本文關(guān)鍵詞：基于偏微分方程圖像降噪算法的研究與分析

  更多相關(guān)文章： 圖像降噪 偏微分方程 差分曲率 絕對(duì)差值排序 片相似性

【摘要】：隨著數(shù)字化和信息化的迅猛發(fā)展,數(shù)字圖像成了獲取信息的重要來(lái)源。而在工程實(shí)踐中,由于設(shè)備的不完善和外部環(huán)境的不可控,圖像在采集、傳輸和存儲(chǔ)的過(guò)程中都難以避免的受到噪聲的干擾。噪聲干擾會(huì)使圖像模糊,感興趣目標(biāo)難以識(shí)別,從而嚴(yán)重影響圖像的后續(xù)處理和分析,所以圖像降噪在圖像處理領(lǐng)域顯得尤為重要。然而傳統(tǒng)的圖像降噪算法在濾除圖像噪聲的同時(shí),也會(huì)使圖像的結(jié)構(gòu)發(fā)生模糊,這也是圖像降噪算法存在的難題,即如何權(quán)衡圖像去噪和細(xì)節(jié)保留之間的矛盾。基于偏微分方程的圖像降噪算法,可以根據(jù)圖像的結(jié)構(gòu)特征,采取與之相適應(yīng)的平滑策略,取得較為滿(mǎn)意的圖像降噪效果。本文對(duì)基于偏微分方程的圖像降噪算法進(jìn)行了研究與分析,論文的主要工作如下:1.Chao-Tsai模型利用圖像中的梯度和灰度方差進(jìn)行邊緣檢測(cè),改善了各向異性擴(kuò)散模型。而差分曲率算子能夠比灰度方差更好地區(qū)分圖像中的弱邊緣和噪聲,因此,本文將邊緣檢測(cè)效果更好的差分曲率算子替代灰度方差,構(gòu)造出新的自適應(yīng)擴(kuò)散系數(shù)函數(shù),提出新的降噪模型,并通過(guò)實(shí)驗(yàn)驗(yàn)證了所提算法降噪效果的優(yōu)越性。2.本文對(duì)各向異性擴(kuò)散模型的擴(kuò)散機(jī)理進(jìn)行分析研究,針對(duì)Chao-Tsai模型處理后的圖像中存在噪聲點(diǎn)的問(wèn)題,充分利用絕對(duì)差值排序算子可以較好地區(qū)分圖像中的弱邊緣和噪聲點(diǎn)的優(yōu)勢(shì),將該算子引入到Chao-Tsai模型中,提出了基于絕對(duì)差值排序的偏微分圖像降噪模型。實(shí)驗(yàn)結(jié)果表明,與經(jīng)典降噪模型相比,新模型處理后的圖像更清晰,去噪效果更好,且新模型可以有效的處理椒鹽噪聲和高斯噪聲的混合噪聲,具有較強(qiáng)的適用性。3.由于大多數(shù)偏微分方程降噪算法,僅僅將中心像素與圖像中單個(gè)像素的灰度值進(jìn)行比較,存在一定的片面性。所以,本文在基于變指數(shù)的各向異性擴(kuò)散模型的基礎(chǔ)上,引入片相似性的思想,提出新的降噪模型。新模型不僅可以在圖像不同的區(qū)域,自適應(yīng)選擇與圖像特點(diǎn)相適應(yīng)的降噪算法,而且可以充分利用圖像片中像素的信息對(duì)圖像進(jìn)行平滑處理,使其降噪效果明顯提高。4.利用MATLAB對(duì)提出的三種偏微分方程降噪算法進(jìn)行實(shí)驗(yàn)驗(yàn)證,并采用主觀評(píng)價(jià)方法和客觀評(píng)價(jià)方法,分別對(duì)實(shí)驗(yàn)獲得的降噪圖像進(jìn)行對(duì)比分析。視覺(jué)效果和客觀評(píng)價(jià)參數(shù)均表明,本文提出的三種改進(jìn)算法具有較好的去噪效果,并且具有較高的實(shí)際應(yīng)用價(jià)值。
【關(guān)鍵詞】：圖像降噪 偏微分方程 差分曲率 絕對(duì)差值排序 片相似性
【學(xué)位授予單位】：中北大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2016
【分類(lèi)號(hào)】：TP391.41
【目錄】：

