排序方式: 共有104条查询结果,搜索用时 843 毫秒
61.
基于Curvelet变换的软硬阈值折衷图像去噪 总被引:2,自引:0,他引:2
与小波变换相比,Curvelet变换更好地表达图像的边缘和细节,因此更适合多尺度图像去噪。针对软阈值和硬阈值去噪方法存在的不足,提出了基于Curvelet变换域的软硬阈值折衷去噪法,并采用不同的阈值自适应地对不同的Curvelet子带进行阈值化。实验结果表明该方法对图像中的边缘、弱的直线和曲线特征有更好的恢复。去噪后图像PSNR值更高,视觉效果更好。 相似文献
62.
针对传统图像去噪算法多噪声去除难,深层卷积神经网络去噪模型网络复杂、训练时间长等问题,提出一种基于自编码器结构的双分支改良编解码网络,实现高效图像去噪。双分支结构之一采用降-升采样实现点噪声消除,另一分支专注于宏观的图像修复和伪像去除,后端利用残差结构进行整合,实现数字图像混合噪声去噪。实验结果显示:对于含有标准差为15,均值为0的高斯噪声、噪声密度为5%的椒盐噪声和散粒噪声的混合噪声图像测试集,实验去噪效果相较于输入混合噪声图像峰值信噪比,平均提升了5.3%。与12层全卷积神经网络相比,去噪效果相当,训练速度提升了25.4%,体现了其“轻量级”的优点。实验表明:该方法相较于深层卷积神经网络,训练速度快,网络简单;相较于传统图像去噪算法,噪声去除效果也较为明显。该算法可应用于轻量级视觉平台后端去噪。 相似文献
63.
HUANG Haiyang ZHANG Haili HUAN Zhongdan 《偏微分方程(英文版)》2009,22(4):315-333
In this paper, we establish the existence and uniqueness of a BV solution to an initial boundary value problem for a nonlinear integro-differential equation, which is related to a denoising and deblurring variational model in image restoration. Several experiments relevant to the restoration model are performed and numerical results are discussed. 相似文献
65.
66.
利用核模糊聚类和正则化的图像稀疏去噪 总被引:1,自引:0,他引:1
针对目前图像去噪方法噪音抑制不彻底、容易模糊细节等问题,提出了一种利用核模糊C均值聚类和正则化的图像稀疏去噪方法.该方法首先将图像分成大小相同的若干块,并采用核模糊C均值聚类算法对相似的图像块进行聚类,从而保证同一类图像块共享相同的稀疏去噪模型;然后,选择由经典图像库中图像训练而得的全局字典作为初始字典,很好地适应图像的多种特征;接着,对于同一类图像块,通过施加1/2范数正则化约束,实现该类图像块在字典下的稀疏分解,确保分解系数更为稀疏;最后,通过改进的K-奇异值分解算法完成字典的更新,并选择与原稀疏模型差异最大的图像块来替换更新字典的冗余原子,从而有效地去除图像噪音.实验结果表明,与小波扩散去噪法、固定字典去噪法、最优方向去噪法、K-奇异值分解去噪法相比,该方法能更有效地去除图像噪音,保留图像细节,改善图像视觉效果. 相似文献
67.
68.
本文研究了全变差正则化模型在图像去噪过程中易产生阶梯效应的问题,依据图像的局部结构特利用联合高斯滤波器和边缘检测算子的方法,构建了广义全变差正则化图像去噪模型,获得了在消除噪声的同时能够保留图像边缘细节和纹理信息的结果.实验结果表明,广义全变差正则化模型在平滑噪声的同时能够保留图像的边缘轮廓等细节信息,得到的复原图像在峰值信噪比、平均结构相似度和主观视觉效果方面均有所提高. 相似文献
69.
《光学学报》2021,41(7):56-65
分焦平面(DoFP)偏振探测器在成像过程中会受到噪声的干扰,从而影响解算偏振信息图像的质量和精度。首先,基于图像的非局部自相似性和不同偏振方向图像之间的相关性,利用DoFP偏振图像的空间分布特点对图像进行分块并选取相似的图像块构成相似块矩阵。然后,利用主成分分析(PCA)得到相似块矩阵的特征值矩阵和特征向量矩阵,并根据噪声和相似块矩阵的特征值分布特点,在PCA域中利用降维对图像进行去噪。最后,利用模拟和真实DoFP偏振图像评估本算法的去噪效果。实验结果表明,本算法可以有效抑制图像中的噪声,保留图像的纹理和边缘细节信息,比现有算法的峰值信噪比至少提高了1 dB。 相似文献
70.
非局域均值(NLM)滤波有很好的去噪效果并已成功地应用于磁共振图像的去噪中,但与所有去噪方法相同,总是会在一定程度上模糊图像细节. 该文提出将从原始图像中提取出来的高频信息与NLM去噪图像相融合,来还原在去噪过程中丢失的细节. 首先利用一种基于拉普拉斯金字塔的多分辨率方法,从原始图像中提取出包含丰富的边缘信息的高频组分. 然后利用作者提出的一种新的基于SUSAN算子的边缘检测算子产生一幅连续的边缘图,并利用该边缘图将高频组分与NLM方法去噪的图像相融合. 该方法在图像的平滑区域取得了良好的去噪效果,同时可以保留甚至增强图像的细节. 同时,该方法对图像的增强不会导致增强图像中常见的伪影. 相似文献