的分析,提出了一种近指数模型作为分解层之间小波系数的先验分布。在此基础上,对比噪声图像和无噪图像在各尺度下统计特性,给出了一种子带自适应的加权阈值计算方法,避免了各层子带去噪的不平衡。实验表明,与全局阈值和其它子带自适应阈值去噪方法相比,基于加权阈值的图像去噪方法能获得更高的信噪比和更好的视觉效果。

基于双树复小波二元统计模型的图像去噪方法

为了更有效地进行图像去噪,提出了一种基于双树复小波二元统计模型的图像去噪方法,该方法先用带参数的二元广义高斯分布(GGD)来模拟原图双树复小波系数的统计分布;然后结合最大似然估计(MLE)得到优化的参数估计;最后在此先验分布的基础上,运用最大后验概率(MAP)来估计从噪声图的小波系数中恢复原图的系数,从而达到去噪的目的。实验表明该新方法不仅可以干净地去除图像的噪声,还可以有效地保留图像细节,取得了良好的去噪效果,尤其是去噪图像的视觉效果要明显优于目前的很多算法。

基于双变量收缩函数的对偶树复小波图像去噪

常用离散小波变换缺乏平移不变性和良好的方向选择性,并且在图像去噪中使用的模型没有充分考虑系数间的相关性,导致去噪效果不理想.为了克服上述离散小波变换图像去噪的不足,提出了利用对偶树复小波变换与双变量收缩函数相结合的图像去噪算法.实验结果表明,该算法比传统算法有更好的去噪效果.

基于非下采样双树复小波域的双变量模型去噪算法

提出一种基于非下采样双树复小波域的图像去噪算法.首先分析非下采样双树复小波变换同一方向实部与虚部小波系数之间的相关性,通过实例及统计规律得到其联合概率分布近似服从于椭圆边界的单峰各向异性二维非高斯分布.然后把双变量统计模型引入到非下采样双树复小波变换实部和虚部小波系数中,将实部与虚部小波系数的联合概率分布作为双变量先验模型,得到了非下采样双树复小波变换自适应各向异性双变量去噪模型.该模型可以很好地体现实部与虚部小波系数之间的相关性.运用最大后验概率来估计从含噪图像的小波系数恢复原图像的系数,达到去噪目的.最后根据该模型得到了一种具有闭式解的去噪算法.实验表明:该算法比经典算法提高了一定的峰值信噪比,且有良好的视觉效果,较好地保持了图像中的纹理特征.

双密度双树复小波变换的局域自适应图像去噪

为了改善降质图像质量,提出一种基于双密度双树复小波变换的局域自适应图像去噪算法。分析了双密度双树复小波变换的原理及特点,推导了双变量收缩函数(BSF)。通过并行使用4个2D双密度离散小波变换,且行和列采用不同的滤波器组,实现了对噪声图像的双密度双树复小波分解。根据小波系数的统计特性以及层内和层间系数的相关性,采用结合局域方差估计的双变量收缩函数对小波系数进行处理,并用收缩后的小波系数重构去噪图像。最后,将该算法用于灰度图像和彩色图像去噪实验。实验结果表明:与噪声图像相比,在噪声方差为30时,经该算法去噪后的图像获得的最高峰值信噪比增益达11.72 dB,平均结构相似度最高增加了2.7倍,复合峰值信噪比增益达11.68 dB。此外,对不同噪声方差下的不同噪声图像,该算法在滤除噪声的同时可保留更多的图像细节,极大地改善了去噪图像的视觉质量。

抗混叠Curvelet变换非高斯双变量模型图像降噪

提出了一种基于非高斯双变量模型复数Curvelet变换的图像降噪新方法。采用具有近似移不变性的复数小波变换代替原Curvelet变换中的小波变换,并用改进的Radon变换避免了原Radon变换中一维傅里叶反变换在频域中采样不足的缺陷,从而保证了新的复数Curvelet变换具有抗混叠性能。充分利用信号系数层间相关性强而噪声系数层间相关性弱的特点,采用非高斯双变量对复数Curvelet变换域系数进行建模,并通过BayesianMAP估计器对信号系数进行估计,从而实现降噪目的。实验结果表明,本文去噪法得到的峰值信噪比(PSNR)分别比传统Curvelet去噪法和Curve-let域HMT去噪法平均提高2.9dB和1.5dB,且能避免重构图像中出现"划痕"和"嵌入污点",在有效去噪的同时,可较好地保护图像边缘和细节。

