余傳本，劉增力

（昆明理工大學(xué) 信息工程與自動化學(xué)院，云南 昆明 650500）

0 引言

圖像去噪是圖像處理的經(jīng)典問題。在圖像獲取或傳輸?shù)倪^程中，由于各種因素的干擾，圖像通常會不可避免地被噪聲污染。因此在對圖像執(zhí)行后續(xù)處理之前，必須先對圖像進(jìn)行去噪處理。常用的降噪方法有維納濾波、中值濾波等[1-2]，但是這些方法在對圖像進(jìn)行降噪的同時，也會丟失圖像的部分細(xì)節(jié)。而小波去噪方法在一定程度上克服了上述缺點，可以在去除噪聲的同時保持圖像的細(xì)節(jié) 部分[3]。

長期以來，國內(nèi)外的相關(guān)學(xué)者對小波去噪進(jìn)行了眾多研究，包括使用小波系數(shù)相關(guān)去噪、小波閾值去噪、模極大值去噪等。從最小均方誤差的角度來看，小波閾值去噪方法在獲得較好視覺效果的前提下，基本上可以達(dá)到最佳的去噪效果[4]。常用的閾值確定方法[5-7]有VisuShrink、SureShrink、BayesShrink以及Feature Adaptive等。

本文在貝葉斯收縮去噪方法的基礎(chǔ)上提出了一種改進(jìn)的方法，即自適應(yīng)貝葉斯閾值方法。在原始方法中，每個小波子帶只有一個閾值。改進(jìn)的方法基于區(qū)域劃分為每個小波系數(shù)計算模糊小波系數(shù)，并獲得每個系數(shù)的閾值。實驗結(jié)果表明，與原始方法相比，該方法在信噪比和均方差等客觀指標(biāo)和主觀視覺效果方面均有顯著改善，并且可以更好地保持圖像邊緣細(xì)節(jié)。

1 小波閾值圖像去噪原理

1.1 圖像的小波分解

通過小波變換將圖像分解為各種子帶的方法有很多，如小波包分解、八帶分解、均勻分解以及非均勻分解等。其中，八帶分解是最常用的一種分解方法，原理如下：使用低通濾波器h和高通濾波器g對圖像的行和列進(jìn)行濾波（卷積），然后對其中的兩個進(jìn)行降采樣。這樣，小波變換的結(jié)果會將圖像分解為低頻子帶（水平和垂直方向均經(jīng)過低通濾波）LL和三個高頻子帶，即用HL表示水平高通、垂直低通子帶，用LH表示水平低通、垂直高通子帶，用HH表示水平高通、垂直高通子帶。分辨率是原始分辨率的1/2，并且頻率范圍也不同。第二次小波變換時只對LL子帶進(jìn)行，進(jìn)一步將LL子帶分解為LL1，LH1，HL1和HH1，并且分辨率是原始子帶的1/4，頻率范圍進(jìn)一步減半，依此類推。因此，如圖1所示，執(zhí)行一次小波變換可獲得4個子帶，進(jìn)行M次分解可獲得3個M+1子帶。

圖1 圖像的三級小波分解圖

1.2 小波軟、硬閾值去噪

由于信號在時間域往往具有一定的連續(xù)性，因此經(jīng)小波變換后，信號的有效部分所產(chǎn)生的小波系數(shù)的模值相對較大；而噪聲信號（如高斯白噪聲）在時間域不具有連續(xù)性，所以經(jīng)小波變換后，噪聲信號的小波系數(shù)仍然具有較強的隨機性，通常認(rèn)為其服從高斯分布。由此得出一個結(jié)論：帶噪信號經(jīng)小波變換后，信號的有效部分對應(yīng)的小波系數(shù)較大，而噪聲部分對應(yīng)的系數(shù)較小。

