楊永俠,王 妍,郭 亮
(西安工業(yè)大學(xué) 電子信息工程學(xué)院,西安710021)
廣義S變換域低照度圖像時頻分析及濾波
楊永俠,王 妍,郭 亮
(西安工業(yè)大學(xué) 電子信息工程學(xué)院,西安710021)
為降低二維廣義S變換的計算復(fù)雜度和內(nèi)存占用度,基于二維廣義S變換時頻分析原理,提出了一種改進(jìn)快速離散正交S變換算法(FDOST).采用FDOST算法對低照度圖像進(jìn)行S變換,分析了高斯噪聲和原始圖像在廣義S變換域的時頻分布,給出了區(qū)分原始圖像和高斯噪聲的方法以及基于改進(jìn)廣義S變換低照度圖像時頻濾波法.對合成含噪圖像和實際低照度圖像進(jìn)行去噪仿真,結(jié)果表明:基于改進(jìn)廣義S變換FDOST濾波方法可去除圖像中的高斯噪聲,去噪后圖像信噪比較去噪前提升了6%,最大化保留了原始圖像信息.
廣義S變換;時頻分析;低照度圖像;高斯噪聲
數(shù)字技術(shù)的快速發(fā)展,使得數(shù)字圖像在人類的生產(chǎn)和活動中,占據(jù)越來越重要的地位,比如視頻監(jiān)控系統(tǒng)、超聲醫(yī)學(xué)診斷和地理信息系統(tǒng)等都要用到數(shù)字圖像,由于獲取圖像時受到外在環(huán)境、各種噪聲的影響使其不能獲得理想的圖像.因此在提取圖像有用信息、對圖像進(jìn)行模式識別等處理之前,常常要先對圖像進(jìn)行降噪處理.通常包括空間域和變換域兩類圖像降噪方法.空間域法基于原圖像,對數(shù)據(jù)直接進(jìn)行運算,計算像素的灰度值.目前有均值濾波、中值濾波等方法.變換域法基于圖像變換域進(jìn)行計算,通過對變換后的系數(shù)進(jìn)行處理,進(jìn)而進(jìn)行反變換以達(dá)到圖像去噪目的.目前多采用傅里葉變換和小波變換.廣義S變換作為一種較新的時頻變換分析方法,是介于短時傅里葉變換(Short-Time Fourier Transform,STFT)和小波變換(Wavelet Transformation,WT)之間的信號分析和處理方法,適用于處理非平穩(wěn)信號,其時頻譜分辨率受頻率影響,呈現(xiàn)多尺度聚焦性,且時頻譜與傅里葉譜直接相關(guān),頻率的絕對相位不變,容許性條件為基本變換函數(shù)的非必要條件,消除了短時傅里葉變換和小波變換的譜分析缺陷[1-6],并且時頻分辨率可變.文獻(xiàn)[1-3]進(jìn)行了二維S變換及其在圖像處理中的研究,結(jié)果表明S變換內(nèi)存需求量大,計算復(fù)雜,削弱了圖像實時處理效率,限制了其在視頻實時監(jiān)控領(lǐng)域的應(yīng)用.為了保證處理效率,其僅處理小圖像或者小面積感興趣區(qū)域.文獻(xiàn)[4]利用S變換進(jìn)行時頻濾波,結(jié)果表明S變換時頻濾波消除了傳統(tǒng)濾波方法濾波因子不隨時間、頻率變化而自動調(diào)節(jié)的局限.其時頻窗形狀和時窗寬度與頻率有關(guān).時頻譜在低頻段,頻率分辨率高于高頻段;在高頻段,時間分辨率高于低頻段.為了將S變換應(yīng)用于圖像降噪,本文在二維廣義S變換的基礎(chǔ)上引入快速離散正交S變換算法(Fast Discrete Orthonormal Stockwell Transform,FDOST),降低計算復(fù)雜度,設(shè)計FDOST改進(jìn)算法的運算實現(xiàn)過程,通過仿真實驗設(shè)計高斯濾波窗口,應(yīng)用于低照度圖像的降噪中.
基于一維廣義S變換,二維廣義S變換將一維時域信號和頻域信號映射于二維時頻平面,得到在空間域和頻率域的時頻譜,且時頻譜在空間域和頻率域的分辨率均優(yōu)于其他時頻分析方法[6].將S變換從一維空間推廣到二維空間,進(jìn)而在圖像處理中加以采用.S變換的時頻分辨率優(yōu)于其他圖像時頻分析方法,且圖像時頻呈現(xiàn)能力在圖像降噪領(lǐng)域優(yōu)勢明顯.