• 摘要4-6
• Abstract6-10
• 第一章 緒論10-15
• 1.1 研究背景與意義10-11
• 1.2 國(guó)內(nèi)外偏微分降噪的研究現(xiàn)狀11-13
• 1.3 論文的結(jié)構(gòu)安排13-15
• 第二章 偏微分圖像降噪算法的理論基礎(chǔ)15-26
• 2.1 噪聲圖像的數(shù)學(xué)模型15-17
• 2.2 偏微分圖像降噪算法的數(shù)學(xué)基礎(chǔ)17-21
• 2.2.1 能量泛函的求解17-20
• 2.2.2 偏微分方程的數(shù)值解法20-21
• 2.3 圖像質(zhì)量評(píng)價(jià)標(biāo)準(zhǔn)21-25
• 2.3.1 主觀評(píng)價(jià)標(biāo)準(zhǔn)22-23
• 2.3.2 客觀評(píng)價(jià)標(biāo)準(zhǔn)23-24
• 2.3.3 主觀和客觀評(píng)價(jià)的優(yōu)缺點(diǎn)24-25
• 2.4 本章小結(jié)25-26
• 第三章 偏微分方程圖像降噪的經(jīng)典模型26-41
• 3.1 Perona-Malik模型26-29
• 3.2 TV模型29-30
• 3.3 混合模型30-35
• 3.4 四階PDE降噪模型35-40
• 3.4.1 經(jīng)典四階PDE降噪模型35-37
• 3.4.2 改進(jìn)四階PDE降噪模型37-40
• 3.5 本章小結(jié)40-41
• 第四章 改進(jìn)的Chao-Tsai模型41-60
• 4.1 基于差分曲率的偏微分方程圖像降噪模型41-53
• 4.1.1 Chao-Tsai模型41-43
• 4.1.2 差分曲率算子43-45
• 4.1.3 改進(jìn)的模型45-47
• 4.1.4 參數(shù)對(duì)實(shí)驗(yàn)結(jié)果的影響47-48
• 4.1.5 實(shí)驗(yàn)結(jié)果與分析48-53
• 4.2 基于絕對(duì)差值排序的偏微分方程圖像降噪模型53-59
• 4.2.1 絕對(duì)差值排序算子53-55
• 4.2.2 改進(jìn)的模型55-56
• 4.2.3 實(shí)驗(yàn)結(jié)果與分析56-59
• 4.3 本章小結(jié)59-60
• 第五章 基于片相似的變指數(shù)偏微分方程圖像降噪模型60-72
• 5.1 基于變指數(shù)的偏微分圖像降噪模型60-62
• 5.2 片相似性的定義62-63
• 5.3 改進(jìn)的模型63-66
• 5.3.1 模型的提出63-64
• 5.3.2 模型的離散化與數(shù)值化64-66
• 5.3.3 模型的實(shí)現(xiàn)步驟66
• 5.4 實(shí)驗(yàn)結(jié)果與分析66-71
• 5.5 本章小結(jié)71-72
• 第六章 工作總結(jié)與展望72-74
• 6.1 工作總結(jié)72-73
• 6.2 展望73-74
• 參考文獻(xiàn)74-80
• 攻讀碩士期間發(fā)表的論文80-81
• 致謝81-82

【參考文獻(xiàn)】

中國(guó)期刊全文數(shù)據(jù)庫(kù) 前8條

1 董嬋嬋;張權(quán);郝慧艷;張芳;劉yN;孫未雅;桂志國(guó);;基于差分曲率的偏微分方程圖像降噪算法[J];計(jì)算機(jī)工程與設(shè)計(jì);2015年07期

2 董嬋嬋;武懷彬;張芳;高小帆;桂志國(guó);;一種改進(jìn)的基于偏微分方程圖像的降噪算法[J];中北大學(xué)學(xué)報(bào)(自然科學(xué)版);2014年06期

3 董嬋嬋;張權(quán);郝慧艷;張芳;劉yN;孫未雅;桂志國(guó);;基于變指數(shù)的片相似性擴(kuò)散圖像降噪算法[J];計(jì)算機(jī)應(yīng)用;2014年10期

4 鐘瑩;楊學(xué)志;唐益明;劉燦俊;岳峰;;采用結(jié)構(gòu)自適應(yīng)塊匹配的非局部均值去噪算法[J];電子與信息學(xué)報(bào);2013年12期

5 楊欣欣;王志明;;改進(jìn)的廣義高斯分布與非局部均值圖像去模糊[J];計(jì)算機(jī)應(yīng)用研究;2012年05期

6 趙高長(zhǎng);張磊;武風(fēng)波;;改進(jìn)的中值濾波算法在圖像去噪中的應(yīng)用[J];應(yīng)用光學(xué);2011年04期

7 陳強(qiáng);鄭鈺輝;孫權(quán)森;夏德深;;片相似性各項(xiàng)異性擴(kuò)散圖像去噪[J];計(jì)算機(jī)研究與發(fā)展;2010年01期

8 ;Diffusion filtering in image processing based on wavelet transform[J];Science in China(Series F:Information Sciences);2006年04期

中國(guó)碩士學(xué)位論文全文數(shù)據(jù)庫(kù) 前3條

1 李晉;基于偏微分方程的圖像去噪方法研究[D];陜西師范大學(xué);2014年

2 陳q，

本文編號(hào)：635430