CN100433062C - 一种Contourlet变换域的图像降噪方法 - Google Patents
一种Contourlet变换域的图像降噪方法 Download PDFInfo
- Publication number
- CN100433062C CN100433062C CNB2006100307566A CN200610030756A CN100433062C CN 100433062 C CN100433062 C CN 100433062C CN B2006100307566 A CNB2006100307566 A CN B2006100307566A CN 200610030756 A CN200610030756 A CN 200610030756A CN 100433062 C CN100433062 C CN 100433062C
- Authority
- CN
- China
- Prior art keywords
- mrow
- msub
- msubsup
- image
- math
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title claims abstract description 44
- 230000009467 reduction Effects 0.000 claims abstract description 28
- 230000009466 transformation Effects 0.000 claims abstract description 18
- 238000012935 Averaging Methods 0.000 claims abstract description 4
- 238000013519 translation Methods 0.000 claims description 29
- 238000000354 decomposition reaction Methods 0.000 claims description 17
- 125000004122 cyclic group Chemical group 0.000 claims description 9
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000012634 optical imaging Methods 0.000 abstract description 3
- 238000012545 processing Methods 0.000 abstract description 3
- 238000001914 filtration Methods 0.000 description 5
- 230000007547 defect Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Landscapes
- Image Processing (AREA)
Abstract
本发明涉及一种Contourlet变换域的图像降噪方法。本方法首先对输入的带噪图像进行循环平移后,利用Contourlet变换对输入的带噪图像进行多尺度、多方向的稀疏分解,并在Contourlet变换域利用最小Bayesian风险函数来估计Contourlet域系数,其次,进行Contourlet逆变换和相应平移量的逆循环平移,得到此次平移后的降噪图像;然后重复前面的步骤,并对每次得到的降噪图像进行线性平均,得到最终的降噪图像。本发明提供的图像降噪方法能提高降噪图像的质量,提供更加全面、准确的目标和背景信息,达到较理想的降噪效果,适用于军事领域或非军事领域的光学成像、目标检测和安全监控等系统中。
Description
技术领域
本发明涉及一种Contourlet(轮廓小波)变换域的图像降噪方法,该方法在Contourlet变换域中采用非线性Bayesian(贝叶斯)阈值估计法进行降噪,提高图像质量。在军事领域和非军事领域如光学成像、目标检测、安全监控等系统中均有广泛应用。
背景技术
通常,图像在其获取或传输过程中都会受到不同程度的噪声污染,为了后续的进一步处理,很有必要进行降噪处理。降噪的目的就是尽可能地滤出噪声,同时最大限度地保留图像的所有特征信息,以提高图像的恢复质量。目前,图像降噪方法主要分为线性滤波和非线性滤波两大类。传统的大部分滤波方法属于前者,如Wiener(维纳)滤波等。而在非线性滤波方法中,以基于小波变换的收缩阈值降噪方法最具代表性。由于信号经过小波变换后,信号主要集中在少数绝对幅值较大的小波系数上,而噪声则散布在一些绝对幅值较小的小波系数上,因此,可以利用收缩阈值对小波系数进行降噪,达到降噪的目的。
