一种新的基于非下采样Contourlet变换的自适应图像去噪算法

提出了一种新的结合非下采样Contourlet变换(NSCT)和斯坦无偏风险估计(SURE)的自适应图像去噪方法.通过NSCT对含噪图像进行分解,根据斯坦无偏风险估计准则对分解后的噪声图像进行均方误差E估计,并依据得剑的E<,MS>构造线性自适应阚值方程,对含噪图像的每一个分解子带进行阈值去噪.对自适应阈值去噪后的图像分解子带进行重构.得到去噪图像.实验结果表明,该方法可以有效地消除标准图像和自然图像中的噪声,在去噪图像峰值信噪比(PSNR)和边缘保持性能上都优于已有算法.     

基于混沌粒子群优化的图像Contourlet阈值去噪

提出了基于混沌粒子群优化的图像Contourlet阈值去噪方法.该方法在Contourlet变换域内利用混沌粒子群算法来确定最优阈值,再通过软阈值函数去噪,且不需要噪音方差等先验信息.实验结果表明:该方法与小波Bayeshrink阈值、基于粒子群的小波阈值、Contourlet自适应阈值等去噪方法相比,能有效地去除高斯白噪音和椒盐噪音的混合噪音,提高峰值信噪比,并较好地保留图像的细节和纹理,从而明显地改善了图像的视觉效果.     

基于混沌粒子群优化的图像Contourlet阈值去噪

提出了基于混沌粒子群优化的图像Contourlet阈值去噪方法.该方法在Contourlet变换域内利用混沌粒子群算法来确定最优阈值,再通过软阈值函数去噪,且不需要噪音方差等先验信息.实验结果表明：该方法与小波Bayeshrink阈值、基于粒子群的小波阈值、Contourlet自适应阈值等去噪方法相比,能有效地去除高斯白噪音和椒盐噪音的混合噪音,提高峰值信噪比,并较好地保留图像的细节和纹理,从而明显地改善了图像的视觉效果.     

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.     

合成孔径雷达图像的Contourlet域空间选择滤波降斑算法

合成孔径雷达(SAR)图像的相干斑噪声降低了影像分割和分类的效果,会导致影像判识困难。结合Con-tourlet系数的结构特点和SAR图像相干斑乘性噪声模型,提出了一种新的基于Contourlet变换的降斑算法。该算法利用信号与噪声在Contourlet域尺度间相关性的不同,通过空间选择滤波对系数进行分类,采用混合分布模型,实现了SAR图像的降斑处理。实验结果表明,该算法不仅能有效地抑制相干斑,而且还能有效地保护图像的细节特征。     

基于Contourlet系数相关特性的自适应图像去噪算法

研究发现, 图像经过Contourlet变换之后, 其变换系数在尺度内和尺度间都表现出很强的相关特性.基于此, 首先根据Contourlet系数在同一尺度内的邻域相关特性, 构造得到一个自适应阈值, 然后在采用阈值法进行自适应阈值去噪的同时, 利用Contourlet系数在相邻尺度间的相关性对系数进行进一步的取舍, 从而提出一种新的基于Contourlet变换系数特性的自适应阈值图像去噪算法.该算法不仅可以有效去除噪声, 而且可以很好地保留图像边缘信息.实验结果表明, 在相同条件下该算法的主客观去噪效果均优于现有同类方法.     

小波变换和模糊聚类的SAR图像斑点噪声去除

合成孔径雷达SAR图像的相干成像特性,不可避免的形成特有的相干斑点噪声,严重影响图像的地物信息提取和分类,需要进行去噪预处理。针对SAR图像斑点噪声的特点,针对SAR图像斑点噪声的特点,对图像进行小波变换分解,提出模糊聚类和软阈值收缩去噪的方法,利用模糊C均值聚类将小波系数分成包含信号能量和只包含斑点噪声能量两大类,对前一类小波系数进行软阈值降噪处理,而对后一类小波系数直接置零。实验结果的目视效果和评价指标均表明,小波模糊聚类和软阈值收缩有效地去除了SAR图像斑点噪声,图像视觉效果清晰,较好地保持地物目标的边缘等图像细节信息,去噪效果优于小波软阈值收缩。     

一种层析深度图像去噪算法

常规图像去噪方法难以去除飞行时间技术或结构光等深度传感器所获取的深度图像中的大量噪声,因此提出一种根据图像深度值进行分层的去噪算法。该算法首先对深度图像实现噪声强度估计,根据噪声强度和深度图像的探测距离范围,确立图像的深度层级间隔,并得到分层级的深度图像,然后对每一层级的深度图像进行去噪,最后对分层级的图像进行拼合,合成完整深度图像。实验结果表明,该算法能够有效去除图像中不确定性干扰噪声,同时较好地保持图像中目标和景物背景的原始细节以及边缘信息。     

