一種基于多元統計模型的分形小波自適應圖像去噪方法技術

本發明專利技術公開了基于多元統計模型的分形小波自適應圖像去噪方法，包括以下步驟：步驟1：對含噪圖像進行同態變換；通過同態變換，含乘性噪聲的原圖像IB轉換為只含加性噪聲的圖像IB′；步驟2：先對含噪信號f(k)進行分形小波變換，選擇小波基和小波分解層數j，得到相應的小波系數和步驟3：選擇MGGD多元統計模型自適應求解參數α和β；在對自然圖像的小波系數分布情況進行分析后，獲得最適合的參數值α和β；步驟4：對分解得到的小波系數和利用分形小波編碼方法對噪聲圖像進行無噪預測編碼；步驟5：利用和進行小波重構，得到估計信號和即為去噪后的圖像信號。與其它算法相比較，具有更好的去噪效果和更強的邊緣保持能力，特別適用于消除高斯和脈沖混合噪聲。

【技術實現步驟摘要】

本專利技術涉及 圖像處理
，尤其涉及的是。
技術介紹
由于圖像信號在獲取、傳輸和存儲過程中，不可避免地受到噪聲的干擾，噪聲降低了圖像質量，淹沒了圖像的邊緣和細節特征，給圖像分析和后續處理帶來困難。圖像噪聲的消除是圖像處理中的一個重要研究內容，能否有效地濾除噪聲直接影響著圖像處理后續工作的進行。在進一步進行邊緣檢測、圖像分割、特征提取和模式識別等處理之前，采用適當的方法去除噪聲是一個非常重要的預處理步驟。如何在有效去除噪聲的同時保持圖像細節的清晰度和圖像的對比度成了人們研究的熱點。傳統的圖像去噪算法是根據圖像頻譜分布規律，從頻率上將圖像中的有用信息與噪聲分開，例如小波方法去噪。這些方法一般認為噪聲的能量集中于圖像的高頻部分，而圖像的有用信息的頻譜則分布于圖像低頻部分的一個有限區域內。然而，在許多情況下，圖像的有用信息中也有分布于圖像的高頻部分的，例如圖像邊緣，所以采用這些方法在去除噪聲的同時也損失了部分有用信息，即缺乏特征保持性。一些改進方法采用了如Contourlet等其它變換代替小波變換，取得了更好的效果，但其基本假設不變。而噪聲在圖像的低頻部分也有一定的分量，簡單地濾除圖像的高頻成分無法去除這部分噪聲分量，即沒有有效地將圖像有用信息與噪聲數據區分開來。如中值濾波去噪是對圖像中所有的像素進行濾波，改變了圖像中未被脈沖噪聲污染的像素點，所以在有效濾除脈沖噪聲的同時，會出現對圖像的邊緣細節和紋理部分過度平滑，造成去噪后的圖像清晰度較低。中值濾波算法在去除噪聲時僅考慮了鄰域內像素的排序信息，忽略了像素的時序信息，因此會在邊緣處產生抖動并會刪除一些重要的圖像細節。空域去噪中的高斯濾波能有效地去除圖像平滑區域的噪聲，但由于高斯濾波器是各向同性的，對邊緣和細節不加區分，因此該方法容易造成圖像邊緣和細節模糊。采用軟閾值去噪時很難確定一種對所有圖像都適用的閾值選取方法，且容易產生圖像的偽吉普斯現象。近年來很多研究工作集中于保留圖像細節上，但大多方法仍然假設圖像分段平滑，這樣雖然能保留邊緣信息，但對紋理細節的保留貢獻不大。如TV及其改進算法通過最小化圖像全變分得到分段平滑圖像?，F有的算法通常將圖像各部分分為平滑與邊緣兩種模式，通過濾除平滑模式圖像中的高頻分量進行去噪，既將其處理為理想的平滑模式。當圖像含有紋理時，紋理也會被當作以上兩種模式處理，所以會損失部分細節信息。為了保留圖像的紋理信息，一些學者提出了針對紋理自相似性的圖像去噪方法。如分形小波去噪算法利用圖像分形小波變換中塊自相似性來調整尺度因子。通過分形小波預測編碼來達到圖像去噪的目的。雖然該方法能取得比較良好的去噪效果，但是該方法在圖像去噪過程中邊緣細節的保持方面還有待于加強。非局部均值方法通過假設相鄰區域具有自相似性，搜索領域內的相似圖像區域并進行加權平均實現圖像去噪?；诨旌暇€性模型的去噪方法不假設圖像分段平滑，僅假設圖像具有自相似性，利用圖像的相似性區分圖像信號與噪聲。通用離散圖像去噪算法假設圖像具有平穩分布，用非參數估計方法統計圖像塊的分布，再用最小代價準則來實現圖像去噪。靜態小波變換(SWT)利用時間不變性來實現圖像去噪?；赥OE的非線性擴散濾波方法(P-M)是一種非線性的各向異性去噪方法，各向異性的去噪模型根據圖像的梯度值確定擴散的速度，能夠兼顧噪聲消除和邊緣保持兩方面的要求。盡管P-M方法在抑制噪聲與保留圖像重要特征方面取得了一定的效果，但卻表現出病態且不穩定。參考文獻 A. Pizurica,W. Philips. Estimating the probability ofthe presence of asignal of interest in multiresolution single andmultiband image denoising.IEEE Trans. Image Proces.，2006，15 (3) :654-665.A. Chambolle，R. A. DeVore, N. Lee，et al. Nonlinear wavelet imageprocessing :variational problems compression andnoise removal through waveletshrinkage. IEEE Trans. Image Process.，1998，7(3) :319-335. S. G. Chang, B. Yu, M. Vetterli. Adaptive wavelet thresholding for imagedenoising and compression. IEEE Trans. Image Process.，2000，9 (9) :1532-1546.I. Johnstone, B. Silverman. Empirical Bayes selection ofwaveletthresholds, Ann.Stat.，2005，33(4) :1700-1752.H. Othman, S. E. Qian. Noise reduction of hyperspectral imagery usinghyb rid spatial-spectral derivative-domain waveletshrinkage. IEEE Trans.Geosci. Remote，2006，44 (2) :397-408.Z. F. Zhou, P. L. Shui. Contourlet based image denoising algorithm usingdirectional windows. Electronics Letters，2007，43(2) :92-93.T.C. Lin. A new adaptive center weighted median filter for suppressingimpulsive noise in images · InformationSciences，2007，177 (4) :1073-1087. S. Q. Yuan, Y. H. Tan. The solutions of equation based noise detector foran adaptive median filter · Pattern Recognition，2006，39 (11) :2252-2257.S. M. Mahbubur Rahman,Md. KamruI Hasan,Wavelet-domain iterative centerweighted median filter for imagedenoising. Signal Processing，2003，83 (5)1001-1012.K. R. Castleman. Digital image processing. New Jersey Prentice-Hall,1979.K. Q. Huang, Z. Y. Wu, G. S. K. Fung, et al. Color image denoising withwavelet thresholdin本文檔來自技高網...

