导读:本文包含了图像噪声估计论文开题报告文献综述及选题提纲参考文献,主要关键词:稀疏主成分分析,高斯白噪声,图像噪声估计
图像噪声估计论文文献综述
杨华[1](2019)在《基于稀疏主成分分析的图像噪声估计方法》一文中研究指出实现数字图像中噪声参数的精确估计对提高图像处理的质量有重要意义。对被高斯白噪声所污染的图像进行稀疏主成分分析时,其部分主成分的负载向量的均值与高斯白噪声标准差呈现一定的线性关系。基于此特征,本文提出了一种快速精确的图像噪声估计方法。在该方法中,通过对高斯白噪声污染图像添加多种已知标准差等级的新的高斯白噪声以产生多幅新图像,然后对每幅图像进行稀疏主成分分析,并求取多个主成分负载向量均值。最后,通过求解一个超定方程组实现图像高斯噪声标准差等级的精确估计。实验结果表明,本方法在低噪声(δ0=5)到高噪声(δ0=70)条件下均具有较高的估计精度和较强的鲁棒性,在实际工程中具有一定的实用价值。(本文来源于《液晶与显示》期刊2019年09期)
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)
孙蕾,谷德峰[3](2018)在《基于分类的高光谱遥感图像混合噪声参数估计》一文中研究指出现代高光谱遥感图像同时含有能量相当的加性噪声和乘性噪声。针对这种混合噪声,本文提出一种高光谱遥感图像噪声参数估计方法估计加性噪声和乘性噪声的标准差。参数估计前先对高光谱图像进行小波去噪的预处理,然后对去噪后的图像进行无监督分类。对每一类图像分别进行局部统计特征提取,建立关于噪声参数的线性方程组,并在最小二乘意义下求解噪声参数的估计值。该方法采用去噪后的分类技术,克服了简单分块不考虑地物分布的缺点,使得统计特征提取更加精确。仿真实验结果表明,和现有高光谱遥感图像混合噪声参数估计方法相比,本文提出的方法具有更高的估计精度。(本文来源于《第五届高分辨率对地观测学术年会论文集》期刊2018-10-17)
孙鑫,傅鹏,孙权森[4](2018)在《各向同性同质区域选取的高光谱遥感图像噪声估计方法》一文中研究指出在现有高光谱遥感图像噪声估计方法中,同质区域的选取通常是最关键的步骤,有效的同质区域选取方法能够提高图像的噪声估计精度。本文充分利用了高光谱遥感图像中丰富的空间信息和光谱信息,提出了一种各向同性同质区域选取算法,其中,为了更好地区分同质区域内像元相似度,构造了一种新的兰氏-光谱角度量;结合基于多元线性回归的去相关法,通过最优区域评估高光谱遥感图像噪声水平。利用不同结构及信噪比的模拟图像和真实高光谱遥感图像进行实验,通过与现有的多种噪声估计方法比较,验证了本文方法在针对不同噪声水平、不同复杂程度的图像时更加准确和稳定。(本文来源于《数据采集与处理》期刊2018年05期)
张承志,冯华君,徐之海,李奇,陈跃庭[5](2018)在《图像噪声方差分段估计法》一文中研究指出为了提高对较小噪声估计的准确性,提出一种图像噪声估计的新方法.该方法基于图像小波细节系数的统计特性,用分段函数进行分析处理.将原始图像进行小波变换,根据传统的Donoho方法得出噪声标准方差的初始估计值,将初始估计值根据提出的公式进行处理.实验结果表明,所提方法比传统的小波噪声估计方法更准确,特别是对于图像噪声较小(标准差小于20)和细节较多的图像.将所提方法和传统方法估计出的噪声方差分别代入小波阈值去噪方法中,所提方法去噪效果更好,能更好地保持图像细节,当噪声标准差等于10时,峰值信噪比(PSNR)至少比传统方法高0.6 dB.(本文来源于《浙江大学学报(工学版)》期刊2018年09期)
崔光茫,张克奇,徐之海,冯华君,赵巨峰[6](2018)在《基于仿射重建和噪声散点直方图的图像噪声水平估计(英文)》一文中研究指出结合信号仿射重建技术和图像噪声散点直方图,提出了一种图像噪声水平估计方法。首先,对于输入的噪声图像,采用基于分水岭的图像分割算法,将其分为若干像素均匀的图像块。采用仿射信号重建算法,实现无噪声的仿射图像信号和噪声余量图的分离和获取。从噪声余量图中计算获取各图像分块的噪声散粒点,每个散粒点表示各个图块的噪声标准差大小。随后,统计噪声散粒点直方图,进而确定最多散粒点分布的噪声强度区间。最终的图像噪声标准差估计值由该选择区间内的所有散粒点标准差均值计算得到。对比实验表明,算法能够进行准确可靠的图像噪声水平估计,对于细节和边缘丰富的图像效果优异。(本文来源于《红外与激光工程》期刊2018年S1期)