基于Contourlet变换的遥感图像去噪新算法

提出了一个新的有效的基于Contourlet变换的遥感图像去噪方法。对有噪图像进行Contourlet分解;对Contourlet变换系数引入一个几何先验模型,结合噪声和有用信号的条件分布进行贝叶斯估计,得到每一系数作为有用信号的后验概率,以之作为修正因子修正小波萎缩因子;对重构图像进行递归循环运算处理。仿真实验结果表明,去噪后图像去除了常见的伪吉布斯现象,峰值信噪比提高了1~2 dB。     

基于Contourlet域持续性和聚集性的合成孔径雷达图像融合分割算法

针对合成孔径雷达(SAR)图像含有大量斑点噪声的特点,基于Contourlet的多尺度、局部化、方向性和各向异性等优点,并结合隐马尔科夫树(HMT)模型和隐马尔科夫场(MRF),提出了一种基于Contourlet域持续性和聚集性的SAR图像模糊融合分割算法。该算法有效捕获了Contourlet子带的持续性和聚集性,并分别用HMT和MRF来刻画,再依据模糊测度,将多尺度HMT和MRF有机融合,建立Contourlet域HMT-MRF融合模型,并导出新模型下的最大后验概率(MAP)分割公式。对实测SAR图像进行了仿真,仿真结果和分析表明:与小波域上的HMT-MRF融合分割及Contourlet域上HMT和MRF分割算法相比,该算法在抑制斑点噪声的同时,有效地提高了SAR图像的分割精度。     

Synthetic Aperture Radar image nonlinear enhancement algorithm based on NSCT transform

Due to the imaging mechanism, Synthetic Aperture Radar (SAR) images are susceptible to speckle noise, which affects radar image interpretation. So image denoising and enhancement are important topics of improving SAR image performance. A nonlinear image enhancement algorithm based on nonsubsampled contourlet transform (NSCT) is proposed in this paper. The image is decomposed into coefficients of different scales and directions through nonsubsampled contourlet transform. It is denoised by the threshold method of the multi-scale product of NSCT coefficients. Then thresholds of the nonlinear enhancement function are determined according to the coefficients of each scale. The two parameters of the function, among which one is used to control the range of enhancement and the other can determine the strength of enhancement, are obtained by solving nonlinear equations. The coefficients processed by the enhancement function are used to reconstruct the image. The simulation results on the Matlab platform show that the algorithm has a good effect of enhancing details of images and suppressing noise signals meanwhile.     

基于Contourlet变换的迭代图像复原算法

考虑到contourlet变换的多尺度多方向性以及对二维图像具有比小波变换更好的稀疏表示特性,提出了一种基于contourlet变换的图像复原算法.算法采用边界优化的方法,通过类期望最大化算法在contourlet域进行迭代计算,并最终获得惩罚似然函数的最优解.实验结果表明.与传统的基于小波变换的同类图像复原算法相比,基于contourlet变换的复原算法在保持了较低的运算代价的同时,更好地保护了图像的边缘和细节信息,峰值信噪比有0.6 dB～0.8 dB左右的提高.     

基于区域分割和Counterlet变换的图像融合算法

提出了一种基于区域分割和Contourlet变换的图像融合算法。首先,对各源图像做区域分割,并利用区域能量比和区域清晰比的概念来度量和提取区域信息;然后,对各源图像进行多尺度非子采样Contourlet分解,分解后的高频部分采用绝对值取大算子进行融合,低频部分则采用基于区域的融合规则和算子进行融合;最后进行重构得到融合图像。对红外与可见光图像进行了融合实验,并与基于像素的àtrous小波变换和Contourlet变换的融合效果进行了比较。结果表明,采用本文算法的融合图像既保留了可见光图像的光谱信息,又继承了红外图像的目标信息,其熵值高于基于像素的融合方法约10%,交叉熵仅为基于像素的融合方法的1%左右。     

A Noisy SAR Image Fusion Method Based on NLM and GAN

The unavoidable noise often present in synthetic aperture radar (SAR) images, such as speckle noise, negatively impacts the subsequent processing of SAR images. Further, it is not easy to find an appropriate application for SAR images, given that the human visual system is sensitive to color and SAR images are gray. As a result, a noisy SAR image fusion method based on nonlocal matching and generative adversarial networks is presented in this paper. A nonlocal matching method is applied to processing source images into similar block groups in the pre-processing step. Then, adversarial networks are employed to generate a final noise-free fused SAR image block, where the generator aims to generate a noise-free SAR image block with color information, and the discriminator tries to increase the spatial resolution of the generated image block. This step ensures that the fused image block contains high resolution and color information at the same time. Finally, a fused image can be obtained by aggregating all the image blocks. By extensive comparative experiments on the SEN1–2 datasets and source images, it can be found that the proposed method not only has better fusion results but is also robust to image noise, indicating the superiority of the proposed noisy SAR image fusion method over the state-of-the-art methods.     

