基于Demons算法改进的图像去噪模型研究

在Demons算法的基础上, 将扩散过程看作图像配准, 建立一种新的基于图像配准的Demons 去噪模型. 实验表明, 该模型去噪效果优于经典的Perona-Malik模型, 排除了模型的病态性. 考虑到新模型在图像去噪过程中仅靠梯度信息表示图像的局部特征还不完善, 故将水平集曲率作为控制图像结构的驱动力因素引入到此模型中, 提出了一种新的梯度和曲率双重驱动力的图像去噪模型. 分析和仿真结果表明, 两种新模型都可有效抑制噪声, 清晰度也有明显的提高, 其中双重驱动力的图像去噪模型去噪效果更具优越性.     

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.     

基于小波与重调和方程的扩散去噪模型的研究

在图像处理过程中, 为了在图像去噪时更好地保留图像的角点、尖峰和窄边缘, 利用重调和方程的应力平衡性及其高阶偏导数的局部极大值, 构建新算子, 建立重调和扩散模型. 考虑到若图像中的噪声很强, 则会在处理后的图像上留下一些孤立的斑点, 且图像的纹理是在较大范围上具有的统计特性, 而新建模型只能保留局部细节, 图像大范围上的信息没有得到很好保留, 故对上述新建模型做进一步改进, 采用小波变换提取图像的高频部分, 对这部分运用应力平衡性构建新算子, 从局部上较稳定地控制图像的细节信息, 建立波域重调和扩散模型. 分析与仿真结果表明, 该模型与Perona-Mailik模型相比较保留了更多的图像信息, 有效地增强了图像的边缘, 同时很好地保持了图像的角点、尖峰、和窄边缘, 是一个理想的模型.     

基于脉冲耦合神经网络和图像熵的各向异性扩散模型研究

在图像去噪过程中, 大部分基于偏微分方程的各向异性扩散模型均使用梯度信息检测边缘, 当边缘部分被噪声严重污染时, 这些方法不能有效检测出这些边缘, 因而无法保留边缘特征. 为了较完整的保留图像的区域信息, 用脉冲耦合神经网络(PCNN)能使具有相似输入的神经元同时产生脉冲的性质对噪声图像做处理, 得到图像熵序列, 并将图像熵序列作为边缘检测算子引入到扩散方程中, 不仅能克服仅用梯度作为边缘检测算子易受噪声影响的弊端, 而且能较完整地保留图像的区域信息. 然后, 用最小交叉熵准则搜索使去噪前后图像信息量差异最小的阈值, 设计最佳阈值控制扩散强度, 建立基于脉冲耦合神经网络与图像熵改进的各向异性扩散模型(PCNN-IEAD). 分析与仿真结果表明, 该模型与经典模型相比, 保留了更多的图像信息, 能够兼顾去除图像的噪声和保护图像的边缘纹理等细节信息, 较完整的保留了图像的区域信息, 性能指标同样也证实了新模型的优越性. 另外, 该模型的运行时间较经典模型的短, 因此, 该模型是一个理想的模型.