导读:本文包含了斑点噪声论文开题报告文献综述、选题提纲参考文献及外文文献翻译，主要关键词:斑点,噪声,图像,超声,局部,拉普拉斯,各向异性。
斑点噪声论文文献综述
李云红,袁巧宁[1]（2019）在《基于LBF模型的斑点噪声图像分割》一文中研究指出LBF模型的核函数的尺度函数是一个固定的任意值,不能实现在不同区域采用不同的尺度。不同点的灰度均匀性不同,因此仅用一个固定尺度的模型来计算不同区域的统计信息是不准确的。针对这一问题论文提出了自适应的高斯核函数,在图像的不同区域,采用不同的尺度参数,使图像的能量差更加明显。实验结果表明,论文提出的方法相较于传统LBF模型和CV模型,提高了斑点噪声图像的分割精度。(本文来源于《计算机与数字工程》期刊2019年04期）
周振宇[2]（2018）在《基于扩散方程和深度学习的图像斑点噪声去除模型研究》一文中研究指出相干成像系统被广泛应用于环境监测、军事侦察和数字医疗等领域,其中的典型代表包括SAR成像系统和超声成像系统。然而由于特殊的成像机制,相干成像系统易被斑点噪声污染。因此去除图像斑点噪声并提升图像质量具有重要的研究和应用价值。本文利用非线性扩散方程和深度学习方法建立图像斑点噪声去除模型,主要研究内容如下:针对斑点噪声的复杂成因,本文首先从统计信息和模拟实验角度考察图像斑点噪声的特性。在此基础上建立基于非线性扩散方程的斑点噪声去除框架,之后利用非线性扩散方程理论和图像处理理论提出该框架中的扩散系数和扩散源项的构造方法。为了去除SAR图像中的斑点噪声,本文提出一类双退化扩散方程模型,其扩散系数由灰度探测算子和结构探测算子两部分组成,从而使扩散行为受到灰度值和梯度模信息的综合影响,进而快速抑制高灰度值区域的斑点噪声并保护低灰度值区域的图像特征。针对超声图像斑点噪声去除问题,本文提出一类变指数扩散方程模型。该模型将区域探测算子引入到模型的扩散系数之中,从而可以在不同区域变换不同的扩散类型,进而有效去除高灰度值区域的噪声并保护甚至增强低对比度图像特征。针对模型中的双退化扩散方程理论性质问题,本文论证该方程弱解的存在性和极值原理。由于方程可能会发生退化,本文通过可逆变换转化原方程并得到正则化方程,之后得到弱解的预估计并在正则化方程中取极限得到弱解的存在性。针对模型中的变指数扩散方程理论性质问题,本文论证该方程弱解的存在唯一性和极值原理等理论性质。由于方程中存在变指数,本文首先通过替换变指数中的函数来降低原方程的非线性程度,之后两次利用Schauder不动点定理和Gronwall不等式得到原方程弱解的存在唯一性。针对模型的数值格式和算法实现问题,本文首先利用偏微分方程数值方法设计传统有限差分格式。之后针对传统算法效率较低的问题,本文引入快速显式扩散加速原始算法。在模拟实验方面,本文在不同合成图像和真实图像上进行斑点去噪实验,合成图像实验给出新算法的定性和定量分析,而真实图像实验则可以论证新模型的实际应用价值。之后,本文利用合成图像实验讨论灰度探测算子和区域探测算子的作用,并进一步给出模型的参数选取方法。最后本文对比分析新模型与其他经典模型的去噪结果,论证新模型在视觉上、评价指标上以及算法效率上都优于其他模型。当前,深度学习中的卷积神经网络模型虽然实验效果突出,但普遍缺乏鲁棒性和可解释性,而扩散方程模型则可以对去噪结果进行理论分析。本文结合两者优势提出基于扩散方程和深度卷积神经网络的超声图像去噪模型。首先利用图像分解理论和超声图像特点改进两类深度卷积神经网络去噪模型,分别用于图像的噪声估计和结构估计,并得到一类基于深度卷积神经网络的混合去噪模型。接着,为了解决上述模型依赖于噪声方差这一超参数的问题,本文利用扩散方程去噪模型对噪声方差参数不敏感的特点,分析其局部均值的性质,从而提出基于扩散方程的噪声方差估计算法。最后结合以上两者方法,提出无噪声方差参数的卷积神经网络去噪模型,从而提升模型的实际应用价值。(本文来源于《哈尔滨工业大学》期刊2018-06-01）
