亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        基于Contourlet變換的圖像非局部Bayes閾值去噪方法

        2017-09-05 00:41:53王迪傅博
        軟件導(dǎo)刊 2017年7期
        關(guān)鍵詞:自適應(yīng)

        王迪+傅博

        摘 要:輪廓波是一種有效的圖像多尺度變換工具,由于其包含更多的有效信息,并能更好地刻畫圖像細(xì)節(jié),因而被廣泛應(yīng)用于圖像去噪領(lǐng)域。對(duì)非下采樣輪廓波變換后的噪聲系數(shù)進(jìn)行統(tǒng)計(jì),分析了不同強(qiáng)度噪聲圖像經(jīng)輪廓波分解后,噪聲系數(shù)在各方向子帶間的分布特點(diǎn),提出了非局部貝葉斯閾值去噪方法。首先,最外層各個(gè)子帶進(jìn)行以模板為單位的自適應(yīng)Bayes閾值選取操作,并對(duì)相應(yīng)噪聲點(diǎn)進(jìn)行預(yù)處理;其次,對(duì)預(yù)處理后的分塊圖像進(jìn)行重構(gòu);最后,對(duì)重構(gòu)圖像進(jìn)行非局部均值濾波處理。實(shí)驗(yàn)結(jié)果表明,該方法無(wú)論在視覺(jué)去噪效果還是客觀評(píng)價(jià)指標(biāo)上都明顯優(yōu)于傳統(tǒng)的硬閾值去噪方法,并且較傳統(tǒng)的非局部均值濾波也有所提高。

        關(guān)鍵詞:輪廓波變換;自適應(yīng) Bayes閾值法;非局部均值濾波;硬閾值法

        DOIDOI:10.11907/rjdk.171802

        中圖分類號(hào):TP317.4

        文獻(xiàn)標(biāo)識(shí)碼:A 文章編號(hào):1672-7800(2017)007-0195-04

        0 引言

        現(xiàn)實(shí)中的大多數(shù)圖像都帶有噪聲,這是因?yàn)閳D像在采集、處理、傳輸?shù)冗^(guò)程中會(huì)不可避免地受到外部環(huán)境和內(nèi)部系統(tǒng)的干擾。圖像噪聲會(huì)給后期圖像特征提取、模式識(shí)別等更高層次的圖像處理帶來(lái)消極影響。因此,圖像去噪成為圖像預(yù)處理階段的重要任務(wù)之一。多年來(lái),人們一直致力于尋找一種行之有效的去噪方法。

        Contourlet變換是2002年M N Do和Vetterli M[2,4]提出的一種新的圖像二維表示方法,具有多分辨率、局部定位、多方向性、近鄰界采樣和各向異性等特性。由于其基函數(shù)分布于多尺度、多方向上,所以能有效捕捉到圖像中邊緣輪廓等重要信息,是經(jīng)典小波變換的一種改進(jìn)。Contourlet變換的基本思想從數(shù)學(xué)角度可以理解為使用類似線段的基函數(shù)逼近原始圖像,從而實(shí)現(xiàn)圖像的稀疏表示。進(jìn)行Contourlet變換首先要對(duì)圖像進(jìn)行多尺度分解,以便于檢測(cè)邊緣處奇異點(diǎn),其次再將各尺度子帶進(jìn)行多方向分解,進(jìn)一步將奇異點(diǎn)信息轉(zhuǎn)化為Contourlet系數(shù),然后在變換域上完成對(duì)圖像的去噪處理,最后進(jìn)行Contourlet逆變換。

        基于Contourlet變換的圖像去噪方法通常采用硬閾值法。硬閾值法由Bruce和Gao提出,它雖然在一定程度上很好地保留了圖像邊緣等細(xì)節(jié)特征,但是硬閾值函數(shù)在頻域上不連續(xù),而且其并未涉及系數(shù)間的相關(guān)性,導(dǎo)致重構(gòu)圖像出現(xiàn)局部振鈴和偽吉布斯效應(yīng)等現(xiàn)象。SG Chang等根據(jù)圖像小波系數(shù)基于廣義高斯分布的特點(diǎn)提出了一種較為理想的閾值確定方法,即Bayes閾值估計(jì)法。該閾值確定方法建立在小波系數(shù)的分布特性基礎(chǔ)上,可以有效地彌補(bǔ)硬閾值忽視系數(shù)相關(guān)性的不足。但它仍然存在許多局限性,比如估計(jì)的噪聲方差很難適用于子帶中的每一個(gè)窗口,并且較硬閾值法計(jì)算復(fù)雜度高等。

