导读:本文包含了图像去噪声论文开题报告文献综述及选题提纲参考文献，主要关键词:图像复原,去噪模型,EPLL,稀疏先验
图像去噪声论文文献综述
张含含[1]（2019）在《基于Sparse Prior的模糊图像去噪声》一文中研究指出高质量的数字图像是图像深度应用的基本前提,但是在图像实际获取还有图像信号传输的过程中,由于成像设备的缺陷、大气能见度低、目标对象与成像设备之间的相对运动、拍摄者操作抖动、传输介质不完善等因素影响,最终呈现出的数字图像会存在像素模糊、质量退化、信息丢失等问题。将存在质量问题的模糊数字图像应用到图像识别或深度学习等领域,图像中的噪声像素与正确像素之间相互干扰,将会导致应用效率低下,进而带来不可预估的经济损失与重大灾害。因此如何将图像学与数学进行深度融合,优化图像去噪复原算法,有效降低噪声对原始图像的干扰,提高模糊图像的质量,不仅对推动模糊图像去噪复原技术的升级发展具有理论与实践价值,还能推动不同行业、不同学科、不同领域的各自进步与相互交融。本文首先对模糊图像去噪复原中涉及到的相关理论与常见方法进行详细阐述,包括图像退化模型机制、去噪模型、模糊图像的成因与分类、图像去噪复原技术中的先验知识,为本文后续算法的设计与研究奠定理论与方法基础。其次,通过对EPLL框架的内在机理与数学模型、稀疏编码噪声模型、图像稀疏表示等分别进行研究,提出基于稀疏先验的EPLL图像去噪算法,设计稀疏编码噪声模型与EPLL框架的结合、稀疏字典训练、图像块去噪复原权重计算等算法环节,将这些作为本文的重要创新点,为本文的实验研究提供方法支撑。最后将本文所提方法与当前流行的基于稀疏字典K-SVD的图像表示与去噪方法、基于EPLL框架与高斯混合模型的模糊图像去噪复原算法以及叁维块匹配(BM3D)图像去噪算法进行对比;与Krishnan提出的算法和EPLL-GMM算法进行图片去模糊的对比。从定性与定量两个角度验证本文所提基于EPLL框架与稀疏先验的模糊图像去噪复原算法的有效性。研究结果发现,本文提出的基于稀疏先验的EPLL图像去噪复原算法无论是在目视观察定性分析层面,还是在峰值信噪比、结构相似度等定量指标评估上都略优于文中所提出的其他流行的图像去噪复原算法。(本文来源于《山东工商学院》期刊2019-06-10）
吴晓阳[2]（2019）在《噪声强度估计及其在中子图像去噪中的应用研究》一文中研究指出中子成像技术是一种重要的无损检测技术,通过图像直观地展示被测物体的内部结构,广泛应用于国防、医学等诸多领域。然而,对于低注量率的小型中子成像系统所成的中子图像,在成像、传输和存储过程中不可避免地受到各种噪声干扰,产生含噪、模糊等降质现象,严重影响后续的图像处理工作和检测效率。加性高斯白噪声是其中最常见的一种噪声类型。目前,很多性能良好的去噪方法,如叁维块匹配滤波(BM3D)、非局部均值(NLM)等,在去噪过程中通常假设噪声强度是已知的,且其去噪性能很大程度上依赖于噪声强度,但在实际场景中噪声强度往往是未知的,需要对其进行估计。因此,展开合理有效的噪声强度估计方法研究,并应用于中子图像去噪,实现良好的去噪效果是极为重要的研究课题。噪声强度在具有低对比度特点的降质中子图像中并不易于估计。现有的噪声估计方法仅适用于某些特定的图像,在应用于中子图像时会产生低估计问题,与去噪方法结合得到的去噪效果并不理想。针对这一情况,本文提出两种不同的噪声强度估计方法,并结合经典的BM3D实现图像去噪。为解决低估计问题,更好地保留图像纹理等细节信息,本文提出一种新的基于主成分分析(PCA)和BM3D的噪声强度估计方法,简称为PCA-BM3D。在该方法中,引入残差图像作为噪声图像,基于PCA得到的残差图像的最大特征值用于噪声强度的预估计,避免了低估计问题。再结合BM3D进行预去噪以保留图像细节。通过迭代过程,逐步减少残差图像中的图像信息,使残差图像的特征值最小化,根据停止准则,最终得到准确的噪声强度估计值和较好的去噪效果。