利用小波变换实现相位重构去噪的简单算法，matlab算法小程序

非本地手段 介绍 在这个项目中，我以幼稚的方式并使用积分图像实现了非局部均值过滤。 这些文件中都对这两种方法进行了解释： 非本地均值降噪 用于块匹配的积分图像 描述 非局部均值算法用于去除图像中的噪点。 我们输入了三件事： 我们要去噪的图像 大小为kxk的内核 wxw大小的窗口 对于图像中的每个像素（我们将要去噪），我们将窗口围绕其居中，通常，该窗口是相当大的，但出于性能方面的考虑，当然不如整个图像大。 然后，对于窗口中的每个像素，我们滑动一个补丁（通常为3x3或5x5），我们要去噪的像素将是图像补丁上的加权和。 整体影像改善 如果我们使用积分图像，则可以加快计算速度。 伦敦大学学院图像处理课程中的Lourdes Agapito教授的图像幻灯片 由于以下公式，我们可以加快计算速度： 图片摘自Wikipedia（ ） 如何使用代码 只需打开Matlab并为完整的图像实现运行nonL

采用matlab语言书写，算法实现非局部均值去噪原理

通过对光学相干层析(OCT)系统中的噪声源进行分析,提出了一种将小波变换和分数阶积分结合的OCT图像去噪方法。先将OCT图像进行小波分解,获得不同频带的子图像。将低频近似图像保持不变,对水平、垂直和对角三个方向的高频细节图像采用三种改进的分数阶积分Tiansi模板进行滤波,最后将低频近似图像与三个分数阶积分滤波后的高频细节图像合成,得到去噪后的图像。实验结果表明;该算法在有效降低OCT图像散斑噪声的同时,尽可能地保留了图像的细节;相比经典的去噪算法和单一的分数阶积分算法,本文算法的去噪效果较好。

基于加性高斯白噪声在经验模式分解算法（Empirical Mode Decomposition,EMD）下的统计特性,提出了一种基于EMD的去噪算法。通过数值仿真,比较了提出的算法与小波域阈值去噪的性能。仿真结果表明,该算法与小波域阈值去噪的效果相似,而不用选择小波基,是一种自适应的去噪算法。

为了克服小波阈值去噪中硬阈值小波系数不连续和软阈值估计小波系数与分解小波系数之间恒定偏差的缺点，改进的阈值去噪方法被相继提出。文章根据高斯白噪声和信号在小波变换以后得到的小波系数呈现不同的特性，基于噪声方差提出一种新算法。最后通过MATLAB仿真验证该算法在信噪比、均方根误差、相关系数、信噪比增益4个去噪指标的效果。

传统非局部平均(Non-Local Means, NLM)图像去噪算法的像素相似性度量可靠性较差，其关键滤波参数选取与优化值偏差较大。针对上述问题，提出了一种改进的NLM图像去噪算法。首先，滤除方法噪声中的噪声分量，保留有用图像信息；然后，联合去噪结果与处理后的方法噪声重新定义NLM算法的相似权函数，更好地利用原图像的信息；最后，采用噪声标准差二次函数的方式设置滤波参数，相比于传统的线性正比方式选取参数，这种选取方式在不同噪声强度下均能获得较优的参数值。对几个标准测试图像的去噪结果表明，提出的改进NLM算法获得了较好的去噪效果，优于相比较的几种方法。

使用 TV-L1 模型对原始对偶算法进行优化的图像去噪。 该函数最小化以下降噪模型 wrt I： sum(sqrt(Ix^2 + Iy^2)) + lambda*||I - g|| 其中 I 是去噪图像，Ix, Iy 是它的梯度，g 是观察到的图像和 lambda 是正则化系数。 较小的 lambda 值会导致更具攻击性去噪。 有关更多详细信息，请参阅* A. Mordvintsev：ROF 和 TV-L1 使用 Primal-Dual 算法去噪， http://znah.net/rof-and-tv-l1-denoising-with-primal-dual-algorithm.html 也存档为http://www.webcitation.org/6rEjLnF1F * Chambolle等。 图像分析总变异简介，2009 年。 https://hal.ar

基于自适应小波阈值的SAR图像去噪算法

利用小波分析进行数据降噪，添加一个白噪声的数据，利用Matlab进行降噪仿真