呂俊白

(華僑大學計算機科學與技術學院,福建泉州362021)

小波系數(shù)局部特征的自適應圖像降噪算法

呂俊白

(華僑大學計算機科學與技術學院,福建泉州362021)

在Visu Shrink和基于Bayes準則的Bayes Shrink去噪方法的基礎上,提出一種基于小波系數(shù)局部特征的自適應圖像降噪算法.該算法從含噪圖像的HH1子帶估算噪聲信號的標準差,并據(jù)此優(yōu)化小波分解所需的級數(shù);然后,根據(jù)小波系數(shù)的局部特征,自適應地選擇不同子帶不同方向上的最佳閾值,運用軟閾值函數(shù)對圖像進行降噪.與傳統(tǒng)方法相比,該方法不僅提高圖像的峰值信噪比,使圖像更清晰,而且具有實現(xiàn)簡單、運算速度快的特點.

圖像降噪;整數(shù)提升;小波變換;分解級數(shù);自適應閾值;峰值信噪比

20世紀90年代中期,Sw eldens和Daubechies等學者提出一種關于小波構造的新方法——提升方案,它利用提升小波來構造傳統(tǒng)小波,具有結構實現(xiàn)簡單、運算速度快、節(jié)省緩存空間等優(yōu)點,同時還可以實現(xiàn)整數(shù)小波變換,使得小波變換更加實用[1-4].Donoho等[5]在小波變換的基礎上提出了小波閾值降噪的概念.小波閾值萎縮法認為,較大的小波系數(shù)一般都是以實際信號為主,而較小的小波系數(shù)則很大程度上是噪聲,故可以通過設定合適的閾值,在小波域內保留較大的系數(shù),去除較小的系數(shù)來達到去除圖像噪聲的目的.Donoho等[5-6]提出了Visu Shrink去噪方法,Grace Chang等[7]提出了基于Bayes準則的Bayes Shrink去噪方法.基于此,本文提出了基于小波系數(shù)局部特征的自適應圖像降噪方法.

1 算法的設計與實現(xiàn)

1.1 算法的設計

基于小波系數(shù)局部特征的自適應圖像降噪方法,有如下5點主要的實現(xiàn)步驟.

(1)對含噪圖像所含噪聲信號的標準差進行估計,并據(jù)此確定所需的小波分解級數(shù)l.

(2)對含噪圖像運用Daubechies 9-7整數(shù)提升小波結構進行l(wèi)級分解.

(3)提取各層中水平、垂直、對角線3個不同方向上的小波系數(shù),根據(jù)自適應多閾值公式,求出不同子帶、不同方向上的最佳閾值.

(4)運用軟閾值函數(shù),對各層水平、垂直、對角線3個方向上的小波系數(shù)進行取閾值操作. (5)利用閾值處理后得到的新小波系數(shù),運用整數(shù)提升小波的逆變換重構圖像.

1.2 整數(shù)提升小波變換的實現(xiàn)

通常小波變換濾波器都是小數(shù)形式的,當實際的數(shù)字圖像采用整數(shù)表示時,濾波器輸出的結果就不再是整數(shù).根據(jù)文[4]的提升方案,可以構造出整數(shù)到整數(shù)的小波變換,從而避免第一代小波變換結果為浮點數(shù)所帶來的問題.

利用提升框架實現(xiàn)小波變換和逆變換的過程,如圖1所示.從圖1(a)可知,把一個序列分解為偶數(shù)序列和奇數(shù)序列,用偶數(shù)序列去預測奇數(shù)序列,再用奇數(shù)序列的真實值和預測值的偏差去修正偶數(shù)序列,如此重復進行.其中:p(i),u(i),i=1,2,…,m分別是預測算子和更新算子.實現(xiàn)時,對預測表達式和更新表達式取整,由圖1(a)可知,運用提升框架的整數(shù)小波分解變換的表達式為

圖1 利用提升方法實現(xiàn)小波變換框圖Fig.1 Wavelet transfo rm using lifting

式(1)～(3)中:x表示對x下取整.經(jīng)過m次預測和更新后,再作用一個尺度因子可得

顛倒小波分解變換表達式的順序,并將符號取反,則運用提升框架的整數(shù)小波逆變換的表達式為

選取信號處理中常用的Daubechies 9-7小波濾波器,其整數(shù)提升實現(xiàn)方案[4,8]為

上式中:α≈-1.586 134 342,β≈-0.052 980 118 54,γ≈0.882 911 076 2,δ≈0.443 506 852 2,K≈1.149 604 398.