        對(duì)于圖像去噪,硬閾值法和Bayes閾值法都是在頻域上對(duì)變換系數(shù)進(jìn)行處理,而由Buades提出的非局部均值濾波(Non-Local Means,NLM)是在空間域上對(duì)像素進(jìn)行處理。該方法擴(kuò)展了像素的局部相關(guān)性,認(rèn)為目標(biāo)像素不僅與周圍像素存在相關(guān)性,而且與整幅圖像的像素相關(guān)。對(duì)于任一個(gè)目標(biāo)塊,NLM在較大的鄰域范圍內(nèi)為其搜索對(duì)比塊并計(jì)算權(quán)值,通過(guò)對(duì)比塊的加權(quán)線性組合,獲得了比局部濾波更好的去噪效果,但是存在過(guò)平滑,以及增大搜索范圍后計(jì)算復(fù)雜度與時(shí)間復(fù)雜度過(guò)高的缺點(diǎn)。

        鑒于Contourlet變換能多尺度、多方向地捕捉圖像邊緣信息和基于系數(shù)相關(guān)性的Bayes閾值估計(jì)以及非局部均值濾波相對(duì)徹底的去噪效果,本文提出一種基于輪廓波變換的非局部Bayes閾值去噪方法。實(shí)驗(yàn)結(jié)果表明,該方法去噪效果明顯優(yōu)于硬閾值法和傳統(tǒng)的Bayes閾值法,另外較非局部均值濾波也取得了更高PSNR的去噪效果。

        1 Contourlet 變換原理與噪聲系數(shù)分布特性分析

        1.1 Contourlet 變換原理

        Contourlet變換由M N Do和Vetterli M[4]于2002年提出。Contourlet變換的原理在數(shù)學(xué)上被描述為函數(shù)逼近,這是因?yàn)镃ontourlet包含了2的n次冪(n為正整數(shù))個(gè)方向上的基函數(shù),可以最大限度地逼近任一維光滑的輪廓曲線。圖1(a)為小波變換對(duì)輪廓曲線的表示,不同分辨率下的二維小波基具有不同尺寸的正方形支撐區(qū)間,說(shuō)明二維小波是用“點(diǎn)”來(lái)逼近輪廓曲線的。圖1(b)為Contourlet變換對(duì)輪廓曲線的表示,Contourlet的基具有長(zhǎng)方形的支撐區(qū)間,可以用最少的系數(shù)逼近輪廓曲線,最終用類似于輪廓段的基結(jié)構(gòu)線性地逼近原圖像[6,9],可見(jiàn)Contourlet變換是小波變換的一種改進(jìn)。

        Contourlet變換是用金字塔多方向?yàn)V波器組PDFB(Pyramidal Directional Filter Bank)將原始圖像分解成多尺度下多方向子帶圖像的變換[5]。PDFB由一個(gè)拉普拉斯塔型濾波器LP(Laplacian Pyramid)和一個(gè)多方向?yàn)V波器組DFB(Multi-Dirctional Filter Bank)疊加構(gòu)成[4-9]。Contourlet變換流程分為兩級(jí):多尺度分解和多方向變換。如圖2所示為Contourlet變換流程,首先由LP變換對(duì)圖像進(jìn)行多尺度分解,將圖像的高頻和低頻信息分離開,其中高頻部分包含了大多數(shù)要捕獲的奇異點(diǎn);然后再由DFB將高頻部分的圖像分解為不同方向上的帶通圖像,這時(shí)分布在同方向上的奇異點(diǎn)則合成一個(gè)系數(shù)。

