專利名稱：一種圖像組合降噪方法
技術(shù)領(lǐng)域：
本發(fā)明涉及一種圖像組合降噪方法，該方法采用基于移不變Contourlet(輪廓小波)變換域降噪和維納(Wiener)濾波的圖像組合降噪方法，除去圖像中的噪聲，以提高圖像質(zhì)量。在軍事領(lǐng)域和非軍事領(lǐng)域如光學(xué)成像、目標(biāo)檢測(cè)、安全監(jiān)控等系統(tǒng)中均有廣泛應(yīng)用。
背景技術(shù)：
通常，我們得到的圖像都受到不同程度的噪聲污染，為了后續(xù)的進(jìn)一步處理，很有必要進(jìn)行降噪處理，濾出噪聲，并盡可能地保留圖像的所有特征信息，以提高圖像的恢復(fù)質(zhì)量。目前，圖像降噪方法主要有空域?yàn)V波，如均值濾波和中值濾波等，以及變換域?yàn)V波，如低通濾波等。
近二十來(lái)，小波變換以其良好的時(shí)頻特性和多分辨率思想，在信號(hào)和圖像處理領(lǐng)域得到了廣泛的應(yīng)用，并成功地應(yīng)用到了圖像降噪領(lǐng)域。但是，由一維小波通過(guò)張量積形成的二維可分離小波變換只能有效地表示一維奇異信息即點(diǎn)奇異信息，而不能有效地描述圖像中的二維或高維奇異信息，如線、輪廓等重要信息，從而制約了小波降噪方法的性能。
Contourlet變換作為一種新的信號(hào)分析工具，解決了小波變換不能有效表示二維或更高維奇異性的缺點(diǎn)，能準(zhǔn)確地將圖像中的邊緣捕獲到不同尺度、不同頻率、不同方向的子帶中。它不僅具有小波變換的多尺度特性，還具有小波變換不具有的方向性和各向異性，能更稀疏的表示圖像中的輪廓特征，因此能很好地應(yīng)用于圖像處理中，包括圖像降噪方面。由于，Contourlet變換缺乏平移不變性，在降噪過(guò)程中會(huì)產(chǎn)生偽吉布斯(Gibbs)現(xiàn)象，循環(huán)平移(Cycle Spinning)方法可以用來(lái)抑制Contourlet域閾值降噪方法產(chǎn)生的偽Gibbs現(xiàn)象，降噪性能明顯優(yōu)于小波閾值降噪方法，在很大程度上提高了降噪方法的性能。但是，實(shí)際情況表明，這種方法還不能完全去除噪聲，降噪圖像中仍然殘留少量噪聲，影響圖像質(zhì)量，需要采取進(jìn)一步的降噪處理。

發(fā)明內(nèi)容
本發(fā)明的目的在于針對(duì)現(xiàn)有圖像降噪方法存在的不足，提出了一種圖像組合降噪方法，用于去除圖像中的噪聲，以提高圖像質(zhì)量。
為了達(dá)到上述目的，本發(fā)明采用下述技術(shù)方案一種圖像組合降噪方法。其特征在于采用基于移不變Contourlet變換域降噪和Wiener濾波的圖像組合降噪方法，該方法是先在Contourlet域，根據(jù)系數(shù)服從廣義高斯分布，選取貝葉斯(Bayes)收縮閾值，提高圖像降噪的效果。然后，再對(duì)經(jīng)過(guò)Contourlet域降噪后得到的預(yù)降噪圖像，采用Wiener濾波方法進(jìn)行進(jìn)一步的降噪處理，達(dá)到圖像降噪的目的。
假設(shè)觀測(cè)到的噪聲圖像為I＝f+n (1)其中f為原始圖像，n為獨(dú)立同分布的高斯白噪聲信號(hào)N(0，σ2)。
上述降噪方法的具體步驟如下1.始化設(shè)置。令i＝0，j＝0，設(shè)定行方向和列方向上的最大平移量N1和N2。同時(shí)設(shè)定Contourlet變換的中LP分解層數(shù)K和每層中的方向分解數(shù)Lk；2.對(duì)輸入的帶噪圖像I在行和列方向上進(jìn)行有效位移量的循環(huán)平移，得到平移圖像Sij＝Ci，j(I)， (2)其中i∈(0，N1)和j∈(0，N2)分別為行方向和列方向上的平移量；3.對(duì)得到的平移圖像Sij進(jìn)行多尺度、多方向的Contourlet稀疏分解，即[Slf,Shf(1,1),···,Shf(1,L1),Shf(2,1),···,Shf(K,Lk)]=T(Sij),---(3)]]>其中T(·)為Contourlet變換。