專利名稱:基于廣義拉普拉斯分布的tict域圖像去噪方法
技術(shù)領(lǐng)域:
本發(fā)明屬于圖像處理技術(shù)領(lǐng)域,涉及含噪情況下自然圖像的去噪,可用于森林資源調(diào)查、環(huán)境變化評(píng)估、醫(yī)學(xué)影像等領(lǐng)域的數(shù)字圖像預(yù)處理。
背景技術(shù):
由于受各種條件的限制,圖像在獲取、編碼、傳輸過程中會(huì)受到各種各樣的噪聲影響,圖像去噪解決了由噪聲干擾導(dǎo)致的圖像質(zhì)量下降問題,抑制了噪聲影響,提高了圖像質(zhì)量,因此圖像去噪技術(shù)在很多領(lǐng)域都占據(jù)著重要位置。Contourlet變換在圖像去噪領(lǐng)域應(yīng)用廣泛,它具有多分辨率時(shí)頻分析特征,能夠?qū)崿F(xiàn)對(duì)圖像的最優(yōu)表示,但是Contourlet基函數(shù)的正則性不高,空域和頻域的局部性不理想,導(dǎo)致Contourlet產(chǎn)生了頻譜混疊且缺乏平移不變性,嚴(yán)重影響了 Contourlet的去噪效
果O針對(duì)Contourlet缺乏平移不變性和頻譜混疊的不足,人們又提出了多種改進(jìn)的Contourlet變換非下米樣Contourlet、抗混疊Contourlet、非下米樣復(fù)Contourlet和平移不變 Contourlet。非下采樣Contourlet解決了 Contourlet缺乏平移不變性的問題,但是它復(fù)雜度過高,不利于實(shí)際應(yīng)用;抗混疊Contourlet抑制了 Contourlet頻譜混疊的缺陷,但是它缺乏平移不變性,去噪圖像會(huì)產(chǎn)生偽吉布斯現(xiàn)象;非下采樣復(fù)Contourlet在一定程度上解決了 Contourlet缺乏平移不變性的問題,但是非下采樣復(fù)Contourlet中用到了雙樹復(fù)小波,導(dǎo)致每次變換提取的方向過多,圖像信息過于分散,限制了非下采樣復(fù)Contourlet在圖像去噪中的應(yīng)用。平移不變Contourlet(Translation Invarint Contourlet, TICT)克服了Contourlet缺乏平移不變的不足并在一定程度上抑制了 Contourlet的頻譜混疊,復(fù)雜度也不高,相比Contourlet具有更強(qiáng)的魯棒性和更好的抗噪性,適合實(shí)際應(yīng)用。R. Eslami 等在又獻(xiàn)“Translation-Invariant Contourlet Transform and ItsApplication to Image Denoising. IEEE Transactions onlmage Processing,2006,15(11) :3362-3374. ”中提出了ー種TICT硬閾值圖像去噪法。該方法直接對(duì)TICT含噪系數(shù)進(jìn)行硬閾值去噪,去除了很多噪聲。該方法的缺點(diǎn)是硬閾值不易保持圖像細(xì)節(jié),導(dǎo)致細(xì)節(jié)損失較多。D D. -Y. Po, M N Do 等在文獻(xiàn)“Directional multiscale modeling of imagesusing the Contourlet transform.IEEE Transactions on Image Processing,2006,15(6) :1610-1620. ”中提出了一種基于圖像多尺度隱馬爾科夫樹模型的Contourlet域去噪方法。該方法考慮了 Contourlet高頻系數(shù)與其父系數(shù)、鄰域系數(shù)之間的相關(guān)性,對(duì)系數(shù)進(jìn)行隱馬爾科夫樹建模,根據(jù)聯(lián)合概率分布進(jìn)行去噪。該方法的缺點(diǎn)是沒有考慮到Contourlet缺乏平移不變性,導(dǎo)致去噪結(jié)果含有嚴(yán)重的偽Gibbs現(xiàn)象。Z Xin 等在文獻(xiàn)“Image Denoising in Contourlet Domain Based on a NormalInverse Gaussian Prior. Digital Signal Processing, 2010, 20 (5) :1439-46. ”中提出了一種基于逆高斯模型的Contourlet域去噪方法。該方法對(duì)Contourlet系數(shù)采用正態(tài)逆高斯分布進(jìn)行建模,根據(jù)最大后驗(yàn)概率準(zhǔn)則確定濾波因子進(jìn)行去噪。該方法的缺點(diǎn)是逆高斯模型不合適Contourlet系數(shù),導(dǎo)致去噪圖像噪聲殘留過多。
