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。     

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。     

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.     

电力设备红外图像的小波阈值去噪方法研究

对于电力设备的红外图像自动检测系统,图像去噪是非常关键的。针对传统的小波硬、软阈值函数在去噪时存在的不足,在传统小波硬、软阈值函数的基础上对其进行了改进。改进的阈值函数克服了硬阈值函数不连续的缺陷,改善了软阈值函数具有恒定偏差的不足,并引入了两个变量,具有一定的灵活性。同时还使用了一种新的分层阈值选择函数代替统一阈值方法,以改善实际应用的效果。实验结果表明:改进的小波阈值去噪方法在视觉效果、峰值信噪比和均方误差方面都优于传统的硬、软阈值去噪方法;改进的小波阈值去噪方法可以运用到红外图像自动检测系统中,使系统具有更好的去噪效果。     

基于峰值信噪比和小波方向特性的图像奇异值去噪技术

提出一种利用小波变换子图像不同的方向特性和峰值信噪比进行奇异值分解的图像去噪算法。由于图像经过小波变换后,低频子图像集中了原图像的大部分能量噪声,故仅作简单维纳滤波;而噪声则主要集中在小波域中的三个不同方向的高频子图中,且系数较小,因此可以利用奇异值分解进行去噪处理,即用较大的奇异值和对应的特征向量重构出去噪图像,然而由于奇异值分解固有的行列方向性,对于高频对角线子图重构出的图像去噪效果不理想,故采取旋转至行列方向后再进行常用的奇异值滤波;最后将去噪后的低频和高频子图进行小波反变换重构出最终的去噪图像,其中重构所需的奇异值个数由图像的峰值信噪比确定。 实验结果表明,该方法在有效去噪的同时较好的保留了原有的高频细节信息。     

基于小波变换的图像去噪方法的研究

小波变换能有效的去除高斯噪声,中值滤波能有效的去除脉冲噪声,两者结合可以更有效的去除高斯噪声和脉冲噪声的混合噪声.当医学图像去除混合噪声时,先进行中值滤波再进行小波去噪的方法优于先进行小波去噪后再进行中值滤波的方法,且去噪后图像视觉效果较好,而且图像均方误差(M SE)也较小.在图像去噪处理中这种方法具有实际应用价值.     

一种快速稀疏分解图像去噪新方法*

提出了一种基于分层树型结构正交匹配追踪算法的快速图像去噪方法.通过选择高斯函数和墨西哥草帽小波母函数构建混合冗余字典,采用分层树状结构表示字典,结合构正交匹配追踪算法,实现图像稀疏表示,提高了图像表示的稀疏性,降低了算法的复杂度.依据噪音能量阈值,通过多次迭代达到图像去噪的目的.实验结果表明,在相同的噪音水平下,该迭代去噪算法取得了较高的较好的PSNR,获得更好的视觉效果.