從而得到一幅低頻子圖像Slf和一系列具有不同分辨率的高頻子圖像Shf(k，l)，其中k∈(1，K)和l∈(1，Lk)標(biāo)明子圖像位于第k層LP(拉普拉斯塔式分解)的第l方向；4.對(duì)Contourlet變換后的高頻子圖像Shf(k，l)進(jìn)行閾值降噪處理，得到降噪子圖像，SDhf(k,l)=Λ(Shf(k,l),TB),---(4)]]>其中，Λ(·)為閾值函數(shù)，TB為閾值參數(shù)。根據(jù)Contourlet域系數(shù)服從廣義高斯分布，選用Bayes閾值TB=σn2/σx;]]>5.對(duì)第4步中得到的所有降噪高頻子圖像SDhf(k，l)和第3步中得到的低頻子圖像Slf實(shí)施Contourlet逆變換，得到在行方向和列方向上分別平移i和j后的降噪圖像，Si,jnf=T-1(Slf,SDhf(1,1),···,SDhf(1,L1),SDhf(2,1),···,SDhf(K,Lk)),---(5)]]>其中，T-1(·)為Contourlet逆變換；6.對(duì)第5步中得到的圖像Si，jnf進(jìn)行相應(yīng)平移量的逆向循環(huán)平移，有Ii,jnf=C-i,-j(Si,jnf).---(6)]]>7.重復(fù)步驟2至6，直到i＝N1和j＝N2為止，停止重復(fù)；8.對(duì)得到的所有Ii，jnf(i＝0，…，N1；j＝0，…，N2)求平均，得到預(yù)降噪圖像f^CT=1N1N2Σi=0,j=0N1,N2Ii,jnf.---(7)]]>9.對(duì)上一步得到的預(yù)降噪圖像 進(jìn)一步進(jìn)行Wiener濾波處理，得到最終的降噪結(jié)果 上述的第4步驟中的TB值的具體估計(jì)步驟為①對(duì)于噪聲標(biāo)準(zhǔn)差σn，采用魯棒性的中值估計(jì)，σ^n=10.6745LKΣi=1LKmedian(|Shf(K,i)|),---(8)]]>其中Shf(K，i)(i＝1…LK)為最高頻率系數(shù)；②由σy2=σx2+σn2,]]>有σ^xmax(σ^y2-σ^n2,0),---(9)]]>其中，σ^y2=1MNΣm=1MΣn=1NShf(k,i)(m,n),]]>Shf(k，i)是所考慮的高頻系數(shù)；③因此可得，閾值參數(shù)TB=σn2/σx.]]>本發(fā)明方法與現(xiàn)有技術(shù)相比較，具有如下顯而易見(jiàn)的突出實(shí)質(zhì)性特點(diǎn)和顯著優(yōu)點(diǎn)該發(fā)明旨在提供一種圖像組合降噪方法，首先通過(guò)Contourlet變換對(duì)輸入的帶噪圖像進(jìn)行多尺度、多方向的稀疏分解，然后根據(jù)Contourlet變換域系數(shù)服從廣義高斯分布，在Contourlet域進(jìn)行Bayes收縮閾值法降噪，并通過(guò)Contourlet反變換得到預(yù)降噪圖像，最后，采用Wiener濾波法對(duì)預(yù)降噪圖像進(jìn)行進(jìn)一步降噪處理，以提高圖像的恢復(fù)精度。具體特點(diǎn)和優(yōu)點(diǎn)為(1)針對(duì)現(xiàn)有最具有代表性的小波域閾值降噪方法中小波變換的缺點(diǎn)------不能有效地表示圖像中的二位或高維奇異性，將Contourlet變換應(yīng)用到圖像降噪中，進(jìn)行多尺度、多方向分解，為后續(xù)降噪過(guò)程提供稀疏的圖像描述系數(shù)。
(2)對(duì)現(xiàn)有圖像降噪技術(shù)存在的不足，提出了一種圖像組合降噪方法，即基于移不變Contourlet變換域降噪和Wiener濾波的圖像組合降噪方法。
(3)本發(fā)明方法在Contourlet變換域的圖像降噪階段，針對(duì)圖像的Contourlet域系數(shù)服從廣義高斯分布(GGD)，滿足Bayes估計(jì)方法的假定條件——信號(hào)服從廣義高斯分布，采用基于Bayes估計(jì)閾值，進(jìn)行降噪，提高了降噪性能。
