几种图像去噪算法的对比分析

图像去噪作为一种重要的预处理手段,一直以来都是图像处理和计算机视觉领域的研究热点。去噪算法的难点在于去除噪声的同时尽可能保持原始信息的完整性。本文主要研究TV,BLS-GSM,NLM以及BM3D四种经典去噪算法的基本原理,并用模拟数据验证分析四种算法在图像去噪中的性能,实验证明,四种算法均能在保留图像细节的前提下很好的去除噪声,其中,BM3D算法在保证去噪质量的同时效率最高。     

一种改进的去噪阈值混合滤波算法

中值滤波和均值滤波通常被分别用来处理脉冲噪声和高斯噪声,但当图像同时存在高斯噪声和脉冲噪声时,单独用任何一种滤波方法都不能达到最好的去噪效果。针对这一问题,本文提出了一种改进的基于去噪阈值的图像混合滤波算法,可以更有效地减少噪声,又可以较好地保持图像的边缘细节信息。     

一种遥感影像Min/max流去噪方法的研究

提出一种曲面Min/max流去噪方法,利用图像曲面曲率代替经典方法曲线曲率并修改开关机制,增强对复杂噪声环境的适应性,同时加入梯度权控制边缘曲面演化速度,在噪声压制的同时尽量保持边缘。实验表明,该方法能够在去除噪声的同时保持比较清晰的图像边缘。     

形态学重度污染文本图像去噪处理

为处理扫描与复印图像产生的重度污染噪声,对噪声与文本信息的形态差异进行研究。利用灰度形态学原理,构建四方向形态学结构元素模版去除复杂的背影噪声,保留具有明显方向性的文字信息。针对噪声与文字在图像局部梯度上的特点,引入局部结构张量信息构造动态尺度的形态学结构元素,在可能的噪声区域采用较大尺度结构元素较好地滤除噪声,在可能含有文字的区域采用较小的结构元素以完整地保留易丢失的文字笔划与标点。最后利用灰度形态学重建恢复原始的文本内容,得到只含文本信息的图像。     

基于边缘检测的优化算法的小波阈值图像去噪

目前,小波阈值去噪方法简单有效,已成为图像去噪领域中常用的去噪方法.但传统的小波阈值去噪方法存在一些缺点,在去除图像噪声的过程中会出现去噪不彻底、噪声残留和噪声误判的问题.本文首先利用小波边缘检测算法确定图像边缘特征的小波系数;然后,根据噪声的方差设置优化阈值函数去噪,即在以往统一阈值基础上加以修改,使阈值能随着分解尺度的变化而改变,对传统的软闽值和硬阈值的优点予以保留,改进它们的缺点,生成一种新的阈值函数,使它在处理小波系数时更加灵活.经过优化的小波阈值去噪后得到平滑图像;最后,把小波边缘检测图像镶嵌入平滑图像中.实验表明,与传统的小波阈值去噪方法相比,该算法解决了传统阈值函数在去噪过程中出现的问题,进行有效去噪的同时保留图像的细节,使图像更加清晰,提高了信噪比.     

SAR图像中目标的检测和识别研究进展

SAR图像以其独有的全天时、全天候观测能力、形态探测能力和对地表的穿透性,在地学应用中比光学遥感更具优势.本文结合SAR图像检测和识别应用技术的发展过程,综述了SAR图像在噪声抑制、线状特征和纹理特征提取、图像分割和目标检测等方面的研究进展;介绍SAR图像检测和识别的最新研究情况;最后分析当今国内外SAR图像检测和识别所面临的问题,并对未来发展进行展望.     

基于边缘检测的小波阈值图像去噪

小波图像去噪是小波应用较成功的一个方面,其中小波阈值法图像去噪算法简单、计算量小,得到了广泛的应用。在小波阈值去噪的基础上,提出了基于边缘检测的小波阈值图像去噪算法,把高频中的边缘细节与噪声更好地分离开,在主观和客观上去噪效果都比单纯的阈值去噪有所改进。     

SAR图像斑点噪声抑制方法比较分析

合成孔径雷达图像固有的相干斑噪声严重降低了图像的可解译程度,影响了后续目标检测、分类和识别等的应用。本文对SAR图像的相干斑抑制问题进行了分析,总结了目前已有的相干斑抑制算法的主要思路,介绍了具有代表性的算法,并对这些方法进行比较分析,得出单个滤波器很难从去噪和边缘保持方面均达到最佳的结论。     

结合NSCT和KPCA的高光谱遥感图像去噪

针对高光谱遥感图像易受噪声干扰,本文提出了一种基于非下采样Contourlet变换NSCT(Nonsubsampled Contourlet Transform)和核主成分分析KPCA(Kernel Principal Component Analysis)的去噪方法。首先对高光谱各波段图像进行NSCT分解;然后利用KPCA对NSCT系数进行处理,并在KPCA重构时依据各类噪声的特性选取合适的主成分;最后用处理过的系数进行逆变换得到去噪图像。实验结果表明,本文方法抑制了高光谱遥感图像中的噪声干扰,较完整地保留了原始数据的有效信息。     

基于提升格式小波包变换的SAR图像去噪

基于信号和噪声在提升格式小波分解中呈现出的不同特性，提出了一种新的小波包去噪算法。该算法采用提升格式小波对SAR图像进行最优小波包分解，并计算每个子频带的能量范数，然后根据软阈值法和能量范数区分信号和噪声，达到去除噪声的目的。试验结果表明，该算法对SAR图像具有较好的去噪效果，不仅可以去除图像中的大部分噪声，而且可以较好地保留图像纹理的细节信息。与传统小波包算法相比，其计算速度快了一倍左右。