發(fā)明內(nèi)容
本發(fā)明的目的在于針對(duì)上述去噪方法的不足,提出一種基于廣義拉普拉斯分布的TICT域圖像去噪方法,以降低計(jì)算復(fù)雜度,保持圖像細(xì)節(jié),減少噪聲殘留,提高去噪后圖像的清晰度。本發(fā)明的具體實(shí)現(xiàn)步驟包括如下
(I)對(duì)含噪圖像NI進(jìn)行TICT分解,分解層數(shù)為4,第一層分解得到8個(gè)子帶,第二層分解得到8個(gè)子帶,第三層分解得到4個(gè)子帶,第四層分解得到4個(gè)子帶,再采用絕對(duì)值中值法估計(jì)含噪圖像NI的噪聲noise_NI ;(2)用含噪圖像NI的噪聲noise_NI分別估計(jì)24個(gè)高頻子帶的噪聲方差σ 2,并假設(shè)高頻子帶系數(shù)中的含噪系數(shù)Y = w+n,其中W代表高頻子帶中的無噪系數(shù),η代表高頻子帶中的噪聲系數(shù);(3)采用閾值T分別將24個(gè)高頻子帶的系數(shù)分為兩個(gè)集合=H1和H。,其中T的初始值為3σ 2,假設(shè)H1為重要系數(shù)集合,H0為不重要系數(shù)集合,求出重要系數(shù)在高頻子帶系數(shù)中所占的比例P(H1)和無噪系數(shù)的方差σン(4)對(duì)重要系數(shù)集合H1采用廣義拉普拉斯分布進(jìn)行建摸,對(duì)不重要系數(shù)集合H。采用零均值高斯分布進(jìn)行建模,根據(jù)模型求出廣義拉普拉斯分布的參數(shù)尺度因子λ和形狀因子υ,得到重要系數(shù)集合H1的無噪系數(shù)密度函數(shù)HwlHtl)以及不重要系數(shù)集合Htl的無噪系數(shù)密度函數(shù)HwIh1);(5)首先求出重要系數(shù)集合H1中含噪系數(shù)的概率PGlH1)以及不重要系數(shù)集合H。中含噪系數(shù)的概率P (y I Ho),然后根據(jù)最大后驗(yàn)概率準(zhǔn)則求出含噪系數(shù)y屬于重要系數(shù)集合H1 的概率 P (H1 |y);(6)比較含噪系數(shù)y屬于集合H1的概率P (H1 |y)與步驟(3)中重要系數(shù)在高頻子帶系數(shù)中所占的比例P(H1),若IP(H1)-P(Hjy) <0.01,進(jìn)入步驟(6),否則令重要系數(shù)在高頻子帶系數(shù)中所占的比例P(H1) =P(H1Iy),根據(jù)P(H1)在高頻子帶的系數(shù)直方圖中尋找新的閾值T,返回步驟(3);(7)根據(jù)含噪系數(shù)y屬于集合H1的概率P(H1Iy)和無噪系數(shù)的方差σこ對(duì)高頻子帶進(jìn)行濾波;(8)對(duì)濾波后的24個(gè)高頻子帶進(jìn)行TICT逆變換,得到去噪圖像DI。本發(fā)明與現(xiàn)有技術(shù)相比具有以下優(yōu)點(diǎn)(a)本發(fā)明采用TICT變換,耗時(shí)少,且具有平移不變性,克服了頻譜混疊,提高了去噪圖像的清楚度,降低了算法復(fù)雜度;(b)本發(fā)明對(duì)TICT系數(shù)采用混合分布建模,利用廣義拉普拉斯分布對(duì)系數(shù)中的重要無噪建模,高斯分布對(duì)不重要系數(shù)建模,該模型十分符合系數(shù)性質(zhì),對(duì)去噪非常有利;(C)本發(fā)明不斷迭代更新參數(shù),提高了算法的精確度,最后利用混合分布濾波方法進(jìn)行去噪,在有效保持圖像細(xì)節(jié)的同時(shí)大大減少了噪聲殘留。
圖I是本發(fā)明的實(shí)現(xiàn)流程圖;圖2是本發(fā)明使用的未加噪圖像和加噪圖像;圖3是采用三種參考實(shí)驗(yàn)方法和本發(fā)明方法去噪后的圖像。
具體實(shí)施例方式參照?qǐng)D1,本發(fā)明的實(shí)現(xiàn)步驟如下步驟I,對(duì)含噪圖像NI進(jìn)行TICT分解,分解層數(shù)為4,第一層分解得到8個(gè)子帯,第二層分解得到8個(gè)子帶,第三層分解得到4個(gè)子帶,第四層分解得到4個(gè)子帶,再采用絕對(duì)值中值法估計(jì)含噪圖像NI的噪聲noise_NI ;其中NI的噪聲noise_NI估計(jì)如下
權(quán)利要求