(4)本發(fā)明方法針對(duì)Contourlet變換域的圖像降噪方法不能完全去除噪聲，降噪圖像中仍然殘留少量噪聲，采取Wiener濾波法進(jìn)一步降噪處理。
本發(fā)明提供的圖像降噪方法能提高降噪圖像的質(zhì)量、提供更加全面、準(zhǔn)確的目標(biāo)和背景信息，達(dá)到較理想的降噪效果。在軍事領(lǐng)域和非軍事領(lǐng)域如光學(xué)成像、目標(biāo)檢測(cè)、安全監(jiān)控等系統(tǒng)中均有廣泛應(yīng)用前景。


圖1為本發(fā)明一個(gè)實(shí)施例的圖像降噪方法框圖。
圖2是圖1示例降噪結(jié)果照片圖。圖中，(a)到(e)為輸入圖像受到不同噪聲污染情況下的降噪結(jié)果，噪聲強(qiáng)度分別為10、20、30、40和50。每一行中，第一幅圖為受噪聲污染的輸入，第二幅圖為采用一種Contourlet變換域的圖像降噪方法降噪后的降噪圖像，第三幅圖為采用本發(fā)明方法降噪后的降噪圖像。
具體實(shí)施例方式
本發(fā)明的一個(gè)優(yōu)選實(shí)施例結(jié)合附圖祥述如下本發(fā)明旨在提供一種圖像組合降噪方法，如圖1所示。該方法先通過(guò)Contourlet變換對(duì)輸入的帶噪圖像進(jìn)行多尺度、多方向的稀疏分解，然后根據(jù)Contourlet變換域系數(shù)服從廣義高斯分布，在Contourlet域進(jìn)行Bayes收縮閾值法降噪，并通過(guò)Contourlet反變換得到預(yù)降噪圖像，最后，采用Wiener濾波法對(duì)預(yù)降噪圖像進(jìn)行進(jìn)一步降噪處理，得到最終的降噪圖像，達(dá)到圖像降噪的目的。
具體步驟為1.初始化設(shè)置。令i＝0，j＝0，設(shè)定行方向和列方向上的最大平移量N1和N2。同時(shí)設(shè)定Contourlet變換的中LP分解層數(shù)K和每層中的方向分解數(shù)Lk；2.對(duì)輸入的帶噪圖像I在行和列方向上進(jìn)行有效位移量的循環(huán)平移，得到平移圖像Sij＝Ci，j(I)，其中i∈(0，N1)和j∈(0，N2)分別為行方向和列方向上的平移量；3.對(duì)得到的平移圖像Sij進(jìn)行多尺度、多方向的Contourlet稀疏分解，即[Slf,Shf(1,1),···,Shf(1,L1),Shf(2,1),···,Shf(K,Lk)]=T(Sij),]]>其中T(·)為Contourlet變換。從而得到一幅低頻子圖像Slf和一系列具有不同分辨率的高頻子圖像Shf(k，l)，其中k∈(1，K)和l∈(1，Lk)標(biāo)明子圖像位于第k層LP(拉普拉斯塔式分解)的第l方向；4.對(duì)Contourlet變換后的高頻子圖像Shf(k，l)進(jìn)行閾值降噪處理，得到降噪子圖像，SDhf(k,l)=Λ(Shf(k,l),TB),]]>其中，Λ(·)為閾值函數(shù)，TB為閾值參數(shù)。根據(jù)Contourlet域系數(shù)服從廣義高斯分布，因此，本實(shí)施例選用Bayes閾值TB=σn2/σx.]]>具體估計(jì)步驟為①對(duì)于噪聲標(biāo)準(zhǔn)差σn，采用魯棒性的中值估計(jì)，σ^n=10.6745LKΣi=1LKmedian(|Shf(K,i)|),]]>其中Shf(K，i)(i＝1…LK)為最高頻率系數(shù)；②由σy2=σx2+σn2,]]>有σ^xmax(σ^y2-σ^n2,0),]]>其中，σ^y2=1MNΣm=1MΣn=1NShf(k,i)(m,n),]]>Shf(k，i)是所考慮的高頻系數(shù)；