        1.2 圖像噪聲系數(shù)分布特性分析

        在圖像去噪過(guò)程中,圖像噪聲系數(shù)的分布特性是決定去噪效果好壞的關(guān)鍵因素之一,選擇適應(yīng)噪聲系數(shù)分布特性的去噪方法會(huì)使去噪效果得到明顯改善。一幅含噪圖像經(jīng)過(guò)Contourlet變換后,噪聲變換系數(shù)(Contourlet coefficients)空間發(fā)生了變化,但是系數(shù)之間仍然保留著一定相關(guān)性,包括尺度內(nèi)相關(guān)性、尺度間相關(guān)性、尺度內(nèi)和尺度間同時(shí)相關(guān)性等[1,10]。因此,在去噪之前應(yīng)統(tǒng)計(jì)噪聲Contourlet系數(shù)的分布特性。文獻(xiàn)[10]中已經(jīng)統(tǒng)計(jì),對(duì)經(jīng)高斯白噪聲污染的圖像進(jìn)行小波分解后,其噪聲的小波系數(shù)主要集中在細(xì)尺度子帶中,且約有96%的噪聲系數(shù)集中在最外兩層的子帶中。因此,對(duì)高斯噪聲圖像的Contourlet分解系數(shù)分布特性的研究可集中在外層子帶中,如圖3所示為Contourlet變換的系數(shù)表示。本次實(shí)驗(yàn)中,Contourlet多尺度分解的層級(jí)為3層,相應(yīng)地得到2的3次冪,即8個(gè)方向的子帶圖像。endprint

        1.3 傳統(tǒng)基于Contourlet變換的圖像去噪法

        在利用Contourlet變換去噪之前,首先要?jiǎng)?chuàng)建噪聲圖像。生成噪聲圖像通常采用加性噪聲模型[6],即在原圖像上疊加隨機(jī)噪聲或高斯白噪聲。本文以不同強(qiáng)度的高斯白噪聲作為疊加噪聲進(jìn)行試驗(yàn)。模型公式如下:

        其中,f(x,y)表示原圖像,g(x,y)為噪聲圖像,ε(x,y)為噪聲。

        傳統(tǒng)的Contourlet去噪方法為硬閾值法,該方法將經(jīng)過(guò)Contourlet變換的Contourlet系數(shù)按照公式(2)分為兩類,其中C代表變換系數(shù),Th代表事先選定的閾值。當(dāng)系數(shù)絕對(duì)值大于等于Th時(shí),說(shuō)明這部分系數(shù)主要由噪聲等高頻信息變換而來(lái),去噪時(shí)通常被舍棄;當(dāng)系數(shù)絕對(duì)值小于Th時(shí),說(shuō)明這部分系數(shù)主要由原始圖像的低頻信息變換而來(lái),去噪時(shí)通常被保留。

        圖4是基于Contourlet變換的硬閾值法去噪效果圖,通過(guò)觀察圖像可以發(fā)現(xiàn),硬閾值去噪能很好地保留圖像邊緣等細(xì)節(jié)特征的優(yōu)點(diǎn),但是其缺點(diǎn)也顯而易見(jiàn)。由于硬閾值函數(shù)在閾值處不連續(xù),導(dǎo)致重構(gòu)圖像信號(hào)產(chǎn)生震蕩,因此經(jīng)硬閾值去噪的圖像會(huì)出現(xiàn)局部振鈴和偽吉布斯效應(yīng)[6-7,16]。

        為了克服上述缺點(diǎn),并能在去除噪聲的同時(shí)很好地保留原始圖像的邊緣輪廓特征,本文提出一種既能保留圖像細(xì)節(jié),又能達(dá)到相對(duì)徹底的去噪效果的方法——基于圖像Contourle變換的非局部Bayes閾值去噪方法。

        2 基于Contourlet變換的圖像去噪方法改進(jìn)

        本文對(duì)基于Contourlet變換的圖像去噪方法作了進(jìn)一步改進(jìn),提出一種基于圖像Contourlet變換的非局部Bayes閾值去噪方法。該方法去噪過(guò)程大致為:①在變換域上對(duì)最外層子帶進(jìn)行自適應(yīng)Bayes閾值去噪;②將去噪以后的圖像塊進(jìn)行Contourlet逆變換;③將重構(gòu)的圖像塊進(jìn)行非局部均值濾波;④按上述操作依次完成對(duì)所有外層子帶的去噪處理。