設(shè)噪聲信號經(jīng)小波變換后，小波系數(shù)對應(yīng)的方差為σ，由高斯分布的特性可知，99%以上的噪聲系數(shù)都位于[-3σ,3σ]區(qū)間內(nèi)。因此，只要將[-3σ,3σ]區(qū)間內(nèi)的系數(shù)置零，就能最大程度地抑制噪聲。之后將經(jīng)過閾值處理后的小波系數(shù)重構(gòu)，就可以得到去噪后的信號。

估計小波系數(shù)的常用方法如下，?。?/p>

式中：σ是噪聲標(biāo)準(zhǔn)方差，N為信號長度。

硬閾值估計方法定義為：

式中：Wj,k為真實的小波系數(shù)，為估計的小波系數(shù)。

與之對應(yīng)的軟閾值估計定義為：

式中：sign為符號函數(shù)。

2 改進(jìn)的自適應(yīng)貝葉斯小波閾值算法

2.1 現(xiàn)有方法存在的問題

現(xiàn)有的小波閾值算法存在如下問題：

（1）現(xiàn)有方法不能同時確定閾值和閾值函數(shù)；

（2）因硬閾值法在閾值處不連續(xù)，故通過該方法得到的圖像會產(chǎn)生附加振蕩從而產(chǎn)生偽吉布斯 效應(yīng)[8]；

（3）由軟閾值函數(shù)估計得到的小波系數(shù)雖然整體連續(xù)性較好，但其估計的小波系數(shù)與原始小波系數(shù)之間存在恒定偏差，因此通過該方法得到的重構(gòu)圖像雖然平滑性能比較好，但會導(dǎo)致圖像邊緣模糊，損失圖像的細(xì)節(jié)部分[9]。

因此，本文提出一種新的改進(jìn)自適應(yīng)貝葉斯小波閾值算法，對于圖像的去噪非常有價值。

2.2 改進(jìn)自適應(yīng)貝葉斯小波閾值算法

小波閾值去噪的一個關(guān)鍵因素就是對閾值的估計。本文采取基于廣義高斯分布（Generalized Gaussian Distribution，GGD）模型的閾值估計方法。該公式的建立基于經(jīng)驗觀察，即通過零均值的廣義高斯分布可以適當(dāng)?shù)馗爬ㄗ匀粓D像子帶中的小 波系數(shù)。

假設(shè)信號為[fij,i,j=1,2,…,N]，N是2的冪，它被一加性隨機噪聲污染，記為：

式中：εij是獨立同分布的均值為零的正態(tài)分布，并且獨立于fij。

去噪的目標(biāo)是得到fij的估計值，使均方誤差（Mean Square Error，MSE）最小。

零均值的廣義高斯分布GGD描述為：

式中：-∞＜x＜∞,σX＞0,β＞0，

基于Bayes估計理論的去噪原理就是通過尋找一個閾值T，使得貝葉斯風(fēng)險函數(shù)Y(T)最小，T的計算公式為：

用T*表示自適應(yīng)最佳閾值，即：

對于GGD參數(shù)的估計，即σX和β，而對于σX和β參數(shù)的估計又產(chǎn)生了數(shù)據(jù)驅(qū)動的TB(σX)估計，以適應(yīng)不同的子帶特性。首先需要對噪聲方差σ2進(jìn)行估計，對此，可由Donoho提出的魯棒中值進(jìn)行估計，如下式：

因β參數(shù)沒有顯式解代入表達(dá)式TB(σX)，只有信號標(biāo)準(zhǔn)偏差σX才有。因此，直接對σX或σX

2進(jìn)行估計。由式（5）可知，觀測模型為Y=X+V，且X、V之間是彼此獨立的，由此可得：

σY

2是Y的方差，對于σY2的值可以由下式得到：

因子帶的大小為n×n，于是得到TB(σX)的估 計為：

可得到最終的最佳自適應(yīng)閾值為：

式中：σ為加入的高斯噪聲方差，σX為不帶噪聲信號的標(biāo)準(zhǔn)方差，μ為最佳計算閾值。

閾值周圍的小波系數(shù)值的濾除和保留程度由模糊度量中的一維距離比例函數(shù)來劃分區(qū)域并確定，具體劃分如下：本算法的模糊區(qū)域指的是閾值周圍的高頻小波系數(shù)，由于無法判斷這些小波系數(shù)中含有噪聲與否的情況，因此根據(jù)模糊區(qū)域的設(shè)定，根據(jù)含有噪聲的程度大小，由三個區(qū)域即A1、A2、A3來劃分小波系數(shù)的數(shù)值，如圖2所示。