为提高处理速度,解决现有的估计方法无法有效选取中子图像弱纹理区域的问题,提出另一种基于结构张量(Structure Tensor)和残差图像(Residual image)的噪声强度估计方法,简称为ST-R方法。首先,基于图像结构的均匀性和结构张量快速地完成弱纹理区域的预选取和精确选取并标识,降低了计算复杂度。然后,为避免图像信息对噪声估计产生影响,利用相应区域残差图像的所有特征值估计噪声强度,保证了估计精度,并结合BM3D得到较好的去噪效果。实验结果表明,对比已有的方法,本文两种方法能够快速有效地估计噪声强度,结合图像去噪方法不仅在视觉感受和PSNR客观评价指标上均取得满意的去噪效果,还具有普遍适用性和良好的稳定性。这对提高中子成像技术的实用性和可靠性具有重要意义,为小型化中子成像设备的发展提供了可行性支持。(本文来源于《东北师范大学》期刊2019-05-01）
汤成,许建龙,周志光[3]（2019）在《改进的曲率滤波强噪声图像去噪方法》一文中研究指出目的医学影像获取和视频监控过程中会出现一些恶劣环境,导致图像有许多强噪声斑点,质量较差。在处理强噪声图像时,传统的基于变分模型的算法,因需要计算高阶偏微分方程,计算复杂且收敛较慢;而隐式使用图像曲率信息的曲率滤波模型,在处理强噪声图像时,又存在去噪不完全的缺陷。为了克服这些缺陷,在保持图像边缘和细节特征的同时去除图像的强噪声,实现快速去噪,提出了一种改进的曲率滤波算法。方法本文算法在隐式计算曲率时,通过半窗叁角切平面和最小叁角切平面的组合,用投影算子代替传统曲率滤波的最小叁角切平面投影算子,并根据强噪声图像存在强噪声斑点的特征,修正正则能量函数,增添局部方差的正则能量,使得正则项的约束更加合理,提高了算法的去噪性能,从而达到增强去噪能力和保护图像边缘与细节的目的。结果针对多种不同强度的混合噪声图像对本文算法性能进行测试,并与传统的基于变分法的去噪算法(ROF)和曲率滤波去噪等算法进行去噪效果对比,同时使用峰值信噪比(PSNR)和结构相似性(SSIM)作为滤波算法性能的客观评价指标。本文算法在对强噪声图像去噪处理时,能够有效地保持图像的边缘和细节特征,具备较好的PSNR和SSIM,在PSNR上比ROF模型和曲率滤波算法分别平均提高1. 67 d B和2. 93 d B,SSIM分别平均提高0. 29和0. 26。由于采用了隐式计算图像曲率,算法的处理速度与曲率滤波算法相近。结论根据强噪声图像噪声特征对曲率滤波算法进行优化,改进投影算子和能量函数正则项,使得曲率滤波算法能够更好地适用于强噪声图像,实验结果表明,该方法与传统的变分法相比,对强噪声图像去噪效果显着。(本文来源于《中国图象图形学报》期刊2019年03期）
王文豪,严云洋,姜明新,高尚兵,于永涛[4]（2019）在《基于噪声检测和动态窗口的图像去噪算法》一文中研究指出针对中值滤波算法在去除脉冲噪声时易造成图像细节丢失的问题,提出了一种基于噪声检测和动态窗口的自适应滤波方法。首先借鉴BDND方法,将图像的像素初分成信号点和疑似噪声点,以减少需要处理的像素点;然后设计一种窗口自适应的噪声检测方法对疑似噪声点进一步检测,判断其是真噪声点还是细节点,以加强图像细节信息的保护;最后通过改进的自适应中值滤波器滤除检测出的噪声,并融入窗口自适应控制,窗口的大小可以根据噪声情况自适应地调整,在去除噪声的同时尽可能地保护图像细节。实验表明,该算法在噪声处理和细节保护上要优于其他典型算法,能有效地提高图像的峰值信噪比,对于高密度噪声的图像,也可以获得较好的去噪效果。(本文来源于《图学学报》期刊2019年01期）
王治,潘振宽,王国栋,魏伟波[5]（2019）在《噪声抑制的单幅图像去雾变分模型》一文中研究指出为了可以同时去除雾霾图像中的雾和噪声,提出了一个面向噪声抑制的单幅图像去雾变分模型。首先通过暗通道先验方法估算出雾霾图像的折射率,再结合非线性扩散规则项和CTV(Color Total Variation)模型规则项对带有噪声的雾霾图像进行处理。为了提高模型的计算效率,为模型设计了相应的Split Bregman算法,并对模型进行了去雾去噪效果,边缘保持效果和运行时间的对比实验。结果显示此变分模型相比传统的去雾方法不仅可以去雾,而且可以去除图像中的噪声。可以有效地同时去除雾霾图像中的雾和噪声,并且有良好的边缘保持效果。使得恢复出的图像能保留更多信息,对比度更强。(本文来源于《计算机仿真》期刊2019年02期）