        2.1 自適應(yīng)Bayes 閾值法的圖像去噪方法

        Bayes閾值法可以在一定程度上保留圖像邊緣等細(xì)節(jié)特征。本文在傳統(tǒng)Bayes閾值法的基礎(chǔ)上提出一種基于模板的自適應(yīng)Bayes閾值法,該方法的去噪原理是:在任一方向子帶中選取一定大小的模板,讓模板依次在子帶中移動(dòng),每移動(dòng)一次計(jì)算得到一個(gè)閾值,并將模板內(nèi)的變換系數(shù)閾值化,直到將該子帶處理完畢。以下為Bayes閾值的求取方法:(1)用絕對(duì)中值法求取噪聲標(biāo)準(zhǔn)差[2-3,10],如公式(3)所示,噪聲標(biāo)準(zhǔn)差σ=Med/0.674 5。

        (2)采用公式(4)求取圖像的信號(hào)方差:

        (3)用噪聲方差和信號(hào)標(biāo)準(zhǔn)差求Bayes閾值[6,8,10-11],如公式(5)所示。

        2.2 空間域上的非局部均值濾波去噪方法

        非局部均值濾波(Non-Local Means,NLM)是由Buades[13]提出的,該算法擴(kuò)展了像素的局部相關(guān)性假設(shè),認(rèn)為目標(biāo)像素不僅與其周圍像素存在相關(guān)性,而且與整幅圖像的像素都相關(guān)。

        非局部均值濾波的原理簡(jiǎn)單而言即它采用局部結(jié)構(gòu)相似性定義圖像像素間的差異,也即是當(dāng)前任一像素的像素值是由與它結(jié)構(gòu)相似的像素加權(quán)平均得到的。對(duì)于每個(gè)像素的權(quán)值,該算法采用以該像素為中心的子圖像塊與以當(dāng)前像素為中心子塊之間的高斯加權(quán)歐式距離來(lái)計(jì)算[12-14]。因此,非局部均值濾波可獲得相對(duì)徹底的去噪效果,不僅保護(hù)了圖像的結(jié)構(gòu)信息,而且使圖像看起來(lái)更平滑,大大提升了視覺(jué)效果。

        2.3 本文改進(jìn)方法去噪過(guò)程

        本文在自適應(yīng)Bayes 閾值去噪方法的基礎(chǔ)上又疊加了非局部均值濾波,具體步驟為:

        Step1 將噪聲圖像進(jìn)行3層Contourlet分解。

        Step2 選取16×16的模板M,依次選取最外層的每一條子帶,將模板M的左上角與該子帶的左上角相對(duì)應(yīng),對(duì)模板大小的分塊按照上文中的式(3)~式(5)計(jì)算其Bayes閾值λ,并使用該閾值作去噪預(yù)處理。

        Step3 按照從上至下、自左向右的順序在該子帶內(nèi)依次移動(dòng)模板(見(jiàn)圖5),直到該子帶處理完畢。

        Step4 將Bayes預(yù)處理后的子帶進(jìn)行Contourlet逆變換。

        Step5 對(duì)重構(gòu)的圖像塊進(jìn)行NL-Means處理,并轉(zhuǎn)向Step2,直到所有最外層子帶均處理完畢。

        3 實(shí)驗(yàn)結(jié)果與分析

        3.1 實(shí)驗(yàn)結(jié)果

        為驗(yàn)證改進(jìn)方法的去噪效果,本文選取了大小為512×512像素的Lena、barbara、peppers、liftingbody四幅標(biāo)準(zhǔn)圖像作為測(cè)試圖像,并將本文方法與傳統(tǒng)的硬閾值去噪法和Bayes去噪法在強(qiáng)度為20的高斯白噪聲下的去噪結(jié)果進(jìn)行比較,結(jié)果如表1所示。

        峰值信噪比(PSNR)作為一種評(píng)價(jià)圖像質(zhì)量的客觀標(biāo)準(zhǔn),具有很強(qiáng)的權(quán)威性,表2為噪聲強(qiáng)度分別為20、25、30的噪聲圖像經(jīng)過(guò)基于Contourlet變換的硬閾值去噪方法、基于模板的非局部自適應(yīng)Bayes閾值去噪方法以及非局部硬閾值去噪法和非局部Bayes閾值去噪法去噪之后的結(jié)果圖像與原始圖像的PSNR值。