1.3 小波域降噪模型

設原始圖像為{fi,j;i,j=1,2,…,N}噪聲{εi,j}為獨立同分布高斯噪聲,服從N(0,σ2n)分布;被噪聲污染圖像為{gi,j}.由{gi,j=fi,j+εi,j;i,j=1,2,…,N}經(jīng)正交小波變換后,可得{Wgi,j=Wfi,j+Wεi,j; i,j=1,2,…,N}.其中:Wgi,j為含噪聲圖像的小波變換系數(shù);Wfi,j為原始圖像的小波變換系數(shù);Wεi,j為噪聲的小波變換系數(shù).由于是正交小波變換,Wεi,j仍服從N(0,σ2n)分布.小波域降噪的目的就是從含噪圖像的小波系數(shù)Wgi,j中得到原始圖像的小波系數(shù)Wfi,j的估計W^fi,j.

1.4 小波分解級數(shù)的確定

在圖像降噪的模擬實驗中,小波域降噪所需進行的小波分解級數(shù)與被噪聲污染圖像所含噪聲的水平直接相關.根據(jù)文[7,9]可知,噪聲信號的標準差σWε可根據(jù)HH1子帶進行估計.即

其中:M為取中值;Yi,j∈HH1.根據(jù)噪聲標準差估計自適應地確定小波分解的級數(shù),即l=R(σ^Wε/10), R為取最近的整數(shù).

以3幅256級灰度的512 px×512 p x的圖像(Lena,Barb,Peppers)為例,以峰值信噪比RPSN(PSNR)為主要性能指標評價降噪效果,結果如表1所示.表1中:σ為噪聲標準差.

表1 不同分解級數(shù)下的降噪實驗結果Tab.1 Denoising experimental result obtained at different decomposition scale

實驗表明,當噪聲信號較弱(σ^Wε<30)時,采用自適應的方法確定所需的小波分解級數(shù),并運用所設計的降噪算法,圖像可獲得較好的降噪效果.同時,可以發(fā)現(xiàn)小波分解的級數(shù)并不是越多越好(表1),進行5級小波分解圖像降噪后的主要性能指標明顯低于3級及自適應分解.對于噪聲信號σ^Wε>30的圖像,按所設計的算法,一般只需進行3級小波分解及降噪即可獲得滿意的降噪效果.

1.5 自適應閾值的估計

小波閾值降噪方法實現(xiàn)的關鍵在于最佳閾值T的確定.目前,常用的閾值估計方法有Visu Shrink去噪法和Bayes Shrink去噪法.在這兩種閾值估計方法基礎上,提出一種基于不同子帶、不同方向上的自適應閾值確定方法.算法的實現(xiàn)有如下2個主要步驟.

(1)對圖像信號的小波系數(shù)標準差進行估計.各方向上的小波細節(jié)系數(shù)分別記為Wgi,j(1,K)∈{L HK},Wgi,j(2,K)∈{HLK},Wgi,j(3,K)∈{H HK}.其中:K=1,2,…,l;l為小波分解的級數(shù);Wgi,j服從廣義的高斯分布.因此,含噪圖像信號的方差估計為

式(10)中:D=1,2,3,分別表示水平、垂直、對角線3個方向.由σ2Wg=σ2Wf+σ2Wε可得原始圖像信號的標準差估計為

1.6 閾值函數(shù)的選取

小波閾值降噪方法除了最佳閾值T的確定,另一個關鍵因素是閾值函數(shù)的選取.常用的閾值處理

函數(shù)包括硬閾值函數(shù)和軟閾值函數(shù)兩種.(1)硬閾值函數(shù)為

(2)軟閾值函數(shù)為

式(14)中:Wgi,j為含噪圖像的小波系數(shù);W^fi,j為經(jīng)閾值處理后得到的原始圖像的小波系數(shù)Wfi,j的估計; T為閾值.由式(13),(14)可見,硬閾值函數(shù)是使絕對幅值大于等于T的小波系數(shù)保留,其他的系數(shù)則為0;而軟閾值函數(shù)是先讓小波系數(shù)和T進行比較,然后根據(jù)比較的結果再向0進行收縮.由于用硬閾值處理后的信號要比軟閾值處理后的信號粗糙,因此,文中采用的是軟閾值函數(shù).