沈晓东[3]（2018）在《基于结构性稀疏优化的SAR图像斑点噪声抑制》一文中研究指出合成孔径雷达由于其优良的抗环境干扰的性能而广泛应用在军事和民用领域。然而通过合成孔径雷达得到的SAR图像由于相干成像原理会包含大量相干斑噪声,这种相干斑噪声会给SAR图像的后续处理带来极大的不便,因此在得到SAR图像之后,首先要对它的相干斑噪声进行抑制,同时保留图像原有的基本信息,包括纹理细节和边缘信息等。随着SAR图像的非局部相似特性被大量研究利用,SAR图像降斑方法进入了一个新时期。本文通过研究总结以往的降斑方法,特别是利用到图像的稀疏特性和非局部相似性的方法,在此基础上,提出基于SAR图像内部结构性稀疏优化的降斑方法,主要利用SAR图像的统计特性,针对其内部结构特性来进行降斑研究,主要工作如下:(1)由于传统3D变换域SAR图像降斑方法往往在平滑区抑制相干斑噪声的效果不佳,还容易产生伪影现象,本文在传统3D变换域SAR图像降斑稀疏约束模型的基础上,针对其在同质区相干斑噪声难以抑制甚至产生伪影的问题,结合SAR图像内部不同区域的非局部相似性新增了一个非局部约束项,并利用目标结构组的非局部相似结构组的稀疏系数的加权平均来获得非局部估计值,采用图像块排序来简化相似图像块搜索过程,利用贝叶斯最大后验概率公式对相关参数进行求解,最后利用伯格曼迭代算法和阈值收缩得到最终的降斑结果。(2)本文利用图像内的相似图像块集合的低秩特性,为了避免一般的核范数约束方法及其阈值收缩方法无法较好约束和估计奇异值系数的问题,利用非凸加权范数对相似图像块集合的奇异值系数进行约束,并利用广义软阈值法对奇异值系数进行估计,再利用得到估计的奇异值系数重构图像,并迭代求解得到最终的降斑结果。(3)为了解决一般SAR图像降斑方法无法同时对SAR图像内所有区域均取得较好降斑结果的问题,本文基于SAR图像内部的统计特性,将SAR图像内部通过每个像素为中心的窗口计算得到的似然比和阈值分为同质区、异质区和混合区,并为每个区域的像素根据似然比计算赋予对应的权重,再将不同区域较好的降斑结果进行加权结合,得到一个所有区域均较好的降斑结果。(本文来源于《重庆大学》期刊2018-04-01）
陈清凤,王春辉,周晓宇,郑政[4]（2018）在《超声图像斑点噪声抑制的实时处理系统》一文中研究指出医学超声图像固有的斑点噪声掩盖了图像的细节部分,降低了图像的分辨率和对比度,因此需要对斑点噪声进行抑制来提高图像质量。针对这个问题,设计了一种基于现场可编程门阵列(FPGA)的超声图像斑点噪声抑制的实时处理系统。该系统对采集到的射频图像进行带通滤波、IQ分解、白化(二维快速傅里叶变换(FFT)/快速傅里叶逆变换(IFFT)、去相关)、幅度检测、对数压缩和去尖锐等处理后,再把处理好的图像通过USB传输到嵌入式计算机进行实时成像。实验证明,与原始的超声图像对比,经过该实时系统的图像的斑点噪声被明显打碎,图像更加细腻,达到了斑点噪声抑制的目的。(本文来源于《电子测量技术》期刊2018年06期）
王晓晨,万剑华,孟俊敏,范陈清[5]（2018）在《机载波谱仪斑点噪声去除方法对比分析》一文中研究指出针对斑点噪声降低机载波谱仪海浪谱反演精度问题,基于STORM机载波谱仪VALPARESO试验数据,分别使用数学法、阈值法、交叉谱法和小波分析法四种斑点噪声去除方法对其进行去噪处理,得到了去噪前后调制密度谱、海浪谱和噪声谱,并将反演所得海浪谱有效波高与同步观测的浮标结果进行了对比,最后对四种方法的去噪效果以及噪声谱特性进行了分析与评价。结果表明:四种去噪方法均可以有效去除斑点噪声,按照反演精度排序依次为交叉谱法、阈值法、小波分析法和数学法,其中交叉谱方法去噪效果最理想,RMSE仅为0.008,有效波高绝对误差为0.25m,相对误差为7%。(本文来源于《中国海洋大学学报(自然科学版)》期刊2018年05期）
