基于變換系數(shù)統(tǒng)計特性的圖像去噪方法
【專利摘要】本發(fā)明公開了一基于變換系數(shù)統(tǒng)計特性的圖像去噪方法，提取含噪圖像在非下采樣Contourlet分解后的高頻子帶，利用Weibull分布刻畫系數(shù)大小的統(tǒng)計特性，并結(jié)合平均圓錐比率進行建模，通過新型HMT充分利用非下采樣Contourlet子帶間的三種關(guān)系，對高頻子帶進行去噪處理。由于結(jié)合Weibull分布能更加準(zhǔn)確的描述變換系數(shù)的統(tǒng)計特性，同時還利用了平均圓錐比率的聯(lián)合測量作為隱狀態(tài)以及利用系數(shù)尺度間、尺度內(nèi)、方向間多種關(guān)系建立新型HMT，因此本發(fā)明能夠更好的識別信息和噪聲，明顯地改善和提高了圖像的視覺效果。
【專利說明】基于變換系數(shù)統(tǒng)計特性的圖像去噪方法

【技術(shù)領(lǐng)域】
[0001] 本發(fā)明屬于圖像處理領(lǐng)域，尤其是一種去噪時間合理、去噪效果理想的基于變換 系數(shù)統(tǒng)計特性的圖像去噪方法。

【背景技術(shù)】
[0002] 圖像在傳輸和獲取的過程中經(jīng)常會受到各種噪聲的污染，例如光學(xué)圖像中的高斯 白噪聲等。噪聲的存在將大大降低原圖像的分辨率，從而嚴(yán)重影響后續(xù)的高級圖像處理，如 圖像配準(zhǔn)、圖像分割、目標(biāo)分類等。由此圖像去噪始終是計算機視覺與圖像處理領(lǐng)域的研究 重點，并已成為國際學(xué)術(shù)界研究的一個熱點。
[0003] 圖像去噪是將含有噪聲干擾的圖像進行一系列的分解變換后進行去噪處理，之后 對去噪后的子帶進行重構(gòu)即可得到去掉噪聲后的圖像，經(jīng)過去噪處理后的圖像即可較為清 晰呈現(xiàn)原有圖像的本質(zhì)特征。近年來，圖像去噪技術(shù)研究取得了很大進展，并陸續(xù)提出了一 系列優(yōu)秀的圖像去噪方法，人們習(xí)慣上將其劃分為雙邊濾波、非局部均值、條件隨機場、各 向異性擴散和統(tǒng)計模型方法等。但遺憾的是，現(xiàn)有的去噪方法仍存在很多難以克服的問題， 例如雙邊濾波法不能處理Speckle噪聲，并且常常使圖像過于平滑；非局部均值法有兩大 缺陷：第一，客觀質(zhì)量和視覺效果比其他去噪方法更差；第二，相對于其它去噪算法計算復(fù) 雜度為J，非局部算法的計算復(fù)雜度為〇(Z)，其中η為圖像的大?。粭l件隨機場法也有 兩大缺陷：第一，條件隨機場的能量函數(shù)計算必須是可行的，但是，在真實世界中，為大部分 能量函數(shù)找到全局最小值是一個NP難題；第二，很難在期望的解決方案中找到擁有全局最 小值的能量函數(shù)；各向異性擴散法過于平滑圖像且邊界過于尖銳，以至于喪失了很多紋理 信息。


