论文部分内容阅读
图像去噪是视觉和后续分析之前不可或缺的重要步骤之一,目前对高效的图像去噪方法的研究仍然是一个关键的挑战。数字图像处理中的变分方法由于其数学简单性和去除强噪声的优点,一直受到国内外学者的关注。本文在研究全变分模型的基础上,针对现有模型中存在的问题及难点提出了新的算法。论文主要的研究内容包括:(1)针对全变分去噪模型易受到梯度影响和几何特征易丢失的缺点,提出了基于Curvelet变换的加权全变分图像去噪算法。首先,对含噪图像进行快速离散Curvelet变换,将含噪图像分成n层;然后,结合全变分模型和Han模型的优点得到加权全变分模型;进而,根据各层图像的Curvelet系数特点,分别使用加权全变分模型进行去噪操作;最后,对去噪处理后的各层图像进行重构,得到最终去噪后图像。实验结果表明,本文提出的基于Curvelet变换的加权全变分图像去噪效果优于传统的全变分去噪和非局部全变分去噪方法。(2)针对全变分去噪模型易产生阶梯效应和在不同方向上的权重参数完全相同的缺点,提出了自适应权重全变分图像去噪算法来恢复被噪声污染的图像。首先,基于结构张量和非局部均值滤波的相似性构造一种新的边缘检测器;然后,利用新的边缘检测器构造自适应范数参数;进而,通过自适应方式选取水平和垂直方向的权重参数;最后,利用非局部均值滤波修改保真项。实验结果表明,本文提出的自适应权重全变分图像去噪算法在除去噪声的同时较好地保持了图像的纹理和边缘,在主观评价和客观评价方面均有一定的提升。(3)在上述工作基础上,用Matlab实现了基于全变分的图像去噪系统。该系统集成了本文所提出的基于Curvelet变换的加权全变分图像去噪算法和自适应权重全变分图像去噪算法,以及其他较为经典的全变分去噪算法。