方宏道,周颖玥,林茂松[6]（2018）在《基于贝叶斯非局部平均滤波的超声图像斑点噪声抑制算法》一文中研究指出超声成像是现代医学影像学最重要的诊断技术之一。然而,由于乘性斑点噪声的存在,使得超声成像的发展受到了一定的限制。针对这种问题,提出了一种贝叶斯非局部平均(NLM)滤波算法的改进策略。首先,运用贝叶斯公式推导出适应于超声图像斑点噪声模型的非局部平均滤波器,由此引出了两种图像块之间距离计算的方式——Pearson距离和根距离;其次,为了减轻计算负担,在非局部区域中选取相似图像块时采用图像块预选择的方式来加速算法;另外,根据多次实验,总结出了一种滤波参数和噪声方差的关系,实现了参数的自适应;最后,利用Visual Studio和OpenCV实现了算法,使得程序的运行时间大幅缩短。为了评估所提算法的去噪性能,在幻影图像和真实超声图像上进行了实验,结果表明:与现有的一些经典算法相比,该算法在去除斑点噪声的表现上有很大提升,并且在保留图像边缘和结构细节方面取得了令人满意的结果。(本文来源于《计算机应用》期刊2018年03期）
张梦然[7]（2017）在《可消除斑点噪声的全新成像技术问世》一文中研究指出科技日报北京6月20日电 （记者张梦然）英国《自然·通讯》杂志19日发表了一项最新研究，美国科学家对新一代光学相干断层扫描技术（OCT）进行改良，可以更加清晰地成像更小的物体。这一新方法能“看”到传统OCT此前无法检测到的活体小鼠眼睛中的结构和人类指尖上(本文来源于《科技日报》期刊2017-06-21）
刘文力[8]（2016）在《基于CUDA的血管内超声图像序列血流斑点噪声抑制方法研究》一文中研究指出随着血管内超声图像(IntravascularUltrasound, IVUS)在诊断和治疗心血管疾病过程中逐渐被广泛应用,利用数字图像处理技术对IVUS图像中的血管壁、血管内腔形态等进行分析,可以辅助医生了解病情、介入治疗和制定手术。本文结合心血管临床医学应用的需要,基于IVUS图像去噪效果以及处理时间存在的问题,研究了 IVUS图像序列血流斑点噪声抑制与加快去噪时间的关键技术。首先,对未经任何处理的IVUS图像序列进行预处理,针对IVUS图像受血管曲率变化以及心脏跳动引起的图像序列错位问题,本文利用心脏跳动周期的时间规律,对图像在同一相位下的图像数据进行重采样组成新的图像集,保证图像序列空间和时间的一致性,并对后续图像去噪的准确性提供了保证。其次,本文对IVUS图像序列血流斑点噪声抑制进行分析和研究。在基于时空相关性去噪算法基础上,提出针对血流斑点灰度值修正的算法。根据图像序列形态学的特性,即血流噪声在空间维和时间维上的变化比组织信号要大,在图像上反映是血流斑点噪声区域灰度值不一致。依据这个特点,采用二维傅立叶变换求取组织和血流的能量谱,通过高频分量与低频分量的能量比与给定的阈值判断信号是否为噪音。在确定处理点为噪声的前提下,将该信号的灰度值与时间邻域内的数据利用提出的公式求取相似度权值,并对权值进行归一化处理,将结果作为最终的血流斑点修正值。最后,本文针对改进算法计算复杂而导致处理时间慢的问题,研究将其结合CUDA并行编程,用来提高去噪处理时间,达到实时性的目的。使用CPU+GPU异构模型,针对复杂算法以及大规模数据进行并行设计。设计CUDA并行算法,包括数据传输与存储、任务分配、网格与线程块的设计以及优化并行等。(本文来源于《哈尔滨工程大学》期刊2016-06-01）