【技術保護點】
一種基于多元統計模型的分形小波自適應圖像去噪方法，其特征在于，包括以下步驟：步驟1：對含噪圖像進行同態變換；通過同態變換，含乘性噪聲的原圖像IB轉換為只含加性噪聲的圖像IB′；步驟2：先對含噪信號f(k)進行分形小波變換，選擇小波基和小波分解層數j，得到相應的小波系數和步驟3：選擇MGGD多元統計模型自適應求解參數α和β；在對自然圖像的小波系數分布情況進行分析后，獲得最適合的參數值α和β；步驟4：對分解得到的小波系數和利用分形小波編碼方法對噪聲圖像進行無噪預測編碼；步驟5：利用和進行小波重構，得到估計信號和即為去噪后的圖像信號。FSA00000804297600011.tif,FSA00000804297600012.tif,FSA00000804297600013.tif,FSA00000804297600014.tif,FSA00000804297600015.tif,FSA00000804297600016.tif,FSA00000804297600017.tif,FSA00000804297600018.tif

【技術特征摘要】

【專利技術屬性】
技術研發人員：王智文，劉美珍，夏冬雪，唐新來，陽樹洪，羅功坤，蔡啟先，劉智，徐奕奕，
申請(專利權)人：廣西工學院，
類型：發明
國別省市：