基于变分理论的局部自适应高保真图像去噪算法

针对现有的图像去噪模型不能很好保留图像边缘及纹理的缺点,在变分理论的基础上提出了改进的局部自适应图像去噪算法,该算法基于图像局部特性计算保真参数,利用小波变换进行噪声方差估计,采用小的自适应窗确定保真参数,并利用该高保真去噪算法对叠加高斯噪声的图像进行了降噪处理,结果显示比全局变分采用最速下降自动选择保真参数的去噪效果要好,峰值信噪比(PSNR)在不同高斯噪声背景下都有0.2-0.5dB的提升。     

基于Contourlet变换的图像去噪算法

针对小波变换不能有效地表示图像纹理和轮廓的缺陷,本文重点研究了基于Contourlet变换的图像去噪算法。首先对图像进行Contourlet变换,得到能量集中分布的变换系数,再对变换后的系数应用Bayes-Shrink去噪方法进行降噪处理,并分别比较了运用硬阈值方法和软阈值方法的处理效果。结果表明:基于Contourlet变换的图像去噪算法在峰值信噪比(PSNR)效果和去噪质量上都优于小波变换。     

小波神经网络用于CCD视频序列图像去噪

CCD摄像机获取目标影像时不可避免地受到噪声影响,因此噪声去除是CCD图像处理的一项重要研究课题。本文将小波神经网络引入CCD图像去噪领域中,提出一种基于小波神经网络的图像去噪方法。实验结果表明,该方法在去除噪声上优于传统的均值滤波等方法,在有效去除噪声的同时,又能很好地保护图像的细节信息,具有很好的保真度。     

固体发动机ICT断层图像去噪技术

由于受扫描电子设备、光电转换过程和重建算法的影响,固体发动机经ICT系统检测生成的灰度断层图像中含有多种噪声,严重影响了检测人员对发动机内部缺陷的诊断。为此,利用图像滤波技术对断层图像进行有效的处理,去除图像中的噪声,突出缺陷信息。在理论分析均值滤波、中值滤波、维纳滤波和小波变换滤波这4种滤波方法的基础上,分别将这4种方法应用到固体发动机ICT断层图像去噪中,经对比。得出维纳滤波在较好的保存缺陷信息的同时,有效的去除了噪声,是最适用于固体发动机缺陷检测需求的图像去噪方法。     

一种平稳小波方向能量阈值滤波的SAR图像去噪方法

由于SAR图像相干斑噪声是非高斯分布的,无法直接采用光学成像系统的去噪技术处理,因此,目前还没有真正的理想算法广泛适用于SAR图像去噪.在分析目前流行的空频域去噪方法优缺点的基础上,提出了1种小波域SAR图像去噪方法.为了克服离散小波变换缺乏平移不变性及方向选择性受限的缺点,该方法利用平稳小波将图像分解为低频逼近信号和...     

适用于爆炸物CT检测重建图像去噪新算法

场旅客行李爆炸物CT检测成像过程中不可避免地受到噪声影响,对重建图像的去噪处理是爆炸物CT检测技术中的一个重要环节。针对机场旅客行李隐藏爆炸物快速检测、重建图像质量要求和引入的噪声特点,提出了一种有效的图像去噪算法将小波包分析与快速中值滤波相结合,并且对小波包系数运用一种新的阈值去噪方法。实验结果表明,该算法能更有效地去除重建图像的噪声并保持图像的边缘细节。     

基于非线性复扩散和小波的图像去噪方法

基于偏微分方程和小波的图像去噪方法是目前图像处理的两大发展主流。提出了一种非线性复扩散和小波相结合的图像去噪方法。首先,根据小波变换的特性,把图像分成低频分量和高频分量两部分,然后根据这两部分图像的不同特点,结合非线性复扩散方法对图像去噪,最后把两部分图像融合成一幅图像。实验结果表明了方法无论是客观标准还是视觉效果上都优于非线性复扩散。     

基于小波变换和不变矩的车标识别方法

形状特征是目标识别的重要参数,小波变换的低频部分代表物体的总体形状特征,而图像中的噪声主要分布于高频部分。根据这一特征,利用小波变换消除噪声提取目标形状,进而利用特征不变矩距离进行分类,实现目标识别,将该方法应用在实测车标图像的识别中,结果表明识别效果较好。     

一种用于版权认证的数字图像水印算法

提出了一种基于DWT域的用于图像版权认证和保护的数字图像水印方法。首先,将原始图像分块,并对每块进行多层DWT变换;然后,把置乱的水印图像嵌入到图像的多层低频小波系数上;最后,再对图像进行IDWT变换。文中所采用的二值标识水印图像直观,信息量大,并根据实际需要,用航拍图像作为载体图像进行实验。实验结果表明,该方法简单高效, 可嵌入的数字水印信息容量大,对一般的图像处理和各种攻击有很好的鲁棒性,如:JPEG压缩、滤波、加噪声、旋转、缩放,涂抹、剪切等,能够准确可靠地提取水印。     

改进Hilbert-Huang变换在齿轮故障诊断中的应用

针对Hilbert-Huang变换中齿轮故障信号经验模式分解的第一阶固有模态函数通常为非单一信号分量以及经验模式分解产生虚假低频分量的问题, 提出一种改进Hilbert-Huang变换方法.首先在频谱中确定故障信息频率范围, 并依据该频率范围和二进小波分解的特点确定需提取的相应频带的二进小波系数, 然后采用相关系数筛选法剔除小波系数经验模式分解所产生的虚假分量, 最后通过局部瞬时能量提取故障特征, 实例表明改进的Hilbert-Huang变换可以有效的提取齿轮故障特征.      