1.1 二維廣義S變換基本原理
由于一維廣義S變換可以由一維傅里葉變換推導(dǎo)出,因此二維廣義S變換可由二維傅里葉變換逐步推導(dǎo)出[7].與一維廣義S變換的實現(xiàn)相似,可將一維廣義高斯窗函數(shù)h(t,σ)擴展到二維廣義高斯窗函數(shù)h(tx,ty,σx,σy),t為時間因子,σ為尺度因子,tx、ty為二維廣義高斯窗時間因子,在二維廣義窗函數(shù)中引入調(diào)節(jié)參數(shù)μ,p1和η,p2,分別來改變尺度因子σx和σy,得到二維廣義S變換.
令
(1)
式中:u為σx代換參數(shù);v為σy代換參數(shù).
將二維圖像記為f(x,y),其二維廣義S變換為
e-i2π(ux′+vy′)dx′dy′
(2)
式中:x,y為二維圖像像元坐標(biāo);x′,y′為二維圖像像元廣義S變換代換坐標(biāo).
由一維廣義S變換和傅里葉變換的關(guān)系可推出二維廣義變換S(x,y,u,v)與二維傅里葉變換F(u,v)的關(guān)系[8],其表達(dá)式具體為
(3)
1.2 二維廣義S變換的閾值圖像去噪
廣義S變換是小波變換的相位校正,因此,小波變換的一些理論也適用于廣義S變換.小波變換在圖像降噪中有著很好的效果,可把小波變換降噪原理引入到二維廣義S變換中[9].廣義S變換結(jié)合小波軟硬閾值去噪,區(qū)分有效信號和噪聲對應(yīng)的系數(shù),從而得到基于二維廣義S變換的閾值圖像濾波方法.
含噪信號經(jīng)過廣義S變換后,有用信號主要集中在幅值比較大的廣義S變換系數(shù)中,而噪聲信號主要集中在幅值比較小的廣義S變換系數(shù)中.由于得到的廣義S變換的系數(shù)均為復(fù)數(shù)形式,這些系數(shù)可在復(fù)數(shù)域中進(jìn)行處理,即設(shè)一個半徑為T的圓形區(qū)域,將模值落在圓內(nèi)的廣義S變換的系數(shù)置零,將沒有落在圓內(nèi)的廣義S變換系數(shù)按照軟閾值去噪或硬閾值去噪方法進(jìn)行處理.
基于二維廣義S變換的閾值圖像去噪方法的實現(xiàn)過程如下:
1) 對二維圖像進(jìn)行二維的廣義S變換,得到廣義S變換系數(shù)S(i,j,m,n).
2) 對二維廣義S變換系數(shù)S(i,j,m,n)運用閾值去噪的方法進(jìn)行去噪處理.選取合適閾值T,將S變換系數(shù)絕對值abs(S(i,j,m,n))小于閾值T的廣義S變換系數(shù)S(i,j,m,n)置零,將其余的二維廣義S變換的系數(shù)完全保留下來(硬閾值法)或進(jìn)行修改后保留下來(軟閾值法).對于硬閾值法,即
S(i,j,m,n)=
(4)
對于軟閾值法,即
S(i,j,m,n)=
(5)
式(4)和式(5)中的閾值T采用閾值濾波統(tǒng)一閾值,即
(6)
式中:σ為零均值高斯白噪聲的標(biāo)準(zhǔn)偏差;N為二維圖像的像素點數(shù);a為閾值系數(shù),且為常數(shù).
3) 對由步驟二得到的二維廣義S變換系數(shù)進(jìn)行求和運算,通過二維廣義S逆變換即可得到去噪后的圖像.
由于二維廣義S變換的系數(shù)是四維的,計算復(fù)雜度為O(M2N2lgMN),M、N均為計算復(fù)雜度參數(shù)[10],這表明S變換算法計算過程內(nèi)存需求量大,計算過程復(fù)雜,不適于對大圖像進(jìn)行圖像深度處理,難以硬件實現(xiàn).為消除S變換這一局限,R.G.Stockwell提出了離散正交S變換 (Discrete Orthonormal Stockwell Transform,DOST)算法,該算法將時頻域劃分成N個區(qū)域,對任一區(qū)域用系數(shù)來表示.