张家发[7](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[8](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)
王连利[9](2018)在《图像加性噪声类型识别与参数估计的方法研究》一文中研究指出图像在生成、传输、压缩、接收等过程中难免受到噪声的污染,噪声不仅使图像的质量受到影响,也对后续如相应滤波器的设计、图像分割、压缩、复原以及特征识别等操作有一定的影响。现有的去噪方法多种多样,但每种方法都有其相应的优势与劣势,以及相应的适用范围,更有一些去噪方法是建立在噪声大小预估计的基础上。研究表明,目前流行的去噪算法在对噪声参数估计不精的情况下,其去噪性能会大大降低。所以对噪声类型的识别以及参数大小的估计变得十分重要。针对以上问题,本文做了如下研究:一,对常见噪声分布类型模型分析并识别,包括增加噪声的类别及对识别方法的改进。首先对这些噪声建模,把这些噪声矩阵加载到灰度图像中,然后对图像中灰度等级相对一致的不连续区域分别多次采样并画出其直方图,以此识别噪声类型。本文在前人的基础上增加了瑞利噪声、伽马噪声、指数噪声等类型的识别,以及对绘制图像灰度直方图的方法进行了改进,扩大了采样区域的可选范围,可同时对同一加噪图片多个均匀不连续区域多次采样,也提高了噪声类型识别的准确度。二,通过分离对角小波中噪声系数和含有的原始图像信息系数,利用得到的较纯粹噪声系数的局部方差分布的众数来估计图像噪声参数大小。首先分析了自然图像丰富的纹理特征对小波域系数分布的影响,提出并证明了对角小波分布的局部方差的众数可以用来估计噪声参数的大小。但是对角小波系数不仅包含噪声系数,还包含原始图像的部分信息,因此又对对角小波系数中含有的部分原始图像的信息进行了估计。最后用含噪图像的对角小波系数减去估计出来的原始图像的系数,得到较为纯粹的噪声系数,求其局部方差的众数作为噪声标准差的估计值。实验表明本文方法能获得更为准确的噪声估计值,尤其是在噪声影响较小,图像细节信息较为丰富的情况下,其效果更明显。叁,最后以小波域中的几种典型去噪方法为例,分析了图像噪声类型和参数大小的估计如何在去噪方法中应用;并分析几个常见的需要阈值设置的去噪算法,在这些算法中都要提前进行噪声标准差的估计。(本文来源于《昆明理工大学》期刊2018-03-01)
乔双,吴晓阳,赵辰一,王泽琦[10](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)
图像噪声估计论文开题报告
(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。
图像噪声估计论文参考文献
[1].杨华.基于稀疏主成分分析的图像噪声估计方法[J].液晶与显示.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].孙蕾,谷德峰.基于分类的高光谱遥感图像混合噪声参数估计[C].第五届高分辨率对地观测学术年会论文集.2018
[4].孙鑫,傅鹏,孙权森.各向同性同质区域选取的高光谱遥感图像噪声估计方法[J].数据采集与处理.2018
[5].张承志,冯华君,徐之海,李奇,陈跃庭.图像噪声方差分段估计法[J].浙江大学学报(工学版).2018
[6].崔光茫,张克奇,徐之海,冯华君,赵巨峰.基于仿射重建和噪声散点直方图的图像噪声水平估计(英文)[J].红外与激光工程.2018
[7].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
[8].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
[9].王连利.图像加性噪声类型识别与参数估计的方法研究[D].昆明理工大学.2018
[10].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