基于小波变换的收缩阈值降噪方法得益于小波变换将图像中主要的、重要的信息集中在少数的小波系数上。但是,由一维小波通过张量积形成的二维可分离小波变换只能有效地表示一维奇异信息即点奇异信息,而不能有效地描述图像中的二维或高维奇异信息,如线、轮廓等重要信息,从而制约了小波降噪方法的性能。Contourlet变换作为一种新的信号分析工具,解决了小波变换不能有效表示二维或更高维奇异性的缺点,能准确地将图像中的边缘捕获到不同尺度、不同频率、不同方向的子带中。它不仅具有小波变换的多尺度特性,还具有小波变换不具有的方向性和各向异性,因此能很好地应用于包括图像降噪在内的图像处理中。但是,这些方法只是简单地选用通用阈值来截取信号,进行降噪,而没有考虑Contourlet域系数的分布特点,因此,这些算法并不是最优的。
发明内容
本发明的目的在于针对现有图像降噪方法存在的不足,提出了一种Contourlet变换域的图像降噪方法,该方法在Contourlet变换域中采用非线性Bayesian阈值估计法进行降噪,提高图像质量。
为了达到上述目的,本发明采用下述技术方案:
一种Contourlet变换域的图像降噪方法。其特征在于首先对输入的带噪图像进行循环平移后,利用Contourlet变换对输入的带噪图像进行多尺度、多方向的稀疏分解,并在Contourlet变换域利用最小Bayesian风险函数来估计Contourlet域系数;其次进行Contourlet逆变换和相应平移量的逆循环平移,得到此次平移后的降噪图像;然后重复前面的步骤,并对每次得到的降噪图像进行线性平均,得到最终的降噪图像,达到图像降噪的目的。
上述降噪方法的具体步骤如下:
①初始化设置。令i=0,j=0,设定行方向和列方向上的最大平移量N1和N2。同时设定Contourlet变换中的LP分解层数K和每层中的方向分解数Lk;
②对输入的带噪图像I在行和列方向上进行循环平移,得到平移图像
Sij=Ci,j(I), (1)
其中i∈(0,N1)和j∈(0,N2)分别为行方向和列方向上的平移量;
③对得到的平移图像Sij进行多尺度、多方向的Contourlet稀疏分解,即
其中T(·)为Contourlet变换。从而得到一幅低频子图像Slf和一系列具有不同分辨率的高频子图像Shf (k,l),其中k∈(1,K)和l∈(1,Lk)标明子图像位于第k层LP(拉普拉斯塔式分解)的第l方向;
④对Contourlet变换后的高频子图像Shf (k,l)进行阈值降噪处理,得到降噪子图像,
其中,Λ(·)为阈值函数,本文选用软阈值函数Λ(·)=sgn(·)max(·,TB),TB为阈值参数。阈值参数的选取至关重要,由于图像的Contourlet域系数服从广义高斯分布(GGD),满足Bayes估计方法的假定条件——信号服从广义高斯分布。因此,本文利用基于Bayesian估计的阈值估计方法,估计阈值参数;
⑤对第④步中得到的所有降噪高频子图像SDhf (k,l)和第③步中得到的低频子图像Slf实施Contourlet逆变换,得到在行方向和列方向上分别平移i和j后的降噪图像,
其中,T-1(·)为Contourlet逆变换;
⑥对第5步中得到的图像Si,j nf进行相应平移量的逆向循环平移,有
⑦重复步骤2至6,直到i=N1和j=N2为止,停止重复;
⑧对得到的所有Si,j nf(i=0,…,N1;j=0,…,N2)求平均,得到降噪图像:
上述的基于贝叶斯估计的自适应阈值,即 具体估计步骤为:
(a)对于噪声标准差σn,采用鲁棒性的中值估计,
其中Shf (K,i)(i=1…Lk)为最高频率系数;
(b)由 有
其中, Shf (k,i)是所考虑的高频系数;
(c)因此可得,阈值参数
本发明方法与现有技术相比较,具有如下显而易见的突出实质性特点和显著优点:
本发明提供的Contourlet变换域的图像降噪方法是首先对输入的带噪图像进行一定量的循环平移后,利用Contourlet变换对输入的带噪图像进行多尺度、多方向的稀疏分解,并在Contourlet变换域利用最小Bayesian风险函数来估计Contourlet域系数,其次进行Contourlet逆变换和相应平移量的逆循环平移,得到此次平移后的降噪图像。然后重复前面的步骤,并对每次得到的降噪图像进行线性平均,得到最终的降噪图像,达到图像降噪的目的。具体特点和优点为:
(1)针对现有最具有代表性的小波域阈值降噪方法中小波变换的缺点-不能有效地表示图像中的二位或高维奇异性,将Contourlet变换应用到图像降噪中,进行多尺度、多方向分解,为后续降噪过程提供稀疏的图像描述系数。
(2)对现有图像降噪技术存在的不足,提出了Contourlet变换域的图像降噪方法。
(3)由于阈值参数的选取,对方法降噪效果至关重要。针对这一问题,根据图像的Contourlet域系数服从广义高斯分布(GGD),满足Bayes估计方法的假定条件——信号服从广义高斯分布,本发明方法利用基于Bayesian估计的阈值估计方法,估计阈值参数。
(4)Contourlet域基于Bayes估计方法估计得到的阈值参数 具有自适应特性,能有效地跟踪信号的变化,从而能有效地去除噪声分量。
本发明提供的图像降噪方法能提高降噪图像的质量、提供更加全面、准确的目标和背景信息,达到较理想的降噪效果。在军事领域和非军事领域如光学成像、目标检测、安全监控等系统中均有广泛应用前景。