2.1 快速離散正交S變換
DOST的計算復(fù)雜度為O(MNMN),引入快速傅里葉變換(Fast Fourier Transform,F(xiàn)FT),可快速計算DOST系數(shù).以下是快速離散正交S變換的推導(dǎo)過程.
DOST算法的計算公式為
S[υ,β,τ]=〈D[k][υ,β,τ],h[k]〉=
exp(-iπτ)h[k]
(7)
式中:S[υ,β,τ]為離散正交S變換;D[k][υ,β,τ]為離散正交變換;h[k]為離散脈沖響應(yīng);υ、β、τ均為快速離散正交S變換參數(shù);f、k為離散坐標(biāo);i為虛數(shù)單位.
更換求和次序可得
(8)
式(7)可表示為
(9)
其中H[f]為傅里葉系數(shù)序列.
對f的值的求和依據(jù)某一確定的帶寬,該帶寬取決于參數(shù)υ和β.因此該求和公式可以由一個變換矩陣與信號的傅里葉序列H相乘得到.DOST算法的計算法則如圖1所示.
圖1 DOST算法的計算法則
在計算S變換系數(shù)時可進(jìn)行快速傅里葉變換,以加快算法的實現(xiàn).若輸入的信號為正,那么只計算頻率為正部分的系數(shù),由DOST算法的共軛對稱性質(zhì)得到頻率為負(fù)的部分的系數(shù),從而降低了計算復(fù)雜度.
2.2FDOST算法的圖像降噪方法
對于大小為M×N的二維圖像,F(xiàn)DOST算法及其逆變換的計算復(fù)雜度為O(MNlg(MN)).
基于FDOST圖像去噪方法的實現(xiàn)過程如下:①對含噪聲的二維圖像進(jìn)行離散正交S變換;②對圖像矩陣按列進(jìn)行分段離散余弦變換,按行分段進(jìn)行離散余弦變換;③對于變換的結(jié)果進(jìn)行高斯窗口濾波;④進(jìn)行離散正交S逆變換;⑤對圖像矩陣按列分段進(jìn)行離散余弦逆變換,按行分段進(jìn)行離散逆余弦變換,得到降噪后的圖像.
2.3 高斯濾波窗口的選擇
二維圖像經(jīng)過離散正交S變換后,能量集中在中心,系數(shù)越大,高斯窗變化越快,中心部分的內(nèi)容保留較多,濾波程度越高;而噪聲部分系數(shù)較小,高斯窗口就比較平緩,這樣就有效濾除了噪聲.對Lena圖像加入方差為0.01的白噪聲情況下,得到最優(yōu)寬度調(diào)節(jié)系數(shù)α=2π,針對不同圖像,寬度調(diào)節(jié)系數(shù)可自行調(diào)節(jié).通過仿真結(jié)果得出,降噪后均方誤差(Mean Square Error,MSE)和峰值信噪比(Signal-to-Noise Ratio,SNR)的值與高斯窗寬度調(diào)節(jié)系數(shù)的變化趨勢一致,選擇合適的高斯窗函數(shù)的寬度調(diào)節(jié)系數(shù),確定合適的高斯窗的大小.高斯窗函數(shù)的寬度調(diào)節(jié)系數(shù)與MSE、SNR關(guān)系如圖2所示.高斯窗寬度調(diào)節(jié)系數(shù)越大,濾波程度越高,圖片越平滑,但清晰度越低.由圖2可見,最優(yōu)高斯窗寬度調(diào)節(jié)系數(shù)為2.0 π.
FDOST降噪表達(dá)式為
(10)
圖2 高斯窗函數(shù)的寬度調(diào)節(jié)系數(shù)α與MSE、SNR關(guān)系
對合成含噪圖像和實際低照度含噪圖像分別進(jìn)行仿真實驗,其中合成含噪圖像由原始圖像加入方差為0.01的高斯白噪聲得到的含噪圖像.采用MSE和SNR評價指標(biāo)分析去噪結(jié)果.
均方誤差(MSE)為
(11)
其中EMS為均方誤差(MSE).
信噪比(SNR)為
(12)
其中RSN為信噪比(SNR).