张家发[6]（2018）在《噪声估计算法在侧扫声呐图像去噪中的应用研究》一文中研究指出随着我国建设海洋强国战略的实施,各项海洋工程和科学研究被广泛展开,对海底地貌信息的需求急剧提高。侧扫声呐以作用距离远,覆盖范围广、穿透能力强、采集数据量大等优点被广泛应用于海底探测领域。但是侧扫声呐工作环境复杂多变,受到多种噪声的影响,造成侧扫声呐图像斑点噪声严重,图像信息丢失或者解译困难。因此,侧扫声呐图像去噪对获取更有效的海底探测信息具有重要意义,是各项后续图像处理的基础。现有的图像去噪算法大多是基于光学图像去噪,而侧扫声呐图像的噪声类型为乘性噪声,与一般光学图像的加性噪声不同,并且侧扫声呐图像的图像特征与光学图像也有很大区别,因此多数光学图像去噪算法并不能直接应用于侧扫声呐图像。侧扫声呐图像一般存在高亮度的迎波面和低亮度的背波面,而现有去噪算法缺少对侧扫声呐图像特征和噪声类型的针对性分析,没有顾及侧扫声呐图像信号与噪声的耦合作用产生的噪声溢出现象,具有一定的局限性。本文就侧扫声呐图像去噪和噪声估计展开研究,主要工作内容和贡献如下:(1)系统论述了侧扫声呐图像去噪研究的意义。介绍了侧扫声呐系统的测量原理和系统组成,分析侧扫声呐图像的噪声来源,根据其噪声特性给出了侧扫声呐图像的噪声模型;对国内外现有图像去噪算法进行了较为详细的介绍,并介绍了去噪算法中噪声水平估计的计算方法,简单介绍了噪声估计算法的国内外研究现状,总结和指出了现有去噪算法应用在侧扫声呐图像存在的不足。(2)进行了侧扫声呐图像噪声溢出现象研究。基于侧扫声呐图像噪声类型和图像特征,指出了侧扫声呐图像与噪声之间的耦合作用,指出了侧扫声呐图像灰度值在噪声影响下溢出灰度级范围的现象,分析了这种溢出现象对噪声估计和去噪带来的不利影响。(3)基于侧扫声呐变换图像提出了基于弱纹理块的噪声方差估计算法,并根据计算得到的噪声方差改进了BM3D去噪算法。基于侧扫声呐图像噪声特征和噪声溢出现象,在变换图像的基础上,通过弱纹理块的阈值与纹理块方差的迭代计算,选取噪声影响下灰度值未溢出的图像块进行噪声估计,并将计算结果应用于BM3D去噪阈值的选取,改进了BM3D去噪算法。基于改进BM3D去噪算法进行了模拟图像和实际侧扫声呐图像去噪实验,实验结果表明:在高亮区域本文算法去噪效果优秀,纹理得到恢复;在低亮度区域,本文算法去噪效果明显优于其他算法,处理灰度值溢出问题上具有明显优势。(4)基于侧扫声呐图像提出了基于迭代计算的变异系数噪声估计算法,并根据计算得到的变异系数改进了BM3D去噪算法。以侧扫声呐图像的乘性噪声为研究背景,通过图像块的变异系数剔除受噪声溢出现象影响的图像块,根据图像块变异系数控制图像块的选取,并将噪声估计结果作为BM3D去噪算法阈值的参数,改进了BM3D去噪算法。基于改进BM3D去噪算法进行了模拟图像和实际侧扫声呐图像去噪实验,实验结果表明:采用迭代结算的变异系数噪声估计算法能去除噪声溢出现象的影响,对噪声分布具有良好的代表性,噪声估计结果更准确;基于变异系数的BM3D算法去噪性能优于其他两种算法,细节信息保持较好。(本文来源于《国家海洋局第一海洋研究所》期刊2018-04-01）
张家发,周兴华,赵洪臣,唐秋华[7]（2018）在《基于弱纹理块的噪声估计方法在侧扫声呐图像去噪中的应用》一文中研究指出侧扫声呐图像受混响效应影响导致侧扫声呐图像斑点噪声强,边缘模糊,纹理较弱,严重时还会掩盖海底地貌。噪声方差是许多侧扫声呐图像变换域去噪算法的必要参数。指出了侧扫声呐图像在乘性噪声的影响下灰度值溢出的问题,并且以侧扫声呐图像中乘性噪声为背景,考虑灰度值范围对乘性噪声的抑制作用,提出了一种基于弱纹理块的噪声估计方法。算法主要根据噪声的散射模型,将侧扫声呐图像经过幂变换和对数变换,将服从瑞利分布的乘性斑点噪声变换为高斯白噪声,基于变换图像的梯度协方差矩阵和弱纹理块的动态选择,以迭代的方式确定噪声方差。实验结果表明:该算法能够去除灰度值溢出现象对噪声估计的影响,在高亮区域及背景区域的噪声估计结果稳定准确。(本文来源于《海岸工程》期刊2018年01期）