附图说明
图1为本发明一个实施例的图像降噪方法框图。
图2是图1示例降噪结果照片图。 图中,(a)到(h)分别为输入图像受到不同噪声污染情况下的降噪结果,噪声强度分别为15、20、25、30、35、40、45和50。(a)到(h)中的第一幅图为受噪声污染的输入,第二幅图为采用本发明方法降噪后的降噪图像。
具体实施方式
本发明的一个优选实施例结合附图祥述如下:
本Contourlet变换域的图像降噪方法,如图1所示。首先对输入的带噪图像进行一定量的循环平移后,利用Contourlet变换对输入的带噪图像进行多尺度、多方向的稀疏分解,并在Contourlet变换域利用最小Bayesian风险函数来估计Contourlet域系数,其次进行Contourlet逆变换和相应平移量的逆循环平移,得到此次平移后的降噪图像。然后重复前面的步骤,并对每次得到的降噪图像进行线性平均,得到最终的降噪图像,达到图像降噪的目的。
具体步骤为:
①初始化设置。令i=0,j=0,设定行方向和列方向上的最大平移量N1和N2。同时设定Contourlet变换的中LP分解层数K和每层中的方向分解数Lk;
②对输入的带噪图像I在行和列方向上进行循环平移,得到平移图像
Sij=Ci,j(I),
其中i∈(0,N1)和j∈(0,N2)分别为行方向和列方向上的平移量;
③对得到的平移图像Sij进行多尺度、多方向的Contourlet稀疏分解,即
其中T(·)为Contourlet变换。从而得到一幅低频子图像Slf和一系列具有不同分辨率的高频子图像Shf (k,l),其中k∈(1,K)和l∈(1,Lk)标明子图像位于第k层LP(拉普拉斯塔式分解)的第l方向;
④对Contourlet变换后的高频子图像Shf (k,l)进行阈值降噪处理,得到降噪子图像,
其中,Λ(·)为阈值函数,本文选用软阈值函数Λ(·)=sgn(·)max(·,TB),TB为阈值参数。阈值参数的选取至关重要,由于图像的Contourlet域系数服从广义高斯分布(GGD),满足Bayes估计方法的假定条件——信号服从广义高斯分布。因此,本文利用基于Bayesian估计的阈值估计方法,估计阈值参数。基于贝叶斯估计的自适应阈值,即 具体估计步骤为:
A.对于噪声标准差σn,采用鲁棒性的中值估计,
其中Shf (K,i)(i=1…Lk)为最高频率系数;
B.由 有
其中, Shf (k,i)是所考虑的高频系数;
C.因此可得,阈值
⑤对第④步中得到的所有降噪高频子图像SDhf (k,l)和第③步中得到的低频子图像Slf实施Contourlet逆变换,得到在行方向和列方向上分别平移i和j后的降噪图像,
其中,T-1(·)为Contourlet逆变换;
⑥对第⑤步中得到的图像Si,j nf进行相应平移量的逆向循环平移,有
⑦重复步骤②至⑥,直到i=N1和j=N2为止,停止重复;
⑧对得到的所有Si,j nf(i=0,…,N1;j=0,…,N2)求平均,得到降噪图像:
从图2可以看出,本图像降噪方法更好地降低图像中的噪声信号,保护了图像中的重要细节信息,提高了图像的质量。
表1给出了本发明降噪方法降噪结果的客观评价指标。
表中采用了峰值信噪比(PSNR)和最小均方误差(MSE)来衡量降噪图像的质量,进而评价降噪方法的优劣。
从表中可以看出,本图像降噪方法无论是在PSNR方面,还是在MSE方面,均能取得很好的降噪效果,有效地降低图像中的噪声信号,提高图像质量。
总之,无论是从人眼视觉效果,还是从客观评价指标,均表明本发明方法更好地降低图像中的噪声信号,保护了图像中的重要细节信息,提高了图像的质量。
表1标准Barbara灰度图像的降噪结果
Claims (1)
1、一种Contourlet变换域的图像降噪方法,其特征在于首先对输入的带噪图像进行循环平移后,利用Contourlet变换对输入的带噪图像进行多尺度、多方向的稀疏分解,并在Contourlet变换域利用最小Bayesian风险函数来估计Contourlet域系数;其次,进行Contourlet逆变换和相应平移量的逆循环平移,得到此次平移后的降噪图像;然后,重复前面的步骤,并对每次得到的降噪图像进行线性平均,得到最终的降噪图像;具体步骤如下:
①初始化设置,令i=0,j=0,设定行方向和列方向上的最大平移量N1和N2。同时设定Contourlet变换中的LP分解层数K和每层中的方向分解数Lk;
②对输入的带噪图像I在行和列方向上进行循环平移,得到平移图像
Sij=Ci,j(I),
其中i∈(0,N1)和j∈(0,N2)分别为行方向和列方向上的平移量;
③对得到的平移图像Sij进行多尺度、多方向的Contourlet稀疏分解,即
其中T(·)为Contourlet变换;从而得到一幅低频子图像Slf和一系列具有不同分辨率的高频子图像Shf (k,l),其中k∈(1,K)和l∈(1,Lk)标明子图像位于第k层LP(拉普拉斯塔式分解)的第l方向;
④对Contourlet变换后的高频子图像Shf (k,l)进行阈值降噪处理,得到降噪子图像,
其中,A(·)为阈值函数,TB为阈值参数,以Bayesian估计阈值方法估计阈值参数TB;