均方誤差是指參數(shù)估計值與參數(shù)真值之差平方的期望值.均方誤差為衡量“平均誤差”的一種較方便的方法,其可評價數(shù)據(jù)的變化程度,MSE值越小,說明預(yù)測模型描述實驗數(shù)據(jù)具有更好的精確度.信噪比即信號與噪聲的方差之比.均方根誤差越小,信噪比越大,圖像的降噪結(jié)果越好.
3.1 Lena圖像去噪
選用Lena圖像,大小為512 pixel×512 pixel,在Lena圖像加上方差為τ的高斯白噪聲,使用基于FDOST圖像去噪方法對其進(jìn)行降噪處理.圖3為含噪圖像處理的對照圖.圖3(a)為理論上加入方差為0.01的高斯白噪聲的Lena含噪圖像;圖3(b)為Lena含噪圖像經(jīng)過快速離散正交S變換后的去噪圖像.Lena含噪圖像去噪前和去噪后的MSE和SNR值見表1.均方誤差越小,信噪比越大,圖像的降噪結(jié)果越好.從圖3和表1可以看出,基于FDOST的濾波方法較好地去除了高斯噪聲,證明了快速離散正交S變換濾波方法的有效性.
圖3 Lena圖像去噪
3.2 合成低照度圖像的去噪
對合成含噪圖像進(jìn)行仿真實驗,圖像大小為738 pixel×984 pixel.其由原始低照度圖像加入方差為0.01的高斯白噪聲得到的含噪圖像.合成低照度圖像的去噪如圖4所示.
圖4 合成低照度圖像的去噪
合成含噪圖像去噪前和去噪后的MSE和SNR值見表2.均方誤差越小,信噪比越大,圖像的降噪結(jié)果越好.從圖4和表2可以看出,基于FDOST的濾波方法較好地去除了低照度圖像的高斯噪聲,從而證明了快速離散正交S變換濾波方法的對于低照度圖像的有效性.
3.3 實際低照度圖像的去噪
由30萬 pixel 攝像頭采集實際低照度圖像,圖像大小為640 pixel×480 pixel.由于低照度圖像中的有用信息和噪聲混合在一起,使得圖像有用信息特征不明顯,圖像特征清晰度不高,難于進(jìn)行后續(xù)圖像識別,需要通過消除噪聲以提高信噪比.為評價低照度圖像的降噪效果,引入SNR指標(biāo).低照度圖像無理想原始參考圖像,導(dǎo)致SNR不能按照式(12)來計算,為便于分析,可令
RSN=μ/σ
(13)
式中:μ為均值;σ為標(biāo)準(zhǔn)差.圖5(a)為低照度原始圖像;圖5(b)為低照度圖像經(jīng)過快速離散正交S變換后的去噪圖像.實際低照度圖像降噪前和降噪后的SNR值見表3.
表2 合成含噪圖像的去噪前和去噪后的MSE和SNR值
圖5 實際低照度圖像的去噪
濾波方法SNR去噪前/dB去噪后/dB去噪前后SNR增值/dB增值百分比/%FDOST0.5729840.6092530.0362696
由于低照度圖像含有隨機分布的白噪聲,且光照越弱,圖像中噪聲越大.同時,實際環(huán)境中低照度圖像存在著隨機噪聲、脈沖噪聲等各種噪聲因素,直接影響圖像畫質(zhì),統(tǒng)計分析結(jié)果顯示為加性高斯噪聲.從圖5和表3可以看出,降噪前后圖像的信噪比有所提升,SNR增值百分比為6%.基于FDOST的濾波方法較好地去除了高斯噪聲,為一種有效的圖像去噪方法.
1) 二維S變換在空間-頻率域的分辨率優(yōu)于小波變換.對于一定長度信號,S變換高度冗余,且存儲空間消耗、計算復(fù)雜度大于小波變換,僅適合處理小圖像.結(jié)合快速傅里葉變換,給出了快速離散正交S變換算法,其計算復(fù)雜度為O(NlgN),運行速度優(yōu)于廣義S變換,且存儲消耗減小,適于處理大圖像.
2) 基于FDOST的濾波方法有效去除了高斯噪聲,降噪后圖像信噪比較降噪前提升了6%.該濾波算法計算復(fù)雜度較廣義S變換算法降低,運行速度加快,為實際低照度圖像去噪提供了新方法.
[1] 欒玉環(huán).二維S變換分析技術(shù)及其在醫(yī)學(xué)圖像處理中的應(yīng)用研究[D].濟南:山東大學(xué),2013.