结合双树复小波变换和改进密度峰值快速搜索聚类的乳腺MR图像分割

针对乳腺MR图像组织复杂、灰度不均匀、难分割的特点,本文提出双树复小波(DTCWT)变换结合密度聚类的图像分割方法.首先利用复小波域双变量模型结合各向异性扩散函数对图像进行去噪处理;进而通过简单线性迭代聚类(SLIC)算法将图像划分成一定数量的超像素区域,根据事先设置的阈值搜索每个超像素的近邻,从而降低基于K近邻的密度峰值快速搜索聚类(KNN-DPC)算法寻找每个样本近邻的时间;最终,引入超像素区域的近邻信息度量样本密度,采用KNN-DPC算法的分配策略自适应聚类.仿真和临床数据分割结果表明,所提算法能有效的实现乳腺MR图像的分割.

基于小波域统计模型的纸浆纤维图像去噪研究

在小波多尺度分析基础上,提出一种新的图像小波系数的自适应统计算法,并应用于纸浆纤维图像的去噪研究。将图像小波系数视为服从广义高斯分布(GGD)的随机变量模型,在小波软阈值去噪的基础上引入空间自适应阈值方法;将均值滤波算法应用于小波系数方差的边缘估计中,结合最大后验概率准则(M AP)进行参数估计以恢复噪音小波图像。该算法用于纸浆纤维图像的去噪,效果理想,同其它的图像去噪算法相比,它具有较高的峰值信噪比(PSNR)。

基于阈值分类的小波域混合模型图像降噪

通过一种自适应阈值分类,小波系数被分为两类:“大”的(重要的)和“小”的(不重要的)。根据不同类小波系数的统计特性分别用不同的模型进行降噪,对于“大”的一类用一种具有尺度间相关性的双变量模型进行降噪,而对于“小”的一类用一种具有强局部相关性的零均值高斯模型进行降噪,最后用Cycle-spinning方法抑制降噪过程中可能存在的震铃和锯齿等失真。实验结果表明了该算法在客观峰值信噪比和主观视觉上都优于一些传统的降噪算法。

非高斯双变量模型contourlet图像去噪(英文)

Contourlet变换是继小波变换之后的又一新变换。由于contourlet变换的多尺度和多方向特性,能有效地捕获到自然图像中的轮廓,并对其进行稀疏表示。详细分析了图像contourlet系数的统计特性,并利用非高斯双变量分布对系数层间相关性进行建模。最后,将此分布应用于图像去噪,就PSNR、NMSE和视觉质量这三方面的评价指标与contourlet HMT和小波阈值法进行了比较。实验结果表明:算法能获得较好的结果,尤其是对于含有丰富纹理的图像。

基于小波变换的红外图像融合算法研究

小波变换具有良好的多分辨分析特性,可用于可见光图像与红外图像的图像融合。一般情况下,对于分解后得到的低频分量采用加权平均的方法来进行简单处理,这对融合后图像的对比度和视觉效果有很大的影响。采用基于小波变换的图像融合算法来分别处理分解后的低频分量和高频分量,并与其他融合方法进行分析比较。实验结果表明,使用所提出的算法进行融合后的图像内容清晰,具有增强图像的空间细节能力,提高图像分辨效果和人眼对场景目标的发现和识别概率,在不影响互信息量值的情况下,融合后图像的边缘保持度提高了将近2倍。

一种基于全变差正则化与小波包变换的图像去噪算法

提出一种基于全变差(TV)模型和小波包变换的图像去噪算法,并给出了针对该模型的一种改进正则化参数选取方法,改善了全变差模型去噪中出现的块效应问题,同时保留了图像中的边缘信息.数值实验表明,用所给算法去噪可得到较高的峰值信噪比和较好的视觉效果.