田玲[9]（2016）在《眼科高频超声成像中斑点噪声抑制算法的研究》一文中研究指出医学超声成像安全无创,实时高效,低成本,是一种被临床广泛采用的医学成像方式。随着超声技术的发展,眼科超声诊断仪也成为独特的分支。其中,超声生物显微镜(Ultrasound Biomicroscopy, UBM)对于眼前节的成像优于传统眼科诊断仪器。但是超声图像中存在一种特殊的噪声,即斑点(speckle)噪声,它是在产生超声图像过程中伴随产生的。斑点噪声不同于一般的图像噪声,它属于乘性噪声,且很大一部分属于高频部分。斑点噪声的出现会削弱图像的对比度和细节分辨率,从而影响临床的正确判断。医学图像的去噪不同于一般图像的去噪处理,不仅需要去除噪声,还要尽可能的保持图像的细节信息以及边缘信息,因此需要在去噪的同时对图像的边缘进行增强处理。针对以上需求,本文提出了两种去除斑点噪声的算法。本文首先分析了超声图像的噪声类型,特性以及斑点噪声的数学模型,比较了传统斑点抑制方法的优缺点,探索适合斑点噪声的去噪算法。然后基于斑点噪声抑制各向异性扩散(Speckle Reducing Anisotropic Diffusion, SRAD),提出了改进方法,对SRAD扩散系数进行了改进,提高了算法的鲁棒性,并增加了扩散模板的邻居点数目,提高了去噪过程中的细节保护能力。从单一层次上对图像进行去噪后,又提出了基于拉普拉斯金字塔的图像分层去噪算法。对图像进行拉普拉斯金字塔分解,得到含有不同频率的子带图像,然后根据子带图像不同特点进行分析,选取合适的去噪算法,最后重构,得到去噪增强的图像。通过实验验证,本文提出的改进斑点噪声抑制各向异性扩散方法以及基于拉普拉斯金字塔的分层去噪增强算法优于传统的滤波算法,不仅可以很好地去除超声图像的斑点噪声,而且要可以有效的保留图像细节以及边缘等。(本文来源于《北京协和医学院》期刊2016-05-01）
邓阳阳[10]（2016）在《基于自适应高斯滤波的斑点噪声抑制研究》一文中研究指出超声成像技术在临床医学治疗上应用很广泛,但是由于受系统成像机制的影响,所形成的图像很容易含有斑点噪声。斑点噪声的存在会导致图像质量相对较差,难以满足后期图像分析工作的要求。图像去噪能抑制超声图像中的斑点,保留图像的边缘特征信息,提高图像对比度,使临床医生能准确地识别和分析病变部位。因此,研究医学超声图像去噪方法具有重要的现实意义。目前,超声医学图像中抑制噪声的方法可分为复合和滤波两大类。其中,复合技术又包括频率复合和空间域复合技术。由于滤波方法无需改变系统硬件设置,仅用后处理算法对超声仪输出图像进行处理,因而在近年来发展较快。针对复合方法,本文首先用公式证明了图像复合能增大图像的SNR值,并且在理想情况下,N幅图像复合后的SNR值是原来的(?)倍的结论。为了验证这一结论,论文首先用Field Ⅱ软件系统做了人体囊肿图像的仿真实验,然后用频率域复合方法处理这些图像。实验结果表明,复合后图像的信噪比增大,图像的质量增强。此外,本章还讨论了噪声颗粒大小与中心频率之间的关系。针对滤波方法,本文提出了一种自适应高斯滤波的超声斑点降噪算法。该方法首先利用局部特征匹配进行斑点探测,结合斑点包络信号满足Rayleish分布特点,根据斑点的独立信号模型,得出参考区域与局部区域的相似度；最后用得到的相似度值作为高斯滤波器的标准差,这样就能保证滤波器的宽度参数随着图像区域变化,做到自适应过滤处理。通过进行对比实验可知：本文提出的算法优于经典的S RAD算法、DPAD算法和高斯滤波算法。评价结果表明,这种新的斑点抑制方法,在滤除斑点噪声与保留边缘方面均有很好的性能,而且算法处理的效率比较好。(本文来源于《昆明理工大学》期刊2016-05-01）
斑点噪声论文开题报告
（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：
