小波域高斯混合模型与中值滤波的混合图像去噪研究

基于高斯混合模型的小波去噪方法并结合中值滤波法对脉冲噪音有较好滤除效果的特点,将这两种方法结合起来,对含有高斯脉冲混合噪音图像进行去噪处理.该算法采用Matlab语言进行仿真.实验结果表明,这种混合去噪方法的效果要优于单纯使用中值滤波或者小波去噪的效果.     

一种基于时域滤波的红外序列图像去噪算法

红外图像是现代光学设备常用的图像源,图像显示效果直接影响设备的用户体验,而红外序列图像中的噪声会导致显示效果的下降。为了减轻噪声对红外序列图像显示效果的影响,通过历史多帧灰度值的加权和当前帧无噪声图像的估计,提出了一种基于时域高斯滤波的去噪方法。参考空域双边滤波的权值分配方法,引入了灰度值的影响对时域高斯滤波的权值进行修正,解决时域滤波导致的序列图像中运动目标拖尾和模糊。实验结果表明,时域滤波方法能够有效平滑帧间噪声,减轻噪声导致的红外序列图像显示效果的恶化,引入灰度值的影响进行滤波权值修正之后,能够解决时域滤波导致的运动目标拖尾和模糊问题。     

一种惯性交替极小化算法及其应用

提出一种惯性交替极小化算法求解具有线性等式约束的两块可分离凸极小化问题,其中一块是强凸的。我们证明所提出的算法收敛到原问题和对偶问题最优解。作为应用,将所提出的算法用于求解一类复合凸极小化问题,该问题在图像去噪中有着广泛应用。最后,通过对具有约束的全变分图像去噪模型进行数值实验,数值结果验证所提出算法的有效性和优越性。     

基于深度学习的视网膜OCT图像无监督去噪方法

以散斑噪声为主的噪声干扰严重影响视网膜光学相干层析（OCT）图像质量。深度学习是一种有效的去噪方法。但对活体成像而言,其很难获取多帧配准的真值图像,这影响了监督学习方法的效果。提出一种无监督深度残差稀疏注意力网络用于视网膜OCT图像去噪,并分别从视觉评价和数值评价两方面与传统的三维块匹配滤波去噪算法和经典的深度学习去噪网络进行对比。研究了监督学习与无监督学习策略下3种卷积神经网络的去噪性能,并利用公开的视网膜OCT图像数据集进行泛化能力测试。实验结果表明：所提算法的视觉评价和数值评价均具有良好的降噪效果,可以实现视网膜OCT图像高质量降噪,具有较强的泛化性,而且与监督学习相比,无监督学习在数据集不充分时仍能获得较好的降噪性能,可以有效地辅助医生进行准确高效的临床诊断。     

基于梯度与曲率相结合的图像平滑模型的研究

在图像处理过程中, 为了在图像去噪时更好地保留图像边缘细节信息, 首先结合扩散系数和曲率的性质建立了一个曲率平滑模型. 考虑到图像受到噪声污染时曲率会发生显著变化, 将图像的水平集曲率作为一个检测因子代入到上述模型中, 提出了一个梯度与曲率相结合的新模型. 分析与仿真结果表明, 该模型与Perona-Malik模型相比较保留了更多的图像信息, 有效地增强了图像尖锐的边缘, 同时很好地保持了图像的直线和曲线边缘、角点、斜坡和小尺度特征, 是一个理想的模型.     

一个用于图像去噪、量化的反应扩散模型

提出一个用于图像去噪、量化的反应扩散模型,并通过计算机使用该模型对图像实例实行去噪和量化,验证了该模型在图像处理速度和效果上都优于已有模型.     

基于多尺度总体最小二乘的图像去噪

提出了一种基于多尺度总体最小二乘的图像去噪算法.采用平稳小波变换对噪音图像进行分解,分别对各个分解层的高频子带,通过总体最小二乘算法估计信号小波系数;并且考虑到不同尺度小波系数之间的相关性,将尺度相关性约束到总体最小二乘算法中,进而准确估计各高频子带信号小波系数,再由估计的信号小波系数通过小波逆变换得到去噪图像.实验结果表明,考虑尺度间相关性的总体最小二乘平稳小波变换图像去噪算法能有效去除图像噪音,在信噪比和视觉质量上有了较大改善.     

基于Bandelets变换的红外图像去噪

提出了一种基于Bandelets变换的红外图像模糊阈值去噪方法,该方法结合了Bandelets变换和模糊阈值在去噪方面的优点.对红外图像进行Bandelets变换的同时,对系数进行模糊阈值处理,实现了图像去噪;同时针对图像去噪问题提出了Bandelets变换中压缩率阈值的选取方法.结果表明,与正交小波硬阈值去噪方法相比,该方法具有良好的去噪性能,并且在去除红外图像噪音的同时,能够获得很好的边缘保持效果.     

基于Contourlet域HMT模型的声纳图像去噪

声纳图像预处理是声纳图像目标识别与跟踪的前提;声纳图像对比度低,特性信息弱,为此,提出Contourlet域HMT模型(CT-HMT)的声纳图像去噪算法。Contourlet域中,不同方向间子带系数的相关性体现于DFB分解中,相邻尺度间父节点对应的4个子节点分布在2个可分离的方向子带上,父、子节点状态"持续性"采用Markov模型建模,尺度内Contourlet系数的"聚集性"采用混合高斯模型建模;最后,用贝叶斯准则估计无噪图像的Contourlet系数,实现声纳图像去噪。实验结果从视觉效果和定量分析两方面验证表明,本文算法能有效地抑制噪声,提取声纳图像的弱特征信息,较好地保全了图像的边缘和轮廓信息。