⑤对第④步中得到的所有降噪高频子图像SDhf (k,l)和第③步中得到的低频子图像Slf实施Contourlet逆变换,得到在行方向和列方向上分别平移i和j后的降噪图像,
其中,T-1(·)为Contourlet逆变换;
⑥对第⑤步中得到的图像Si,j nf进行相应平移量的逆向循环平移,有
⑦重复步骤②至⑥,直到i=N1和j=N2为止,停止重复;
⑧对得到的所有Si,j nf(i=0,…,N1;j=0,…,N2)求平均,得到降噪图像:
所述的以Bayesian估计阈值方法估计阈值参数TB的步骤为:
(a)对于噪声标准差σn,采用鲁棒性的中值估计,
其中Shf (K,i)(i=1…Lk)为最高频率系数;
(b)由 有
其中, Shf (k,i)是所考虑的高频系数;
(c)因此可得,阈值参数
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CNB2006100307566A CN100433062C (zh) | 2006-09-01 | 2006-09-01 | 一种Contourlet变换域的图像降噪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CNB2006100307566A CN100433062C (zh) | 2006-09-01 | 2006-09-01 | 一种Contourlet变换域的图像降噪方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN1920881A CN1920881A (zh) | 2007-02-28 |
CN100433062C true CN100433062C (zh) | 2008-11-12 |
Family
ID=37778599
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CNB2006100307566A Expired - Fee Related CN100433062C (zh) | 2006-09-01 | 2006-09-01 | 一种Contourlet变换域的图像降噪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN100433062C (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101251595B (zh) * | 2008-04-03 | 2010-11-10 | 南京航空航天大学 | 基于非抽样Contourlet变换的SAR图像目标方位角估计方法 |
CN101477679B (zh) * | 2009-01-16 | 2012-07-25 | 西安电子科技大学 | 基于轮廓波Contourlet变换的图像去噪方法 |
CN101719267B (zh) * | 2009-11-09 | 2016-06-15 | 中兴通讯股份有限公司 | 一种带噪图像降噪处理方法和系统 |
CN101739667B (zh) * | 2009-12-04 | 2012-06-20 | 西安电子科技大学 | 基于非下采样轮廓波变换的遥感图像道路增强方法 |
CN101847257B (zh) * | 2010-06-10 | 2012-06-20 | 上海电力学院 | 基于非局部均值与多级定向图像的图像降噪方法 |
CN102289800B (zh) * | 2011-09-05 | 2013-01-23 | 西安电子科技大学 | 基于Treelet的Contourlet域图像去噪方法 |
CN102938138A (zh) * | 2012-10-27 | 2013-02-20 | 广西工学院 | 一种基于多元统计模型的分形小波自适应图像去噪方法 |
CN109076144B (zh) * | 2016-05-10 | 2021-05-11 | 奥林巴斯株式会社 | 图像处理装置、图像处理方法以及存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6553072B1 (en) * | 1995-06-29 | 2003-04-22 | Thomson Licensing S.A. | System for encoding and decoding layered compressed video data |
US6917711B1 (en) * | 1998-08-10 | 2005-07-12 | Digital Accelerator Corporation | Embedded quadtree wavelets in image compression |
-
2006
- 2006-09-01 CN CNB2006100307566A patent/CN100433062C/zh not_active Expired - Fee Related