相干成像系统被广泛应用于环境监测、军事侦察和数字医疗等领域,其中的典型代表包括SAR成像系统和超声成像系统。然而由于特殊的成像机制,相干成像系统易被斑点噪声污染。因此去除图像斑点噪声并提升图像质量具有重要的研究和应用价值。本文利用非线性扩散方程和深度学习方法建立图像斑点噪声去除模型,主要研究内容如下:针对斑点噪声的复杂成因,本文首先从统计信息和模拟实验角度考察图像斑点噪声的特性。在此基础上建立基于非线性扩散方程的斑点噪声去除框架,之后利用非线性扩散方程理论和图像处理理论提出该框架中的扩散系数和扩散源项的构造方法。为了去除SAR图像中的斑点噪声,本文提出一类双退化扩散方程模型,其扩散系数由灰度探测算子和结构探测算子两部分组成,从而使扩散行为受到灰度值和梯度模信息的综合影响,进而快速抑制高灰度值区域的斑点噪声并保护低灰度值区域的图像特征。针对超声图像斑点噪声去除问题,本文提出一类变指数扩散方程模型。该模型将区域探测算子引入到模型的扩散系数之中,从而可以在不同区域变换不同的扩散类型,进而有效去除高灰度值区域的噪声并保护甚至增强低对比度图像特征。针对模型中的双退化扩散方程理论性质问题,本文论证该方程弱解的存在性和极值原理。由于方程可能会发生退化,本文通过可逆变换转化原方程并得到正则化方程,之后得到弱解的预估计并在正则化方程中取极限得到弱解的存在性。针对模型中的变指数扩散方程理论性质问题,本文论证该方程弱解的存在唯一性和极值原理等理论性质。由于方程中存在变指数,本文首先通过替换变指数中的函数来降低原方程的非线性程度,之后两次利用Schauder不动点定理和Gronwall不等式得到原方程弱解的存在唯一性。针对模型的数值格式和算法实现问题,本文首先利用偏微分方程数值方法设计传统有限差分格式。之后针对传统算法效率较低的问题,本文引入快速显式扩散加速原始算法。在模拟实验方面,本文在不同合成图像和真实图像上进行斑点去噪实验,合成图像实验给出新算法的定性和定量分析,而真实图像实验则可以论证新模型的实际应用价值。之后,本文利用合成图像实验讨论灰度探测算子和区域探测算子的作用,并进一步给出模型的参数选取方法。最后本文对比分析新模型与其他经典模型的去噪结果,论证新模型在视觉上、评价指标上以及算法效率上都优于其他模型。当前,深度学习中的卷积神经网络模型虽然实验效果突出,但普遍缺乏鲁棒性和可解释性,而扩散方程模型则可以对去噪结果进行理论分析。本文结合两者优势提出基于扩散方程和深度卷积神经网络的超声图像去噪模型。首先利用图像分解理论和超声图像特点改进两类深度卷积神经网络去噪模型,分别用于图像的噪声估计和结构估计,并得到一类基于深度卷积神经网络的混合去噪模型。接着,为了解决上述模型依赖于噪声方差这一超参数的问题,本文利用扩散方程去噪模型对噪声方差参数不敏感的特点,分析其局部均值的性质,从而提出基于扩散方程的噪声方差估计算法。最后结合以上两者方法,提出无噪声方差参数的卷积神经网络去噪模型,从而提升模型的实际应用价值。
（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。
斑点噪声论文参考文献
[1].李云红,袁巧宁.基于LBF模型的斑点噪声图像分割[J].计算机与数字工程.2019
[2].周振宇.基于扩散方程和深度学习的图像斑点噪声去除模型研究[D].哈尔滨工业大学.2018
[3].沈晓东.基于结构性稀疏优化的SAR图像斑点噪声抑制[D].重庆大学.2018
[4].陈清凤,王春辉,周晓宇,郑政.超声图像斑点噪声抑制的实时处理系统[J].电子测量技术.2018
[5].王晓晨,万剑华,孟俊敏,范陈清.机载波谱仪斑点噪声去除方法对比分析[J].中国海洋大学学报(自然科学版).2018
[6].方宏道,周颖玥,林茂松.基于贝叶斯非局部平均滤波的超声图像斑点噪声抑制算法[J].计算机应用.2018
[7].张梦然.可消除斑点噪声的全新成像技术问世[N].科技日报.2017
[8].刘文力.基于CUDA的血管内超声图像序列血流斑点噪声抑制方法研究[D].哈尔滨工程大学.2016
[9].田玲.眼科高频超声成像中斑点噪声抑制算法的研究[D].北京协和医学院.2016
[10].邓阳阳.基于自适应高斯滤波的斑点噪声抑制研究[D].昆明理工大学.2016
论文知识图