③因此可得，閾值TB=σn2/σx.]]>5.對(duì)第4步中得到的所有降噪高頻子圖像SDhf(k，l)和第3步中得到的低頻子圖像Slf實(shí)施Contourlet逆變換，得到在行方向和列方向上分別平移i和j后的降噪圖像，Si,jnf=T-1(Slf,SDhf(1,1),···,SDhf(1,L1),SDhf(2,1),···,SDhf(K,Lk)),]]>其中，T-1(·)為Contourlet逆變換；6.對(duì)第5步中得到的圖像Si，jnf進(jìn)行相應(yīng)平移量的逆向循環(huán)平移，有Ii,jnf=C-i,-j(Si,jnf).]]>7.重復(fù)步驟2至6，直到i＝N1和j＝N2為止，停止重復(fù)；8.對(duì)得到的所有Ii，jnf(i＝0，…，N1；j＝0，…，N2)求平均，得到預(yù)降噪圖像f^CT=1N1N2Σi=0,j=0N1,N2Ii,jnf.]]>9.對(duì)上一步得到的預(yù)降噪圖像 進(jìn)一步進(jìn)行Wiener濾波處理，得到最終的降噪結(jié)果 從圖2可以看出，從視覺(jué)效果上看，本發(fā)明方法明顯優(yōu)于基于移不變Contourlet變換域的Bayes收縮閾值法。在降噪的過(guò)程中，后者只是對(duì)經(jīng)過(guò)Contourlet變換后得到的高頻系數(shù)進(jìn)行Bayes閾值去噪，而沒(méi)有考慮低頻部分，故降噪后的圖像仍然殘留少量噪聲。而本發(fā)明方法在此基礎(chǔ)之上進(jìn)一步采用具有MSE意義下最優(yōu)的估計(jì)器——Wiener濾波器實(shí)施濾波，從而在保護(hù)圖像細(xì)節(jié)信息的同時(shí)，進(jìn)一步提高了降噪圖像的PSNR，進(jìn)一步降低了降噪圖像的MSE。
表1給出了本發(fā)明降噪方法降噪結(jié)果的客觀評(píng)價(jià)指標(biāo)。
表中，方法1指基于移不變Contourlet變換域的Bayes收縮閾值降噪方法采用了峰值信噪比(PSNR)和最小均方誤差(MSE)來(lái)衡量降噪圖像的質(zhì)量，進(jìn)而評(píng)價(jià)降噪方法的優(yōu)劣。
從表中可以看出，本圖像降噪方法無(wú)論是在PSNR方面，還是在MSE方面，均能取得很好的降噪效果，有效地降低圖像中的噪聲信號(hào)，提高圖像質(zhì)量。
另外，從表中不難發(fā)現(xiàn)，隨著噪聲水平的升高，經(jīng)本發(fā)明方法降噪后得到的降噪圖像指標(biāo)(PSNR和MSE)較基于移不變Contourlet變換域的Bayes收縮閾值法提高幅度不斷增大，表明本發(fā)明降噪方法的優(yōu)勢(shì)越發(fā)明顯。在視覺(jué)效果方面，也能從圖2得出相同的結(jié)論。
總之，無(wú)論是從人眼視覺(jué)效果，還是從客觀評(píng)價(jià)指標(biāo)，均表明本發(fā)明方法更好地降低圖像中的噪聲信號(hào)，保護(hù)了圖像中的重要細(xì)節(jié)信息，提高了圖像的質(zhì)量。
表1不同噪聲水平下降噪結(jié)果的評(píng)價(jià)指標(biāo)比較

權(quán)利要求
1.一種圖像組合降噪方法，其特征在于采用基于移不變Contourlet變換域降噪和Wiener濾波的圖像組合降噪方法，該方法是先通過(guò)Contourlet變換對(duì)輸入的帶噪圖像進(jìn)行多尺度、多方向的稀疏分解，然后根據(jù)Contourlet變換域系數(shù)服從廣義高斯分布，在Contourlet域進(jìn)行Bayes收縮閾值法降噪，并通過(guò)Contourlet反變換得到預(yù)降噪圖像，最后，采用Wiener濾波法對(duì)預(yù)降噪圖像進(jìn)行進(jìn)一步降噪處理，得到最終的降噪圖像，達(dá)到圖像降噪的目的。