申远,李瑶[8]（2018）在《一种求解带有冲击噪声的图像去模糊去噪问题的变步长分裂Bregman算法》一文中研究指出分裂Bregman算法是一种有效的求解L1正则化问题的算法,Chen等人结合线性化、变步长、非单调等技术,改进了固定步长的分裂Bregman算法,提出了变步长分裂Bregman算法(BOSVS),并将该算法用于求解带有高斯噪声的图像去模糊去噪问题,其数值实验结果令人满意.但是它不能求解带有冲击噪声的图像去模糊去噪问题,我们在BOSVS算法基础上,提出了一种新的变步长分裂Bregman算法,用于求解带有冲击噪声的图像去模糊去噪问题.该算法一方面保留了BOSVS算法的线性化、变步长、非单调等特点;另一方面通过在原模型目标函数上增加一个L1正则项,使得模型不仅可以处理高斯噪声,还可以处理冲击噪声,因而适用范围比BOSVS算法更为广泛.初步数值实验结果表明,新算法得到结果的质量明显优于FTVd,且计算时间、算法效率也较有竞争力.(本文来源于《数值计算与计算机应用》期刊2018年01期）
乔双,吴晓阳,赵辰一,王泽琦[9]（2018）在《基于PCA和BM3D的噪声估计方法及其在中子图像去噪中的应用》一文中研究指出针对中子图像的去噪问题,本文提出了一种弱化残差图像特征值的噪声估计方法。该方法将残差图像作为噪声图像,利用主成分分析(PCA)分析了残差图像特征值,估计了噪声强度。根据噪声强度,应用叁维块匹配方法(BM3D)去除了噪声,逐步弱化残差图像特征值,得到了最终噪声估计值。实验结果表明,该方法能估计模拟噪声图像和实际含噪中子图像的高斯噪声,计算效率高,可实现较好的去噪复原效果。(本文来源于《原子能科学技术》期刊2018年04期）
李瑶[10]（2018）在《一种求解带有冲击噪声的图像去模糊去噪问题的变步长分裂Bregman算法及应用》一文中研究指出在大数据背景下,源于工程、信息、生物等很多应用问题中,所求模型可以被归纳为等式约束优化问题.由于目标函数可能非光滑、问题规模又往往特别巨大,传统的内点算法等往往不适合,这些问题使得用分裂Bregman等一阶算法求解更为适合,该算法利用目标函数关于两块变量的可分性,把一个规模较大的子问题转化为两个规模较小的子问题求解,简化了子问题的计算.由于应用问题的重要价值,近十几年,学者们提出了一系列改进算法,其中变步长分裂Bregman算法(BOSVS)结合线性化、变步长、非单调等技术显着加快了经典分裂Bregman算法的收敛速度,并将其应用于带有高斯噪声的图像去模糊去噪问题上,被证实是一种有效的求解图像去模糊去噪问题的算法.但是该算法只能处理高斯噪声,无法处理冲击噪声.本文在BOSVS算法的基础之上,提出了一种新的变步长分裂Bregman算法,用于求解带有冲击噪声的图像去模糊去噪问题.该算法一方面保留了BOSVS算法的线性化、变步长、非单调等特点;另一方面通过在原模型目标函数上增加一个L1正则项,使得模型不仅可以处理高斯噪声,还可以处理冲击噪声,并且在一定的假设条件下,我们证明了新算法的收敛性,因而其适用范围比BOSVS算法更为广泛.本文具体研究内容安排如下:第一章,是绪论部分,主要介绍了研究背景及意义,求解TV模型的算法的国内外研究现状等.第二章,介绍了Bregman距离、Bregman迭代及其收敛性的理论知识.第叁章,介绍了分裂Bregman算法及其收敛性的理论知识,以及与增广拉格朗日方法的联系.第四章,介绍了变步长分裂Bregman算法.第五章,介绍了本文的研究成果,即设计了新的带有冲击噪声的模型,提出了新的变步长分裂Bregman算法,并分析了其收敛性.第六章,数值实验,将新算法应用到图像去模糊去噪问题上验证其计算效率.第七章,对本文的研究进行总结和展望.(本文来源于《南京财经大学》期刊2018-01-01）