        3.2 分析與討論

        分析表1和表2可以得到結(jié)論,在Contourlet變換中,Bayes閾值法的去噪效果低于硬閾值法,說(shuō)明在盡可能地保護(hù)圖像細(xì)節(jié)特征的前提下,Bayes閾值法的去噪能力較硬閾值弱;非局部硬閾值法的PSNR值低于非局部Bayes閾值法的PSNR值,說(shuō)明 Bayes閾值法比硬閾值法能更好地保護(hù)圖像細(xì)節(jié),也說(shuō)明非局部均值濾波具有很強(qiáng)的去噪能力。此外,本文還計(jì)算了不同強(qiáng)度高斯白噪聲圖像直接采用NL-Means去噪的PSNR值,通過(guò)與本文方法所得到的PSNR值比較可知,本文算法既保護(hù)了圖像細(xì)節(jié)特征,又完成了較為徹底的噪聲去除,因而更適用于圖像去噪處理。這是因?yàn)樽赃m應(yīng)的Bayes閾值法具有保護(hù)圖像細(xì)節(jié)信息的能力,而非局部均值濾波方法的局部塊結(jié)構(gòu)相似性能有效地平滑圖像,也不會(huì)導(dǎo)致圖像失真,但是該算法的時(shí)間復(fù)雜度較直接NL-Means有所增加。endprint

        4 結(jié)語(yǔ)

        本文主要提出了一種基于Contourlet變換的自適應(yīng)Bayes閾值結(jié)合非局部均值濾波的圖像去噪方法。首先介紹了Contourlet變換原理,分析了疊加高斯白噪聲的圖像經(jīng)變換后噪聲系數(shù)的分布特性,并在此基礎(chǔ)上指出了傳統(tǒng)硬閾值去噪的不足,提出了在子帶圖像中以模板為單位的自適應(yīng)Bayes閾值法,并嘗試疊加非局部均值濾波,最終取得了良好的去噪效果。目前,Contourlet變換已經(jīng)廣泛應(yīng)用于圖像的去噪、水印、特征提取、編碼、融合、檢索、增強(qiáng)等領(lǐng)域。本文基于Contourlet變換的圖像去噪改進(jìn)方法已經(jīng)過(guò)多次試驗(yàn),且實(shí)驗(yàn)數(shù)據(jù)真實(shí)可信,是一種行之有效的圖像去噪方法。未來(lái)還需要在算法的時(shí)間復(fù)雜度及計(jì)算復(fù)雜度方面作進(jìn)一步優(yōu)化,以盡可能尋找出一種更有效、更便捷的圖像去噪方法。

        參考文獻(xiàn):

        [1] S GRACE CHANG,BIN YU,MARTIN VETTERLI.Adaptive wavelet thresholding for image denoising and compression[J].IEEE Transactions on Image Processing,2000 (9):1532-1546.

        [2] DONOHO D L,JOHNSTONE I M.Ideal spatial adaptation by wavelet shrinkage[J].Biometrika ,1994.

        [3] DONOHO D L,JOHNSTONE I M.Ideal spatial adapt shrinkage[J].Biometrika,1994.

        [4] MINH N DO,M VETTERLI.The contourlet transform:an efficient directional multiresolution image representation[J].IEEE Transaction on Image Processing to appear,2005,14(12):2091-2106.

        [5] MINH N DO,M VETTERLI.Pyramidal directional filter banks and curvelet[C].In Proceeding on Image Processing,Thessaloniki,Greece,2001:158-161.

        [6] 李蓓蓓.Contourlet 變換及其在圖像降噪中的應(yīng)用[D].長(zhǎng)春:吉林大學(xué),2007.

        [7] 徐華南,劉哲,胡鋼.Contourlet變換及其在圖像去噪中的應(yīng)用研究[J].計(jì)算機(jī)應(yīng)用研究,2009(2):401-405.

        [8] 楊帆.基于Contourlet變換的圖像去噪算法研究[D].北京:北京交通大學(xué),2008.

