本文關(guān)鍵詞：基于非線性擴散濾波結(jié)構(gòu)信息的圖像去噪方法研究

  更多相關(guān)文章： 非線性偏微分方程 圖像去噪 拉普拉斯算子 梯度信息 階梯效應(yīng)

【摘要】：數(shù)字圖像作為一種重要的信息傳輸手段,已經(jīng)成為當前時代不可或缺的信息來源。然而在圖像的產(chǎn)生,傳輸和接收過程中,不可避免的會受到噪聲的影響,造成圖像模糊、失真、有明顯的噪聲點而影響圖像的質(zhì)量,妨礙對圖像的后續(xù)分析處理。因此,提高圖像質(zhì)量去除噪聲,維持圖像固有特征就成為數(shù)字圖像處理了最基本與必要的要求,具有重要的理論意義與實際價值。近幾年來,由于基于偏微分方程(PDE)的方法在圖像處理上的應(yīng)用越來越廣泛,其理論方面也多有發(fā)展,越來越多的改進和創(chuàng)新方法進入人們的視野,服務(wù)于實際應(yīng)用與理論教學(xué)。本文在討論利用偏微分方程方法去噪理論的同時,著重研究如何更加準確,高效地降低圖像的噪聲,提高圖像質(zhì)量,滿足實際應(yīng)用上后續(xù)處理的需要。PDE當中的擴散項是去噪理論中的關(guān)鍵部分,它控制著擴散的幅度與速度,對于擴散項的研究是該課題的核心內(nèi)容。梯度保真項是為確定圖像在處理前后灰度相差不大,不會出現(xiàn)假邊界的重要保證,它可以結(jié)合已有的擴散項對圖像進行去噪處理,最終完成圖像預(yù)處理中的去噪聲步驟。論文的主要工作包括以下內(nèi)容：(1)深入研究了基于非線性擴散濾波結(jié)構(gòu)信息的圖像去噪方法,提出了適用更多角度邊界的圖像去噪模型,研究了該去噪模型的去噪性能及優(yōu)化方法。通過實驗證明該模型可以保留與原有方法相比更多的邊界,得到更高質(zhì)量的圖像用于后續(xù)處理。(2)結(jié)合之前的研究提出一種由結(jié)構(gòu)信息確定指數(shù)的自適應(yīng)梯度保真項,并結(jié)合已有的擴散項提出新的去噪模型。該模型可以在有效去除噪聲的同時保護更多的細節(jié)信息,預(yù)防階梯效應(yīng),獲得較高質(zhì)量的處理結(jié)果。
【關(guān)鍵詞】：非線性偏微分方程 圖像去噪 拉普拉斯算子 梯度信息 階梯效應(yīng)
【學(xué)位授予單位】：南京信息工程大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2016
【分類號】：TP391.41;O175.2
【目錄】：

• 摘要5-6
• Abstract6-8
• 第一章 緒論8-16
• 1.1 研究的背景意義8-9
• 1.2 圖像去噪方法9-12
• 1.3 圖像去噪效果的評價方法12-15
• 1.4 本文的研究內(nèi)容及主要工作15-16
• 第二章 基于偏微分方程的圖像去噪16-25
• 2.1 尺度空間16-17
• 2.2 基于偏微分方程去噪的物理學(xué)解釋17-19
• 2.3 常用模型及其性質(zhì)19-24
• 2.4 本章小結(jié)24-25
• 第三章 基于非線性擴散濾波結(jié)構(gòu)信息的圖像去噪方法25-43
• 3.1 引言25-26
• 3.2 傳統(tǒng)及適應(yīng)八方向邊界的去噪方法26-30
• 3.3 適應(yīng)多角度邊界的去噪方法30-36
• 3.4 實驗結(jié)果與分析36-42
• 3.5 本章小結(jié)42-43
• 第四章 基于結(jié)構(gòu)信息的指數(shù)自適應(yīng)梯度保真項的構(gòu)造43-59
• 4.1 引言43
• 4.2 改進擴散項預(yù)防階梯效應(yīng)43-47
• 4.3 耦合梯度保真項預(yù)防階梯效應(yīng)及其改進47-48
• 4.4 指數(shù)自適應(yīng)梯度保真項48-50
• 4.5 實驗結(jié)果與分析50-58
• 4.6 本章小結(jié)58-59
• 第五章 總結(jié)與展望59-61
• 5.1 總結(jié)59-60
• 5.2 展望60-61
• 參考文獻61-67
• 作者簡介67-68
• 致謝68

，

本文編號：1065969