2.根據(jù)權(quán)利要求1所述的圖像組合降噪方法，其特征在于具體步驟為1)初始化設(shè)置。令i＝0，j＝0，設(shè)定行方向和列方向上的最大平移量N1和N2。同時(shí)設(shè)定Contourlet變換的中LP分解層數(shù)K和每層中的方向分解數(shù)Lk；2)對(duì)輸入的帶噪圖像I在行和列方向上進(jìn)行有效位移量的循環(huán)平移，得到平移圖像Sij＝Ci，j(I)，其中i∈(0，N1)和j∈(0，N2)分別為行方向和列方向上的平移量；3)對(duì)得到的平移圖像Sij進(jìn)行多尺度、多方向的Contourlet稀疏分解，即[Slf,Shf(1,1),···,Shf(1,L1),Shf(2,1),···,Shf(K,Lk)]=T(Sij),]]>其中T(·)為Contourlet變換；從而得到一幅低頻子圖像Slf和一系列具有不同分辨率的高頻子圖像Shf(k，l)，其中k∈(1，K)和l∈(1，Lk)標(biāo)明子圖像位于第k層拉普拉斯塔式分解(LP)的第l方向；4)對(duì)Contourlet變換后的高頻子圖像Shf(k，l)進(jìn)行閾值降噪處理，得到降噪子圖像，SDhf(k,l)=Λ(Shf(k,l),Thr),]]>其中，Λ(·)為閾值函數(shù)，Thr為閾值，根據(jù)Contourlet變換域系數(shù)服從廣義高斯分布，選用Bayes閾值TB=σn2/σx;]]>5)對(duì)第4)步驟中得到的所有降噪高頻子圖像SDhf(k，l)和第3)步驟中得到的低頻子圖像Slf實(shí)施Contourlet逆變換，得到再行方向和列方向上分別平移i和j后的降噪圖像，Si,jnf=T-1(Slf,SD hf(1,1),···,SD hf(1,L1),SD hf(2,1),···,SD hf(K,Lk)),]]>其中，T-1(·)為Contourlet逆變換；6)對(duì)第5)步驟中得到的圖像Si，jnf進(jìn)行相應(yīng)平移量的逆向循環(huán)平移，有Ii,jnf=C-i,-j(Si,jnf);]]>7)重復(fù)步驟2)至6)，直到i＝N1和j＝N2為止，停止重復(fù)；8)對(duì)得到的所有Ii，jnf(i＝0，…，N1；j＝0，…，N2)求平均，得到預(yù)降噪圖像f^CT=1N1N2Σi=0,j=0N1,N2Ii,jnf;]]>9)對(duì)第8)步驟得到的預(yù)降噪圖像 進(jìn)一步進(jìn)行Wiener濾波處理，得到最終的降噪結(jié)果
3.根據(jù)權(quán)利要求2所述的圖像組合降噪方法，其特征在于所述的第4)步驟中的閾值TB具體估計(jì)步驟如下①對(duì)于噪聲標(biāo)準(zhǔn)差σn，采用魯棒性的中值估計(jì)，σ^n=10.6745LkΣi=1LKmedian(|Shf(K,i)|),]]>其中Shf(K，i)(i＝1…Lk)為最高頻率系數(shù)；②由σy2=σx2+σn2,]]>有σ^x=max(σ^y2-σ^n2,0),]]>其中，σ^y2=1MNΣm=1MΣn=1NShf(k,i)(m,n),]]>Shf(k，j)是所考慮的高頻系數(shù)；③因此可得，閾值參數(shù)TB=σn2/σx.]]>
全文摘要
本發(fā)明涉及一種圖像組合降噪方法。本方法先通過(guò)Contourlet變換對(duì)輸入的帶噪圖像進(jìn)行多尺度、多方向的稀疏分解，然后根據(jù)Contourlet變換域系數(shù)服從廣義高斯分布，在Contourlet域進(jìn)行Bayes收縮閾值法降噪，并通過(guò)Contourlet反變換得到預(yù)降噪圖像，最后，采用Wiener濾波法對(duì)預(yù)降噪圖像進(jìn)行進(jìn)一步降噪處理，得到最終的降噪圖像，達(dá)到圖像降噪目的。采用本方法除去圖像中的噪聲，可提高圖像質(zhì)量，本發(fā)明可廣泛應(yīng)用于軍事領(lǐng)域或非軍事領(lǐng)域的光學(xué)成像、目標(biāo)檢測(cè)和安全監(jiān)控等系統(tǒng)中。
文檔編號(hào)H04N5/217GK1917577SQ20061003074
公開(kāi)日2007年2月21日 申請(qǐng)日期2006年9月1日 優(yōu)先權(quán)日2006年9月1日
發(fā)明者方勇, 劉盛鵬 申請(qǐng)人:上海大學(xué)