圖2 基于模糊距離函數(shù)和貝葉斯最佳閾值的高頻小波系數(shù)數(shù)值區(qū)域劃分

對于A1區(qū)域，由相關(guān)理論與經(jīng)驗公式可知，小于0.9μ的小波高頻系數(shù)是噪聲一類，故全部進(jìn)行置零清除。A1區(qū)域的函數(shù)表達(dá)式為

式中：Ai,j表示含噪聲圖像的小波系數(shù)，表示經(jīng)過去噪之后的圖像的小波系數(shù)。

對于模糊區(qū)域即A2部分，用中介模糊算法處理小波系數(shù)含噪聲成分，根據(jù)一維模糊距離比例函數(shù)計算，確定小波系數(shù)，得到A2的表達(dá)式為：

對于A3區(qū)域部分，為解決原軟閾值函數(shù)中“恒定偏差”的不足，本文算法基于“軟閾值的萎縮量盡量縮小”的思想，同時又根據(jù)“小波系數(shù)越大噪聲程度越低”的結(jié)論，得到A3區(qū)域的表達(dá)式為：

3 實驗仿真與分析

3.1 算法整體流程

整體的自適應(yīng)貝葉斯閾值算法流程如圖3 所示。

圖3 自適應(yīng)貝葉斯小波閾值算法流程圖

3.2 結(jié)果分析

圖像質(zhì)量的評價標(biāo)準(zhǔn)可以分為主觀評價與客觀評價。主觀評價可由人眼的視覺效果來評價，常用的客觀評價指標(biāo)有信噪比和均方差，分 別定義如下：

為了驗證新閾值的性能，選擇兩張圖片進(jìn)行仿真實驗。將圖像Lena和House加入高斯白噪聲，小波變換選用“sym wavelet”，分解層數(shù)為3層。分別從主觀視覺與客觀定量兩個方面評價實驗結(jié)果。視覺效果如圖4～圖6所示，定量評估了SNR和MSE參數(shù)。實驗結(jié)果表明，將圖4（f）和圖5（f）與圖4（d）、圖4（e）和圖5（d）、圖5（e）進(jìn)行比較，經(jīng)本文所提的閾值去噪算法處理后的圖像更清晰，邊緣和紋理信息保存得更好。表1和表2的數(shù)據(jù)表明，無論是在圖4中還是在圖5中，通過自適應(yīng)貝葉斯閾值方法計算的SNR最高，而MSE最低。

圖4 不同閾值算法對Lena圖像的去噪結(jié)果對比

圖5 不同閾值算法對House圖像的去噪結(jié)果對比

圖6 其他圖像本文去噪算法去噪結(jié)果直觀圖

表1 各閾值去噪算法應(yīng)用于Lena和House圖像的SNR（單位：dB）比較

表2 各閾值去噪算法應(yīng)用于Lena和House圖像的MSE比較

4 結(jié)語

本文在GGD模型中提出了一種改進(jìn)的貝葉斯小波閾值圖像去噪算法，利用閾值周圍的小波系數(shù)是否含有噪聲的模糊性，對該模糊區(qū)域通過自適應(yīng)算法確定小波系數(shù)的保留程度。仿真結(jié)果表明，與傳統(tǒng)的軟、硬閾值函數(shù)相比，該算法可以有效去除圖像噪聲、提高信噪比、降低均方誤差，且在保持圖像邊緣細(xì)節(jié)方面效果更好，因而人眼視覺效果更好，算法更加實用和有效。