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)