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6553072B1 (en) * | 1995-06-29 | 2003-04-22 | Thomson Licensing S.A. | System for encoding and decoding layered compressed video data |
US6917711B1 (en) * | 1998-08-10 | 2005-07-12 | Digital Accelerator Corporation | Embedded quadtree wavelets in image compression |
Non-Patent Citations (4)
Title |
---|
一种基于Contourlet递归Cycle Spinning的图像去噪方法. 梁栋等.电子学报,第33卷第11期. 2005 |
一种基于Contourlet递归Cycle Spinning的图像去噪方法. 梁栋等.电子学报,第33卷第11期. 2005 * |
基于Contourlet变换的图像去噪算法. 邓承志等.电视技术,第10期. 2004 |
基于Contourlet变换的图像去噪算法. 邓承志等.电视技术,第10期. 2004 * |
Also Published As
Publication number | Publication date |
---|---|
CN1920881A (zh) | 2007-02-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN100433062C (zh) | 一种Contourlet变换域的图像降噪方法 | |
CN100417191C (zh) | 一种图像组合降噪方法 | |
CN100433795C (zh) | 基于变换域数学形态学的图像降噪方法 | |
CN101950414B (zh) | 自然图像非局部均值去噪方法 | |
Zhang et al. | Joint image denoising using adaptive principal component analysis and self-similarity | |
CN102663695B (zh) | 基于小波变换的dr图像去噪方法及系统 | |
CN105913393A (zh) | 一种自适应小波阈值图像去噪算法及装置 | |
CN101477679A (zh) | 基于轮廓波Contourlet变换的图像去噪方法 | |
CN103020922A (zh) | 基于pca变换的sar图像相干斑抑制方法 | |
CN104182941A (zh) | 高光谱图像条带噪声去噪方法 | |
CN104537624B (zh) | 基于ssim校正聚类稀疏表示的sar图像降斑方法 | |
CN102222327A (zh) | 基于Treelet变换和最小均方误差估计的图像去噪方法 | |
CN109724693B (zh) | 一种基于平稳小波的融合光谱去噪方法 | |
CN103903228A (zh) | 一种基于hwd变换的非局部图像去噪方法 | |
CN103077507A (zh) | 基于Beta算法的多尺度SAR图像降噪方法 | |
CN102314675B (zh) | 基于小波高频的贝叶斯去噪方法 | |
CN110032968A (zh) | 基于双树复小波和自适应半软阈值法的去噪方法 | |
Mustafa et al. | K11. Modified Hybrid Median filter for image denoising | |
CN105096274B (zh) | 基于非下采样轮廓波域混合统计模型的红外图像降噪方法 | |
CN102184530B (zh) | 基于灰关联阈值的图像去噪方法 | |
CN103530857A (zh) | 基于多尺度的卡尔曼滤波图像去噪方法 | |
Bhonsle et al. | De-noising of CT images using combined bivariate shrinkage and enhanced total variation technique | |
CN103778615A (zh) | 基于区域相似性的多聚焦图像融合方法 | |
CN102622731B (zh) | 基于二维Otsu的轮廓波域维纳滤波图像去噪方法 | |
CN113484913B (zh) | 一种多粒度特征融合卷积神经网络的地震资料去噪方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
C17 | Cessation of patent right | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20081112 Termination date: 20110901 |