基于Rician分布的散斑噪声的超声图像模拟算法*

为了衡量各种去噪算法的性能,在干净无噪声的图像上添加接近真实且可控的散斑噪声是非常重要的,提出一种基于Rician分布的不完全发育的斑点噪声的超声图像模拟算法。该算法考虑到了声波区域中包含孤立的强散射体的情况,同时结合了超声成像的扫描过程。以合成图像和肾脏图像为体模进行了模拟实验,并对最终生成的伪超声图像进行了噪声分布统计及拟合检验。实验结果表明该算法生成的伪超声图像在视觉上和理论上都接近真实的超声图像。     

从SAR遥感图像中提取水域的一种双模式结合方法

水域是SAR图像的一个重要特征,针对SAR图像水域的检测问题,提出了一种利用形态学和信息跟踪双模式相结合的检测方法。采用形态学的开运算,提取基本的水域轮廓,再结合改进的信息编码,进行跟踪检测,进一步精确定位水域区域。实验结果表明,双模式结合的水域检测方法,可以较准确的提取SAR图像的水域区域,效果要优于单一模式的检测方法,而且跟信息熵方法相比较还提高了运算效率。     

一种基于清晰度计算的NSCT域多聚焦图像融合算法

针对多聚焦图像的特点．提出了一种基于清晰度计算的非抽样轮廓波变换（Non-Subsampied Contourlet’Transform,NSCT）域多聚焦图像融合算法。该算法首先对源图像进行NSCT分解．以此克服传统Contourlet变换不具平移不变性的缺点。在分析光学成像中散焦表现形式的基础上．对分解后的低频子带和高频方向子带分别以“邻域梯度”及“合成邻域模值”作为清晰度指标。采用自适应选择法实现对多聚焦图像的融合处理。实验结果表明,该方法不仅能有效融合图像中的“伪影”和“振铃效应”．视觉效果明显优于传统小波和Contourlet方法,且融合图像的熵、交叉熵及均方根交叉熵等客观评价指标也有明显提高。     

基于非冗余轮廓波的图像质量可伸缩编码算法

提出一种用非冗余轮廓波的中低比特率图像质量可伸缩编码算法。该算法采用双正交小波分解和方向滤波器组(DFB)实现图像的非冗余稀疏表示, 不但具有轮廓波对图像中线状奇异性边缘和纹理细节的稀疏表示特点, 而且克服了轮廓波变换系数4/3冗余的缺点。算法中对图像非冗余轮廓波系数各子带系数分布进行统计分析, 通过对变换系数的重新组合, 构造了有利于图像编码的空间方向树结构, 并统计验证了其零树特性, 采用分级树集合分裂和阈值量化达到图像质量可伸缩的嵌入式编码。实验结果表明,其解码算法在中低比特率压缩情况下, 压缩后重构图像的感知质量明显优于小波域SPIHT,JPEG2000编码标准, 峰值信噪比PSNR值与JPEG2000相当, 而图像纹理和边缘细节的视觉效果优于JPEG2000和小波域SPIHT算法。     

基于数学形态学的数字全息再现像融合方法

针对数字全息中不同再现距离获得的携带不同聚焦信息的再现像, 提出了一种基于数学形态学的多聚焦再现像融合方法, 以有效扩展成像景深。首先通过小波-Controulet变换获得源图像的高频和低频分量;然后, 针对数字全息中含散斑噪声的特点, 对高频分量采用基于数学形态学区域能量的方法进行融合, 对低频分量采用加权对比度法进行融合;最后, 将融合系数反变换得到融合图像。通过对算法的有效性分析和实验验证, 将本文提出的方法与不加入数学形态学的融合方法进行了对比研究。结果表明, 基于数学形态学的融合方法能充分抑制散斑噪声的影响, 保留更多细节信息, 有效扩展了成像景深范围达11.5 cm。其中, 对于表面粗糙且信息量较少的骰子, 基于数学形态学方法的空间梯度算子提高了11.8%, 熵值提高了2.7%;对于表面光滑且信息量较多的硬币, 其空间梯度算子提高了13.6%, 熵值提高了2.8%。