【發(fā)明內(nèi)容】

[0004] 本發(fā)明針對現(xiàn)有技術(shù)所存在的上述技術(shù)問題，提供一種去噪時間合理、去噪效果 理想的基于變換系數(shù)統(tǒng)計特性的圖像去噪方法。
[0005] 本發(fā)明的技術(shù)方案是：一種基于變換系數(shù)統(tǒng)計特性的圖像去噪方法，其特征在于 按如下步驟進行： 步驟1 :將含有噪聲的預(yù)處理圖像，進行非下采樣Contourlet分解變換，得到一個低頻 子帶和若干個高頻子帶； 步驟2 :使用二階和四階累積量知識，估計高頻子帶的Weibull參數(shù)； 步驟3 :計算出系數(shù)大小的條件概率密度和系數(shù)尺度間平均圓錐比率的概率密度，并 獲得兩者的聯(lián)合條件概率密度； 步驟4 :構(gòu)建HMT樹，拓展HMT樹為多叉樹，建立融合尺度間、尺度內(nèi)、方向間多種關(guān)系 的HMT模型，使用步驟3的聯(lián)合概率密度進行訓(xùn)練，獲得模型參數(shù)； 步驟5 :使用貝葉斯去噪得到無噪系數(shù)，對去噪后系數(shù)進行非下采樣Contourlet變換， 獲得無噪圖像。
[0006] 所述步驟1如下： 步驟11:分解變換采用的分解參數(shù)為[2 2 3 3]，即高頻子帶分解為四個尺度，第一， 二尺度分別為8個方向，第三，四個尺度分別為4個方向； 步驟12 :對原始圖像進行非下采樣Contourlet分解變換，得到若干個高頻子帶系數(shù)和 一個低頻子帶系數(shù)。
[0007] 所述步驟2如下： 步驟21 :含噪圖像經(jīng)過非下采樣Contourlet分解變換后，高頻子帶系數(shù)的統(tǒng)計分布符 合參數(shù)為Θ= {γ:C1,丨的Weibull模型； 步驟22 :當(dāng)有高斯噪聲覆蓋在原始圖像上，即含噪圖像，經(jīng)過非下采樣Contourlet分 解變換后，其高頻子帶系數(shù)的高階統(tǒng)計特性并不會改變，使用二階累積量和四階累積量估 計高頻子帶系數(shù)的weibull分布參數(shù)PWPCf,其中= 是形狀參數(shù)，Cf是 尺度參數(shù)，估計方法如下：

【權(quán)利要求】
1. 一種基于變換系數(shù)統(tǒng)計特性的圖像去噪方法，其特征在于按如下步驟進行： 步驟1 :將含有噪聲的預(yù)處理圖像，進行非下采樣Contourlet分解變換，得到一個低頻 子帶和若干個高頻子帶； 步驟2 :使用二階和四階累積量知識，估計高頻子帶的Weibull參數(shù)； 步驟3 :計算出系數(shù)大小的條件概率密度和系數(shù)尺度間平均圓錐比率的概率密度，并 獲得兩者的聯(lián)合條件概率密度； 步驟4 :構(gòu)建HMT樹，拓展HMT樹為多叉樹，建立融合尺度間、尺度內(nèi)、方向間多種關(guān)系 的HMT模型，使用步驟3的聯(lián)合概率密度進行訓(xùn)練，獲得模型參數(shù)； 步驟5 :使用貝葉斯去噪得到無噪系數(shù)，對去噪后系數(shù)進行非下采樣Contourlet變換， 獲得無噪圖像。
2. 根據(jù)權(quán)利要求1所述的基于變換系數(shù)統(tǒng)計特性的圖像去噪方法，其特征在于所述步 驟1如下： 步驟11:分解變換采用的分解參數(shù)為[2 2 3 3]，即高頻子帶分解為四個尺度，第一， 二尺度分別為8個方向，第三，四個尺度分別為4個方向； 步驟12 :對原始圖像進行非下采樣Contourlet分解變換，得到若干個高頻子帶和一個 低頻子帶。
3. 根據(jù)權(quán)利要求2所述的基于變換系數(shù)統(tǒng)計特性的圖像去噪方法，其特征在于所述步 驟2如下： 步驟21 :含噪圖像經(jīng)過非下采樣Contourlet分解變換后，高頻子帶系數(shù)的統(tǒng)計分布符 合參數(shù)為? = 丨的Weibull模型； 步驟22 :使用二階累積量和四階累積量估計高頻子帶系數(shù)的weibull分布參數(shù)和
其中，<是二階中心矩，由4是四階中心矩，A是子帶系數(shù)的總數(shù)，乞是二階累積量，￡-4 是四階累積量，是噪聲方差，是含噪系數(shù)協(xié)方差，是噪聲系數(shù)協(xié)方差，dx是無噪系 數(shù)協(xié)方差； 步驟23 :通過步驟22可以得到r的無偏估計：

其中，JH是噪聲方差，令￡i:z| =r，可以估i葉
C采用最大似然估討 J
4. 根據(jù)權(quán)利要求3所述的基于變換系數(shù)統(tǒng)計特性的圖像去噪方法，其特征在于所述步
步驟52 :獲得不含噪聲圖像對f進行非下采樣Contourlet逆變換，得到不含噪聲圖 像。
【文檔編號】G06T5/00GK104484863SQ201410844888
【公開日】2015年4月1日 申請日期:2014年12月31日 優(yōu)先權(quán)日:2014年12月31日
【發(fā)明者】王向陽, 張娜, 牛盼盼 申請人:遼寧師范大學(xué)