图像去噪声论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
中子成像技术是一种重要的无损检测技术,通过图像直观地展示被测物体的内部结构,广泛应用于国防、医学等诸多领域。然而,对于低注量率的小型中子成像系统所成的中子图像,在成像、传输和存储过程中不可避免地受到各种噪声干扰,产生含噪、模糊等降质现象,严重影响后续的图像处理工作和检测效率。加性高斯白噪声是其中最常见的一种噪声类型。目前,很多性能良好的去噪方法,如叁维块匹配滤波(BM3D)、非局部均值(NLM)等,在去噪过程中通常假设噪声强度是已知的,且其去噪性能很大程度上依赖于噪声强度,但在实际场景中噪声强度往往是未知的,需要对其进行估计。因此,展开合理有效的噪声强度估计方法研究,并应用于中子图像去噪,实现良好的去噪效果是极为重要的研究课题。噪声强度在具有低对比度特点的降质中子图像中并不易于估计。现有的噪声估计方法仅适用于某些特定的图像,在应用于中子图像时会产生低估计问题,与去噪方法结合得到的去噪效果并不理想。针对这一情况,本文提出两种不同的噪声强度估计方法,并结合经典的BM3D实现图像去噪。为解决低估计问题,更好地保留图像纹理等细节信息,本文提出一种新的基于主成分分析(PCA)和BM3D的噪声强度估计方法,简称为PCA-BM3D。在该方法中,引入残差图像作为噪声图像,基于PCA得到的残差图像的最大特征值用于噪声强度的预估计,避免了低估计问题。再结合BM3D进行预去噪以保留图像细节。通过迭代过程,逐步减少残差图像中的图像信息,使残差图像的特征值最小化,根据停止准则,最终得到准确的噪声强度估计值和较好的去噪效果。为提高处理速度,解决现有的估计方法无法有效选取中子图像弱纹理区域的问题,提出另一种基于结构张量(Structure Tensor)和残差图像(Residual image)的噪声强度估计方法,简称为ST-R方法。首先,基于图像结构的均匀性和结构张量快速地完成弱纹理区域的预选取和精确选取并标识,降低了计算复杂度。然后,为避免图像信息对噪声估计产生影响,利用相应区域残差图像的所有特征值估计噪声强度,保证了估计精度,并结合BM3D得到较好的去噪效果。实验结果表明,对比已有的方法,本文两种方法能够快速有效地估计噪声强度,结合图像去噪方法不仅在视觉感受和PSNR客观评价指标上均取得满意的去噪效果,还具有普遍适用性和良好的稳定性。这对提高中子成像技术的实用性和可靠性具有重要意义,为小型化中子成像设备的发展提供了可行性支持。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
图像去噪声论文参考文献
[1].张含含.基于SparsePrior的模糊图像去噪声[D].山东工商学院.2019
[2].吴晓阳.噪声强度估计及其在中子图像去噪中的应用研究[D].东北师范大学.2019
[3].汤成,许建龙,周志光.改进的曲率滤波强噪声图像去噪方法[J].中国图象图形学报.2019
[4].王文豪,严云洋,姜明新,高尚兵,于永涛.基于噪声检测和动态窗口的图像去噪算法[J].图学学报.2019
[5].王治,潘振宽,王国栋,魏伟波.噪声抑制的单幅图像去雾变分模型[J].计算机仿真.2019
[6].张家发.噪声估计算法在侧扫声呐图像去噪中的应用研究[D].国家海洋局第一海洋研究所.2018
[7].张家发,周兴华,赵洪臣,唐秋华.基于弱纹理块的噪声估计方法在侧扫声呐图像去噪中的应用[J].海岸工程.2018
[8].申远,李瑶.一种求解带有冲击噪声的图像去模糊去噪问题的变步长分裂Bregman算法[J].数值计算与计算机应用.2018
[9].乔双,吴晓阳,赵辰一,王泽琦.基于PCA和BM3D的噪声估计方法及其在中子图像去噪中的应用[J].原子能科学技术.2018
[10].李瑶.一种求解带有冲击噪声的图像去模糊去噪问题的变步长分裂Bregman算法及应用[D].南京财经大学.2018