本發明專利技術的目的在于提供基于Context模型和雙樹復小波變換的水下聲納圖像的去噪方法，包括如下步驟：對水下聲納圖像進行雙樹復小波分解，圖像經四層雙樹復小波分解后獲得的低頻近似分量保持不變，對圖像的高頻分量進行去噪處理，對處理后的復小波系數進行雙樹復小波反變換，獲得最終去噪后的圖像。本發明專利技術采用Context模型衡量雙樹復小波系數之間能量的相似性，將能量相接近的系數歸類，針對每一類系數確定不同的閾值，并結合軟閾值函數實現噪聲的去除。優化了閾值的選取，在去除噪聲的同時保留了更多的圖像細節，抑制了系數被過扼殺的現象。
【技術實現步驟摘要】
本專利技術涉及的是一種圖像處理
的去噪方法。
技術介紹
圖像在采集和傳輸的過程中往往會受到外界環境的干擾，造成圖像質量退化，這嚴重影響了后續的圖像處理工作。因而圖像的去噪預處理也成為了圖像處理的研究熱點，它為后續高層次的圖像處理提供了更好的研究基礎。圖像去噪的方法的種類很多，主要分為空間域方法和變換域方法。空間域方法是 針對圖像的灰度值直接進行運算處理，常用的方法有中值濾波、均值濾波、非局部均值濾波等等。中值濾波和均值濾波都會存在一定程度的邊緣模糊現象，非局部均值濾波的計算量較大。變換域方法中常用的方法是基于小波的萎縮閾值法，傳統的全局閾值對每一個變換系數并不是最優的，導致圖像的細節信息丟失。
技術實現思路
本專利技術的目的在于提供具備良好的平移不變性和方向選擇性的基于Context模型和雙樹復小波變換的水下聲納圖像的去噪方法。本專利技術的目的是這樣實現的本專利技術基于Context模型和雙樹復小波變換的水下聲納圖像的去噪方法，其特征是(I)對水下聲納圖像進行雙樹復小波分解，分解層數為四層圖像經過四層雙樹復小波變換，獲得一個低頻近似分量和四個尺度下的高頻分量，yl代表經過4層分解后圖像的低頻近似分量的系數矩陣，yhk分別表示第一、二、三、四層的高頻分量，k = I, 2，3，4，每一層高頻分量包含6個復系數矩陣，分別代表該尺度下雙樹復小波變換分解的6個方向的高頻細節信息；(2)保留圖像分解后的低頻分量yl ；(3)對圖像分解的四層高頻分量yhp yh2、yh3和yh4進行去噪處理I)圖像的第一層高頻分量yhi和第二層高頻分量yh2，采用非線性軟閾值方法進行去噪處理；2)圖像的第三層高頻分量yh3和第四層高頻分量yh4，采用Context模型對系數進行分類，針對每一類系數確定各自的閾值，結合軟閾值函數進行去噪處理①獲取圖像的第三層高頻分量yh3中六個復系數矩陣的實部和虛部系數；圖像的第三層高頻分量yh3同樣由六個復系數矩陣組成，每一個系數矩陣代表著該尺度下圖像6個方向的高頻信息，yh3 (d) (d= 1，2，...，6)表示該尺度下任意一個方向的復系數矩陣，它的實部和虛部系數分別為a3 (d) = real (yh3 (d)) (d = I, 2, . . . , 6)b3 (d) = imag (yh3 (d)) (d = 1,2,...,6)a3(d)和133((1)表示第三層高頻分量的任意一個方向復系數的實數和虛數部分，實現后續對獲得的實部和虛部分別進行處理；②利用Context模型對系數進行分類；用Context模型來衡量變換系數的能量的接近程度，首先計算出每個系數的Context 值 Z(i, j)z (i, j) = 2 X (IY (i-i, j-i) I +1Y (i-i, j) I +1Y (i-i, j+i) I +1Y (i, j-i) I +1Y (i, j)+ |Y(i, j+1) +|Y(i+l，j-1) +|Y(i+l，j) +|Y(i+l，j+1) 1))/9式中i，j表示變換系數在矩陣中的位置，Y表示實數部分或虛數部分，利用上式計算所有方向的復系數的實部和虛部的Context值,將Context值分類,在Context值小于20時，每隔5分一級，20以后增大分級間隔；③確定閾值選取經Context模型分類后a3(4)系數進行閾值估計，確定每一類系數的閾值首先估計噪聲的標準差σ n，計算噪聲的能量σ η2，然后求取每一類系數的方差，再根據下式獲得信號的能量σχ2:σχ2 = var (y) - σ n2式中y是每一類系數，var (y)是求解y的方差，最后采用Bayes閾值估計方法確定每一類系數的閾值T :T = Txafl /σχ式中r是可調節參數；④對任意方向經Context模型分類后的變換系數的實部和虛部分別采用軟閾值函數式進行濾波處理；每一類系數所選取的閾值由式/’ = Γχσ; /σχ確定，經過處理后的實部和虛部系數表示為 al3 (d) (d = I, 2, . . , 6)和 bl3 (d) (d = 1,2,...,6)；⑤將處理后的實部和虛部系數重新組合，獲得處理后的復系數，復系數表達式為yh3 (d) = al3 (d) +bl3 (d) X i (d = I, 2, . . . , 6)式中i表示虛數單位；⑥對圖像分解的第四層高頻分量按照步驟①-⑤進行處理；(4)對處理后的復小波系數進行雙樹復小波反變換，獲得最終去噪后的圖像。本專利技術還可以包括I、所述的非線性軟閾值方法為(I)獲取圖像的第一層高頻分量Yh1中六個復系數矩陣的實部和虛部系數圖像的第一層高頻分量Yh1由六個復系數矩陣組成，分別代表著該尺度下圖像6個方向的高頻信息，yhjd) (d= 1,2,...,6)表示該尺度下任意一個方向的復系數矩陣，它的實部和虛部系數分別為H1 (d) = real (Yh1 (d)) (d = 1,2, , 6) h1 (d) = imag Cyh1 (d)) (d = I, 2, . . . , 6)式中real和imag表示求取實數和虛數部分,S1 (d)和Id1 (d)表示第一層高頻分量的任意一個方向復系數的實數和虛數部分；(2)確定閾值T :選取ai (4)系數進行閾值估計，閾值通過非線性軟閾值獲得Γ = σ XIog(AZ)式中= η= median(\a{ (4)|) / 0.6745 <是 σ η 的估計；Ν 是 ⑷中含有的系數個數；(3)采用軟閾值函數對變換系數的實部ai(d) (d= 1,2,...,6)和虛部bJdMd = 1，2, · · ·，6)分別進行去噪處理軟閾值函數表達式為 f_(x)x(|x|-r)，Ixl >ΓJ= Μ 'τ[O,\χ\<τ式中X是需要進行閾值處理的變換系數，對任意方向的變換系數的實部和虛部分別采用軟閾值函數進行濾波處理，經過處理后的實部和虛部系數表示為aljd) (d =1，2，· · ·，6)和 M1(Cl) (d = 1，2，· · ·，6)；(4)將處理后的實部和虛部系數重新組合，獲得處理后的復系數復系數表達式為Yh1 (d) = ali (d) +M1 (d) X i (d = I, 2, . . . , 6)式中i表示虛數單位；(5)對圖像分解的第二層高頻分量按照步驟(I) - (4)進行處理。本專利技術的優勢在于本專利技術采用Context模型衡量雙樹復小波系數之間能量的相似性，將能量相接近的系數歸類，針對每一類系數確定不同的閾值，并結合軟閾值函數實現噪聲的去除。優化了閾值的選取，在去除噪聲的同時保留了更多的圖像細節，抑制了系數被過扼殺的現象。附圖說明圖I為本專利技術的流程圖；圖2為一維雙樹復小波分解濾波器結構圖；圖3a為噪聲方差σ = 10時的含噪圖像；圖3b為噪聲方差σ = 10時采用本專利技術方法的去噪后圖像；圖4a為噪聲方差σ = 15時的含噪圖像；圖4b為噪聲方差σ = 15時采用本專利技術方法的去噪后圖像；圖5a為噪聲方差σ = 20時的含噪圖像；圖5b為噪聲方差σ = 20時采用本專利技術方法的去噪后圖像；圖6不同噪聲方差下去噪前后圖像的峰值信噪比(PSNR)對比圖。具體實施例方式下面結合附本文檔來自技高網...