2 降噪效果評價

以峰值信噪比(RPSN)評價圖像的降噪效果,其計算公式為式(15)中:f^i,j為重構圖像各象素的灰度值;fi,j為原始圖像各象素的灰度值.

考慮到人眼的視覺特性并不是對圖像中所有的成分都敏感,而只是對其中部分成分敏感.因此,在直觀視覺上以圖像是否清晰進行綜合評價.

3 實驗結果

為驗證所設計的降噪算法的效果,選取3幅256級灰度、大小為512 px×512 px,含不同程度噪聲的圖像進行降噪實驗,結果如圖2所示,相應的峰值信噪比如表1所示.

圖2 降噪實驗結果Fig.2 Denoising experimental result

4 結束語

所提出基于小波系數(shù)局部特征的自適應圖像降噪方法,能有效地提高圖像的峰值信噪比,改善圖像質量,使圖像更加清晰.在算法實現(xiàn)中,采用整數(shù)提升小波變換代替?zhèn)鹘y(tǒng)小波變換,使得處理過程更快捷、高效.該方法運用于圖像檢測與識別系統(tǒng),可大大提高系統(tǒng)的性能,對于實時圖像的降噪有廣闊的應用前景.

[1] DAUBECH IES I,SWELDENSW.Facto ring wavelet transfo rm s into lifting steps[J].Journal of Fourier Analysis and App lications,1998,4(3):247-269.

[2] SWELDENSW.The lifting scheme:A construction of second generation wavelets[J].SIAM Journalon Mathematical Analysis,1997,29(2):511-546.

[3] SWELDENSW.The lifting scheme:A custom-design construction of biorthogonal wavelets[J].Applied and Computational Harmonic Analysis,1996,3(2):186-200.

[4] CALDERBANK A R,DAUBECH IES I,SW ELDENSW,et al.Wavelet transforms thatmap integers to integers[J]. App lied and Computational Harmonic Anakysis,1998,5(3):332-369.

[5] DONOHO D L,JOHNSTONE IM.Adap ting to unknow n smoothness via wavelet shrinkage[J].Journal of the A-merican Statistical Association,1995,90(432):1200-1204.

[6] DONOHO D L.De-noising by soft-thresholding[J].IEEE Transactions on Info rmation Theory,1995,41(3):613-627.

[7] CHANG S G,VETTERL IM,YU B.Adaptive wavelet thresholding fo r image denoising and comp ression[J].IEEE Transactions on Image Processing,2000,9(9):1532-1546.

[8] 徐傳忠,楊冠魯.一種小波提升的電力有源濾波器[J].華僑大學學報:自然科學版,2004,25(4):366-370.

[9] POORNACHANDRA S.Wavelet-based denoising using subband dependent threshold for ECG signals[J].Digital Signal Processing,2008,18(1):49-55.

Adaptive Algorithm for Image Denoising Based on Local Characteristic of Wavelet Coefficient

LüJun-bai
(College of Computer Science and Technology,Huaqiao University,Quanzhou 362021,China)

Based on the Visu Shrink and the Bayes Shrink derived in a Bayesian framewo rk,a new adap tive algorithm for image denoising based on local characteristic of wavelet coefficient is p roposed.First,the noise standard deviation is estimated f rom the subband HH1to op timize the scale in the wavelet decomposition,then the op timal threshold fo r different subbands and o rientations is determined acco rding to the local characteristics.The image denoising ismade by using softthresholding function.Comparing w ith traditional denoising algo rithm,this algo rithm can imp rove the peak signal to noise ratio(PSNR)mo re effectively and also makes denoised imagemo re clearly,it can compute fastwith a simp le imp lementation.

image denoising;integer lifting;wavelet transfo rm;decomposition scale;adap tive thresholding;peak signal to noise rate

TP 391.41

A

(責任編輯:錢筠 英文審校:吳逢鐵)

1000-5013(2010)06-0636-05

2009-10-09

呂俊白(1969-),女,副教授,主要從事圖像處理與多媒體技術的研究.E-mail:ltgcs@hqu.edu.cn.