        [9] 戴維,于盛林,孫栓.基于Contourlet變換自適應(yīng)閾值的圖像去噪算法[J].電子學(xué)報(bào),2007(10):1923-1943.

        [10] 傅博,王相海.一種基于細(xì)尺度小波系數(shù)相關(guān)性的圖像去噪方法[J].計(jì)算機(jī)科學(xué),2008(10):246-249.

        [11] 劉慧,彭良玉.基于貝葉斯閾值的多小波基聯(lián)合去噪[J].微電子學(xué)與計(jì)算機(jī),2012(7):121-127.

        [12] 吳振靜.基于小波和非局部均值的圖像去噪算法研究[D].長(zhǎng)春:吉林大學(xué),2011.

        [13] 譚茹,李婷婷,李偉偉,等.圖像去噪的自適應(yīng)非局部均值濾波方法[J].小型微型計(jì)算機(jī)系統(tǒng),2014(1):137-141.

        [14] 王志明,張麗.自適應(yīng)的快速非局部圖像去噪算法[J].中國(guó)圖形圖像學(xué)報(bào),2009,14(4):669-675.

        [15] 郭曉霞,楊惠中.小波去噪中軟硬閾值的一種改良折衷法[J].智能系統(tǒng)學(xué)報(bào),2008(6):222-225.

        [16] 周逸麗.基于Contourlet的圖像去噪方法研究[D].西安:西安電子科技大學(xué),2012.endprint

        猜你喜歡
        自適應(yīng)
        散亂點(diǎn)云的自適應(yīng)α—shape曲面重建
        淺談網(wǎng)絡(luò)教育領(lǐng)域的自適應(yīng)推送系統(tǒng)
        以數(shù)據(jù)為中心的分布式系統(tǒng)自適應(yīng)集成方法
        自適應(yīng)的智能搬運(yùn)路徑規(guī)劃算法
        科技視界(2016年26期)2016-12-17 15:53:57
        Ka頻段衛(wèi)星通信自適應(yīng)抗雨衰控制系統(tǒng)設(shè)計(jì)
        電子節(jié)氣門非線性控制策略
        汽車科技(2016年5期)2016-11-14 08:03:52
        多天線波束成形的MIMO-OFDM跨層自適應(yīng)資源分配
        適應(yīng)性學(xué)習(xí)系統(tǒng)的參考模型對(duì)比研究
        分析,自適應(yīng)控制一個(gè)有乘積項(xiàng)的混沌系統(tǒng)
        基于參數(shù)自適應(yīng)蟻群算法對(duì)多目標(biāo)問(wèn)題的優(yōu)化
        日本免费视频一区二区三区| 综合网自拍| 亚洲欧美在线视频| 一二三四在线观看韩国视频| 又硬又粗进去好爽免费| 亚洲精品美女久久久久99 | 久久久久久曰本av免费免费| 一本久道久久综合婷婷五月| 国产主播一区二区在线观看 | 亚洲成熟中老妇女视频| 在厨房被c到高潮a毛片奶水| 亚洲中文字幕无码久久| 91精品综合久久久久m3u8 | 中文字幕第1页中文字幕在| 在线免费观看国产视频不卡| 国产香蕉一区二区三区在线视频| 久久精品国产色蜜蜜麻豆 | 日本高清一区二区三区在线观看| 欧美精品黑人粗大免费| 欧美专区在线| 国产麻豆一区二区三区在线播放| 色视频网站一区二区三区| 国产精品亚洲一区二区三区在线 | 亚洲国产av自拍精选| 国产一区二区三区不卡在线观看| 香蕉人人超人人超碰超国产| 国产精品自产拍在线观看免费| 美腿丝袜网址亚洲av| 欧洲成人一区二区三区| 亚洲粉嫩高潮的18p| 久久人妻av无码中文专区| 国产自拍在线观看视频| 日韩欧美人妻一区二区三区| 大陆国产乱人伦| 亚洲一区中文字幕视频| 丰满的人妻hd高清日本| 国产天堂网站麻豆| 亚洲第一页综合av免费在线观看 | 亚洲成av人片天堂网无码| 欧美日韩久久久精品a片| 精品免费看国产一区二区白浆|