分水岭与广义非局部平均结合的小波图像去噪新方法

"基于分水岭和广义非局部平均的小波去噪 (2011年) - 非局部平均滤波去噪方法与小波域去噪方法的结合，旨在在去除噪声的同时保留图像细节。通过分水岭分割、多维度小波分解、广义高斯模型构建及非局部平均滤波实现图像去噪。" 本文介绍了一种创新的小波去噪方法，该方法结合了分水岭分割和广义非局部平均滤波技术，以提高图像去噪的效果并尽可能地保留图像细节。传统的非局部平均滤波器在去噪过程中可能会丢失图像的精细结构，而基于广义非局部平均的小波域去噪也存在类似问题。为了解决这些问题，作者提出了一个综合的解决方案。 首先，对于含有噪声的图像，利用梯度信息进行分水岭分割。分水岭算法是一种图像分割技术，它基于图像的地形比喻，将图像看作是地形表面，通过找到“分水岭”线来划分不同的区域。保留分水岭脊线有助于保护图像的重要特征，如边缘和轮廓。 接着，对分割后的图像进行多维度小波分解，分解成不同层次的系数。在每个层次上，通过对系数的统计分析，估计出尺度系数和形状系数，从而构建一个广义高斯模型。这个模型可以更精确地描述图像各部分的统计特性。 然后，在水平、垂直和对角线三个方向上，针对每个细节子带信息，应用基于广义高斯模型的非局部平均滤波。非局部平均滤波是一种自适应滤波方法，它考虑了图像局部区域内的相似性，通过比较和融合相似像素块的信息来降低噪声影响，同时保持图像的结构完整性。 最后，使用含噪图像中与分水岭脊线对应的像素点来替换小波重构后图像的对应像素点。这种方法可以确保重要的图像特征在去噪后得到保留。 通过实验对比，该方法相比于基于广义非局部平均的小波分析去噪法，能在视觉效果和去噪性能上取得更好的结果。这种方法的创新之处在于将分水岭分割引入到小波去噪中，既利用了小波变换对图像信号的多分辨率分析能力，又结合了非局部平均滤波的自适应特性，从而在去除噪声的同时，有效地保护了图像的细节信息。 该研究提供了一个新的图像去噪策略，对于图像处理领域，特别是对需要在噪声环境中保持图像清晰度的应用，如医学影像分析、遥感图像处理等，具有重要的理论和实践价值。