LUAN Yuhuan.Two Dimensional S-Transform Analysis Technology and Its Application in Medical Image Processing Research[D].Jinan:Shandong University,2013.(in Chinese)
[2] ASSOUS S,HUMEAU A,TARTAS M,et al.Physiological Effects of Indomethacin and Celecobix:An S-Transform Laser Doppler Flowmetry Signal Analysis[J].Physics in Medicine and Biology,2005,50(9):1951.
[3] WANG Yanwei.Efficient Stockwell Transform with Applications to Image Processing[R].Waterloo:Uwspace,2011.
[4] 趙淑紅,朱光明.S變換時頻濾波去噪方法[J].石油地球物理勘探,2007,42(4):402.
ZHAO Shuhong,ZHU Guangming.S-Transform Time-Frequency Filtering Denoising Method[J].Oil Geophysical Prospecting,2007,42(4):402.(in Chinese)
[5] 甄莉.非平穩(wěn)信號廣義S變換及其在SAR圖像分析中的應(yīng)用研究[D].成都:電子科技大學(xué),2008.
ZHEN Li.Generalized S-Transform Non-stationary Signal and Its Application in SAR Image Analysis Research[D].Chengdu:University of Electronic Science and Technology of China,2008.(in Chinese)
[6] 趙淑紅,王璇.S變換時頻濾波與其它濾波方法的比較[J].西北地震學(xué)報,2007,29(3):224.
ZHAO Shuhong,WANG Xuan.Comparison Between the Time-Frequency Filtering of S Transform Method and Other Filter Method[J].Northwestern Seismological Journal,2007,29(3):224.(in Chinese)
[7] 夏泳梅.低照度圖像降噪技術(shù)研究[D].南京:南京理工大學(xué),2008.
XIA Yongmei.Low Illumination Image Noise Reduction Technology Research[D].Nanjing: Nanjing University of Science and Technology,2008.(in Chinese)
[8] 李前娜.S-變換分析技術(shù)及其在心肌聲學(xué)造影(MCE)圖像降噪中的應(yīng)用研究[D].濟南:山東大學(xué),2007.
LI Qianna.S-Transform Analysis Technology and Its Application in Myocardial Acoustic Imaging (MCE) for the Application of Image Noise Reduction[D].Jinan:Shandong University,2007.(in Chinese)
[9] 楊海麗.小波變換在數(shù)字圖像降噪處理中的應(yīng)用[D].南充:西南石油大學(xué),2007.
YANG Haili.Application of Wavelet Transform in Digital Image De-noising Treatment[D].Nanchong:Southwest Petroleum University,2007.(in Chinese)
[10] 楊濱.基于自適應(yīng)閾值的小波圖像降噪[D].青島:青島大學(xué),2009.
YANG Bin.Wavelet Image Noise Reduction Based on Adaptive Threshold[D].Qingdao: Qingdao University,2009.(in Chinese)
(責(zé)任編輯、校對 張 超)
Time-Frequency Analysis and Filtering of Low Illumination Image in the Generalized S Transform Domain
YANGYongxia,WANGYan,GUOLiang
(School of Electronic Information Engineering,Xi’an Technological University,Xi’an 710021,China)
In order to reduce computational complexity and memory occupancy of two-dimensional generalized S transform,an improved fast discrete orthogonal S transform (FDOST) algorithm is proposed based on time-frequency analysis of two dimensional generalized S transform.Low illumination image is transformed with S transform using FDOST algorithm.Time-frequency distribution of Gauss noise and original image are analyzed in generalized S transform domain.The method of distinguishing the original image and Gauss noise and low illumination image time frequency filtering method based on the improved generalized S transform is presented.The denoising of synthesis of the noisy image and the actual low illumination image is simulated.The results show:FDOST filtering method based on the improved generalized S transform removes the Gauss noise in the image;After denoising,SNR of the image is improved by 6%,while the retention of the original image information is maximized.
generalized S-transform;time-frequency analysis;low illumination image;Gauss noise
10.16185/j.jxatu.edu.cn.2016.12.011
2016-03-26
楊永俠(1962-),女,西安工業(yè)大學(xué)教授,主要研究方向為信號處理與電磁兼容.E-mail:yyx_1399@163.com.
TN110.7
A
1673-9965(2016)12-1007-06