基于信息论分析的多尺度图像去噪方法

图像多尺度统计相关模型的信息论分析表明,尺度内模型可以捕捉小波系数间的大部分相关性,较尺度间模型携带更多的信息,而通过加入父信息得到的增益则较小。为充分利用各模型提供的不同信息,提出一种基于信息融合的多尺度去噪方法,将尺度内和尺度间相关模型的优点相结合,并压制各自的缺陷。仿真结果表明,基于信息融合的方法具有更好的视觉效果和去噪性能。     

改进的自适应阈值软硬折中Curvelet图像去噪技术

Curvelet变换是继小波变换和Ridgelet变换之后,更适合图像处理的一种多尺度变换,它能同时获得对图像平滑区域和边缘部分的稀疏表达,且具有很强的方向性。针对软阀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中去噪法,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曲线特征有更好的复原。去噪后图像PSNR值更高,视觉效果更好。     

多尺度自适应直接信息采样与重构

现有的直接信息采样(Analog-to-Information Conversion,AIC)方法在压缩感知框架下,将采集和压缩过程融合,但并未充分考虑不同稀疏成分在信号重构当中的地位。针对该不足之处,提出一种多尺度自适应直接信息采样与重构算法。该算法充分考虑小波变换后的高频信号和低频信号在重构中的不同地位,实现速率自适应的直接信息采样。同时,给出变速率采样下的信号重构策略,以解决常规重构算法在速率自适应采样时失效的问题。仿真结果表明,多尺度自适应AIC系统可以获得比传统AIC系统更好的AFSNR性能。     

民航行李X光安检图像自适应小波去噪算法

对X光安检图像进行去噪处理可以更清楚地显示出危险物。针对传统小波软硬阈值去噪方法的缺陷．给出了一种自适应阈值的去噪方法,在此方法中,首先进行软硬阈值的折中处理,然后分别对大于和小于阈值的两部分进行自适应处理。利用Tennessee大学提供的实际采集的X光安栓图像进行实验,结果表明该方法能有效地去除安检图像中的噪声,图像去噪后的信噪比、峰值信噪比分别是25．2229dB、27．708dB．与含噪图像相比分别增加了7．7253dB和7．739dB。因此该方法表现出较高的去噪性能。     

信号去噪的小波互除方法

小波变换具有良好的时频局部化性质 ,特别适合于分析和处理突变信号。本文在Mallat模极大值去噪方法的基础上 ,提出一种新的小波变换去噪方法———互除法。该方法在小波系数的影响域内计算和估计信号的真实系数 ,从而进行信号重构 ,避免了复杂的交替投影算法。与以前的一些方法比较 ,互除法在平均误差和可视化方面有很好的效果。     

基于方向可控金字塔的图像融合算法

为克服传统正交小波变换在进行图像融合时存在的不足,提出了一种基于方向可控金字塔的图像融合算法。首先对待融合图像进行方向可控金字塔分解,对分解后的低频分量采用平均和选择相结合的方法进行融合,对各方向的高频分量则使用像素绝对值选大的规则进行融合,最后对融合后的低频分量和高频分量进行方向可控金字塔重构得到融合图像。仿真试验表明算法能够得到质量较高的融合图像,同时,熵、平均梯度和空间频率等客观评价指标也较平均法和基于小波变换的图像融合算法有所提高,是一种有效的图像融合算法。     

基于复Shearlet域高斯混合模型的SAR图像去噪

 结合双树复小波的平移不变性、多分辨率性和剪切波变换的灵活可选的多方向性,提出一种新的图像表达方法——复Shearlet变换。针对合成孔径雷达(Synthetic Aperture Radar,SAR)图像的相干噪声特点,建立了复Shearlet系数域的高斯混合模型(Gaussian Mixture Model,GSM),在此基础上应用贝叶斯最小二乘法进行系数估计,最后进行复Shearlet反变换得到去噪以后的SAR图像。仿真结果和分析表明:本文提出的算法相比其他变换域去噪算法,不仅去噪后的图像的峰值信噪比(Peak Signal to Noise Ratio, PSNR)有所提高,而且去噪后的图像更平滑,且与Shearlet域高斯混合模型相比,本文算法速度快了两倍多。     

小波域的自适应波束形成算法

在分析传统自适应波束形成的基础上,首次提出了一种小波域的自适应波束形成算法。与通常的自适应波束形成算法相比,该算法利用小波变换对小波空间进行了分解,信号经小波变换自相关性会下降,收敛速度提高,同时在此分解过程中,根据信号与白噪声在不同尺度上的小波变换模极大值表现完全不同的特性进行信号的消噪。理论分析和仿真结果表明了该算法收敛速度较快,且计算量增加较少,易于实时实现,而且具有较好性能。同时仿真实验表明该算法收敛速度与小波基和尺度的选择有关,尺度越大收敛速度越快;对于同一小波基系列,小波基的正则性越好收敛速度越快。