【技術保護點】
基于Context模型和雙樹復小波變換的水下聲納圖像的去噪方法，其特征是：（1）對水下聲納圖像進行雙樹復小波分解，分解層數為四層：圖像經過四層雙樹復小波變換，獲得一個低頻近似分量和四個尺度下的高頻分量，yl代表經過4層分解后圖像的低頻近似分量的系數矩陣，yhk分別表示第一、二、三、四層的高頻分量，k＝1,2,3，4，每一層高頻分量包含6個復系數矩陣，分別代表該尺度下雙樹復小波變換分解的6個方向的高頻細節信息；（2）保留圖像分解后的低頻分量yl；（3）對圖像分解的四層高頻分量yh1、yh2、yh3和yh4進行去噪處理：1）圖像的第一層高頻分量yh1和第二層高頻分量yh2，采用非線性軟閾值方法進行去噪處理；2）圖像的第三層高頻分量yh3和第四層高頻分量yh4，采用Context模型對系數進行分類，針對每一類系數確定各自的閾值，結合軟閾值函數進行去噪處理：①獲取圖像的第三層高頻分量yh3中六個復系數矩陣的實部和虛部系數；圖像的第三層高頻分量yh3同樣由六個復系數矩陣組成，每一個系數矩陣代表著該尺度下圖像6個方向的高頻信息，yh3(d)(d＝1,2,..,6)表示該尺度下任意一個方向的復系數矩陣，它的實部和虛部系數分別為：a3(d)＝real(yh3(d))(d＝1,2,...,6)b3(d)＝imag(yh3(d))(d＝1,2,...,6)a3(d)和b3(d)表示第三層高頻分量的任意一個方向復系數的實數和虛數部分，實現后續對獲得的實部和虛部分別進行處理；②利用Context模型對系數進行分類；用Context模型來衡量變換系數的能量的接近程度，首先計算出每個系數的Context值Z(i,j)：Z(i,j)＝2×(|Y(i？1,j？1)|+|Y(i？1,j)|+|Y(i？1,j+1)|+|Y(i,j？1)|+|Y(i,j)|+|Y(i,j+1)|+|Y(i+1,j？1)|+|Y(i+1,j)|+|Y(i+1,j+1)|))/9式中i,j表示變換系數在矩陣中的位置，Y表示實數部分或虛數部分，利用 上式計算所有方向的復系數的實部和虛部的Context值，將Context值分類，在Context值小于20時，每隔5分一級，20以后增大分級間隔；③確定閾值：選取經Context模型分類后a3(4)系數進行閾值估計，確定每一類系數的閾值：首先估計噪聲的標準差σn，計算噪聲的能量σn2，然后求取每一類系數的方差，再根據下式獲得信號的能量σx2＝var(y)？σn2式中y是每一類系數，var(y)是求解y的方差，最后采用Bayes閾值估計方法確定每一類系數的閾值T：T=r×σn2/σx式中r是可調節參數；④對任意方向經Context模型分類后的變換系數的實部和虛部分別采用軟閾值函數式進行濾波處理；每一類系數所選取的閾值由式確定，經過處理后的實部和虛部系數表示為a13(d)(d＝1,2，...,6)和b13(d)(d＝1,2，...,6)；⑤將處理后的實部和虛部系數重新組合，獲得處理后的復系數，復系數表達式為：yh3(d)＝a13(d)+b13(d)×i(d＝1,2,...,6)式中i表示虛數單位；⑥對圖像分解的第四層高頻分量按照步驟①？⑤進行處理；（4）對處理后的復小波系數進行雙樹復小波反變換，獲得最終去噪后的圖像。FDA00002186697400021.jpg,FDA00002186697400023.jpg...
【技術特征摘要】
1.基于Context模型和雙樹復小波變換的水下聲納圖像的去噪方法，其特征是 (1)對水下聲納圖像進行雙樹復小波分解，分解層數為四層 圖像經過四層雙樹復小波變換，獲得一個低頻近似分量和四個尺度下的高頻分量，yl代表經過4層分解后圖像的低頻近似分量的系數矩陣，yhk分別表示第一、二、三、四層的高頻分量，k = 1，2，3，4，每一層高頻分量包含6個復系數矩陣，分別代表該尺度下雙樹復小波變換分解的6個方向的高頻細節信息； (2)保留圖像分解后的低頻分量yl； (3)對圖像分解的四層高頻分量yhpyh2、yh3和yh4進行去噪處理 .1)圖像的第一層高頻分量Yh1和第二層高頻分量yh2，采用非線性軟閾值方法進行去噪處理； .2)圖像的第三層高頻分量yh3和第四層高頻分量yh4，采用Context模型對系數進行分類，針對每一類系數確定各自的閾值，結合軟閾值函數進行去噪處理 ①獲取圖像的第三層高頻分量yh3中六個復系數矩陣的實部和虛部系數； 圖像的第三層高頻分量yh3同樣由六個復系數矩陣組成，每一個系數矩陣代表著該尺度下圖像6個方向的高頻信息，yh3 (d) (d= 1,2,..,6)表示該尺度下任意一個方向的復系數矩陣，它的實部和虛部系數分別為a3 (d) = real (yh3 (d)) (d = 1,2,..., 6)b3 (d) = imag (yh3 (d)) (d = 1,2,..., 6) a3(d)和133((1)表示第三層高頻分量的任意一個方向復系數的實數和虛數部分，實現后續對獲得的實部和虛部分別進行處理； ②利用Context模型對系數進行分類； 用Context模型來衡量變換系數的能量的接近程度，首先計算出每個系數的Context值 Z(i，j)Z(i, j) = 2X (|Y(i-l, j-1) | + |Y(i_l，j) | + |Y(i_l，j+1) | + |Y(i，j_l) | + |Y(i，j) | + |Y(i,j+1) +|Y(i+l，j-1...
【專利技術屬性】
技術研發人員：李一兵，張靜，葉方，湯春瑞，付強，李一晨，李驁，田雪怡，
申請(專利權)人：哈爾濱工程大學，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。