1.一種基于廣義拉普拉斯分布的TICT域圖像去噪方法,包括如下步驟 (1)對(duì)含噪圖像NI進(jìn)行TICT分解,分解層數(shù)為4,第一層分解得到8個(gè)子帶,第二層分解得到8個(gè)子帶,第三層分解得到4個(gè)子帶,第四層分解得到4個(gè)子帶,再采用絕對(duì)值中值法估計(jì)含噪圖像NI的噪聲noise_NI ; (2)用含噪圖像NI的噪聲noise_NI分別估計(jì)24個(gè)高頻子帶的噪聲方差<,并假設(shè)高頻子帶中的含噪系數(shù)y = w+n,其中w代表高頻子帶中的無噪系數(shù),n代表高頻子帶中的噪聲系數(shù); (3)采用閾值T分別將24個(gè)高頻子帶的系數(shù)分為兩個(gè)集合=H1和Htl,其中T的初始值為3 CJ 2,假設(shè)H1為重要系數(shù)集合,Htl為不重要系數(shù)集合,求出重要系數(shù)在高頻子帶系數(shù)中所占比例P (H1)和重要系數(shù)的方差 (4)對(duì)重要系數(shù)集合H1采用廣義拉普拉斯分布進(jìn)行建模,對(duì)不重要系數(shù)集合Htl采用零均值高斯分布進(jìn)行建模,根據(jù)模型求出廣義拉普拉斯分布的參數(shù)尺度因子、和形狀因子u,得到重要系數(shù)集合H1的無噪系數(shù)密度函數(shù)f (w IH0)以及不重要系數(shù)集合Htl的無噪系數(shù)密度函數(shù)f (WlH1); (5)根據(jù)重要系數(shù)集合H1的無噪系數(shù)密度函數(shù)MwlHtl)以及不重要系數(shù)集合Htl的無噪系數(shù)密度函數(shù)f (w IH1),求出重要系數(shù)集合H1中含噪系數(shù)的概率P (y IH1)以及不重要系數(shù)集合Htl中含噪系數(shù)的概率P (y IH0),之后通過最大后驗(yàn)概率準(zhǔn)則計(jì)算含噪系數(shù)y屬于重要系數(shù)集合H1的概率P (H1 |y); (6)比較含噪系數(shù)y屬于集合H1的概率P(H1 |y)與步驟(3)中重要系數(shù)在高頻子帶系數(shù)中所占比例P (H1),若IP(H1)-P(Hjy) I < 0.01,進(jìn)入步驟(6),否則令重要系數(shù)在高頻子帶系數(shù)中所占比例P(H1) =P(H1Iy),根據(jù)P(H1)在高頻子帶的系數(shù)直方圖中尋找新的閾值T,返回步驟(3); (7)根據(jù)含噪系數(shù)y屬于集合H1的概率P(H1 |y)和無噪系數(shù)的方差對(duì)高頻子帶進(jìn)行濾波; (8)對(duì)濾波后的24個(gè)高頻子帶進(jìn)行TICT逆變換,得到去噪圖像DI。
2.根據(jù)權(quán)利要求I所述的圖像去噪方法,其中步驟(3)所述的重要系數(shù)在高頻子帶系數(shù)中所占比例P (H1),按下式計(jì)算
3.根據(jù)權(quán)利要求I所述的圖像去噪方法,其中步驟(3)所述的重要系數(shù)的方差,按下式計(jì)算
4.根據(jù)權(quán)利要求I所述的圖像去噪方法,其中步驟(4)所述的根據(jù)模型求出廣義拉普拉斯分布的參數(shù)尺度因子、和形狀因子u,按如下步驟進(jìn)行(4a)下式是形狀因子u的單調(diào)減函數(shù),由此求出形狀因子u
5.根據(jù)權(quán)利要求I所述的圖像去噪方法,其中步驟(5)所述的含噪系數(shù)y屬于集合H1的概率P (H1Iy),計(jì)算如下 P(Hjy) = P (y IH1) P (H1)/P (y) 其中
6.根據(jù)權(quán)利要求I所述的圖像去噪方法,其中步驟(7)所述的濾波如下
全文摘要
本發(fā)明公開了一種基于廣義拉普拉斯分布的TICT域圖像去噪方法,主要解決現(xiàn)有去噪方法去噪效果不佳的問題。其實(shí)現(xiàn)步驟是(1)對(duì)含噪圖像NI進(jìn)行TICT分解;(2)對(duì)分解出的各個(gè)高頻子帶分別進(jìn)行混合分布建模,迭代求取參數(shù),進(jìn)行平滑濾波;(3)對(duì)去噪后的子帶進(jìn)行TICT逆變換,得到去噪輸出。本發(fā)明能有效去除含有高斯白噪聲的自然圖像中的噪聲,可用于變化檢測(cè),目標(biāo)識(shí)別時(shí)對(duì)圖像的預(yù)處理。
文檔編號(hào)G06T5/00GK102663704SQ201210118319
公開日2012年9月12日 申請(qǐng)日期2012年4月20日 優(yōu)先權(quán)日2012年4月20日
發(fā)明者丁煒, 劉芳, 周逸麗, 張小華, 焦李成, 王桂婷, 田小林, 鐘樺 申請(qǐng)人:西安電子科技大學(xué)