CN101667286A - 基于pcnn区域分割的图像去噪方法 - Google Patents

Abstract

本发明属于图像处理技术领域，涉及一种基于PCNN区域分割的图像去噪方法，包括：将含噪图像f(x，y)进行二维平稳小波变换，分别获得子带系数：低频系数、水平细节系数、垂直细节系数和对角细节系数；对第一层的低频系数利用PCNN进行区域分割，将直接相接的图像区域连接成一个封闭区域，将分割后得到的图像信息记为template；将低频系数保持不变，对各层的水平细节系数、垂直细节系数和对角细节系数利用template中标识为相同封闭邻域的图像系数对该邻域内的每一个系数进行NeighShrink处理；将低频系数和滤波后的高频子带进行平稳小波重构，即可得到去噪后图像

。本发明充分考虑了小波系数的层内相关性，从而更好地恢复原图像，保护了边缘信息，改善去噪性能。

Description

基于PCNN区域分割的图像去噪方法

技术领域

本发明属于图像处理技术领域，具体涉及一种基于PCNN区域分割的图像去噪方法。

背景技术

由于受到图像采集设备、图像传输过程和存储设备等影响，数字图像大多会被噪声污染，图像质量会降低，影响视觉效果以及图像复原、分割、特征提取、模式识别等后续工作。因此，对噪声抑制处理是图像处理中非常重要的一项工作。

由于小波变换具有低熵性、多分辨率、去相关性和选基灵活性等特点，采用小波变换对图像进行去噪处理可获得非常好的效果。利用小波变换进行去噪处理出现了很多方法。其中NeighShrink方法[1，2]为每个系数设置单独的阈值，取得了较好的图像去噪效果。但是NeighShrink方法进行去噪处理时，会将图像的边缘信息过度抑制，或者将相关性更强的邻域人为地破坏。

脉冲耦合神经网络(Pulse Coupled Neural Networks，PCNN)是一种新型人工神经网络，与传统意义上的人工神经网络有着根本性的差别，以其更接近生物视觉机制的优越性，被广泛应用在图像处理中。

发明内容

本发明是针对现有技术的上述不足，提供了一种基于PCNN区域分割的图像去噪方法。该方法根据脉冲耦合神经网络的特点，将NeighShrink方法中的处理的邻域范围自适应地确定。该方法充分利用了平稳小波变换的信息冗余性及平移不变性，以及PCNN在复杂图像环境中提取有效信息的特性，自适应地将图像分割成性质相近的邻域，充分考虑了小波系数的层内相关性，从而更好地恢复原图像，保护了边缘信息，改善去噪性能。

本发明的基于PCNN区域分割的图像去噪方法，包括下列步骤：

步骤1：将含噪图像f(x，y)进行二维平稳小波变换，分别获得子带系数：低频系数、水平细节系数、垂直细节系数和对角细节系数；

步骤2：对第一层的低频系数利用PCNN进行区域分割，将直接相接的图像区域连接成一个封闭区域，将分割后得到的图像信息记为template；

步骤3：将低频系数保持不变，对各层的水平细节系数、垂直细节系数和对角细节系数分别进行邻域阈值处理，处理方法如下：利用template中标识为相同封闭邻域的图像系数对该邻域内的每一个系数进行NeighShrink处理；

步骤4：将低频系数和滤波后的高频子带进行平稳小波重构，即可得到去噪后图像

本发明提供的基于PCNN区域分割的图像去噪方法，针对NeighShrink方法中邻域处理中会将边缘信息过平滑，以及不能自适应地将与阈值处系数相似的系数一起处理的缺点，提出了利用PCNN进行图像分割，利用图像自身的性质，将图像划分成为各个不规则的邻域。更加遵循了图像自身的特点，较好地保留了边缘信息。

附图说明

图1 PCNN中单个神经元的模型。

图2 PCNN分割区域连接图。

图3 NeighShrink邻域示意图。

图4本发明去噪处理样图。图4(a)为去噪处理样图原图；图4(b)为样图加噪图像；图4(c)～(e)为使用NeighShrink方法去噪处理后图像，其中，(c)NeighShrink的3×3邻域窗口；(d)NeighShrink的5×5邻域窗口；(e)NeighShrink的7×7邻域窗口；(f)本发明方法的去噪效果。

具体实施方式

下面通过附图和实施例对本发明做进一步详述。

1.对图像进行平稳小波变换

平稳小波变换在每一尺度都产生相同数目的小波系数，数字图像f(x，y)的二维平稳小波变换，其分解公式为：

$A_{j,k_1{k}_2}=\underset{n1}{\mathrm{\Σ}}\underset{n2}{\mathrm{\Σ}}{h_0}^{\↑2j}(n_1-2k_1){h_0}^{\↑2j}(n_2-2k_2)A_{j-1,n_1,n_2}$

$H_{j,k_1,k_2}=\underset{n1}{\mathrm{\Σ}}\underset{n2}{\mathrm{\Σ}}{h_0}^{\↑2j}(n_1-2k_1){g_0}^{\↑2j}(n_2-2k_2)A_{j-1,n_1,n_2}$ (1)

$V_{j,k_1,k_2}=\underset{n1}{\mathrm{\Σ}}\underset{n2}{\mathrm{\Σ}}{g_0}^{\↑2j}(n_1-2k_1){h_0}^{\↑2j}(n_2-2k_2)A_{j-1,n_1,n_2}$

$D_{j,k_1,k_2}=\underset{n1}{\mathrm{\Σ}}\underset{n2}{\mathrm{\Σ}}{g_0}^{\↑2j}(n_1-2k_1){h_0}^{\↑2j}(n_2-2k_2)A_{j-1,n_1,n_2}$

其中j为分解尺度，{h_k}和{g_k}分别是低通和高通滤波器，h₀ ^↑2j和g₀ ^↑2j表示在h₀、g₀两点之间插入2j-1个零。j-1尺度层图像A_j-1经一层小波分解后的结果为：低频系数

水平细节系数

垂直细节系数

和对角细节系数

相应的重构算法为：

$A_{j-1,n_1,n_2}=\frac{1}{4}\underset{i=0}{\overset{3}{\mathrm{\Σ}}}(\underset{k_1}{\mathrm{\Σ}}\underset{k_2}{\mathrm{\Σ}}{h}_1(n_1-2k_1-i)h_1(n_2-2k_2-i)A_{j,k_1,k_2}$

$+\underset{k_1}{\mathrm{\Σ}}\underset{k_2}{\mathrm{\Σ}}{h}_1(n_1-2k_1-i)g_1(n_2-2k_2-i)H_{j,k_1,k_2}$ (2)

$+\underset{k_1}{\mathrm{\Σ}}\underset{k_2}{\mathrm{\Σ}}{g}_1(n_1-2k_1-i)h_1(n_2-2k_2-i)V_{j,k_1,k_2}$

$+\underset{k_1}{\mathrm{\Σ}}\underset{k_2}{\mathrm{\Σ}}{g}_1(n_1-2k_1-i)g_1(n_2-2k_2-i)D_{j,k_1,k_2})$

2.利用PCNN进行区域分割

脉冲耦合神经网络是由若干个神经元互连而构成的反馈型网络，每一个神经元N_ij都由接收部分、调制部分和脉冲产生部分三部分组成(如图1所示)。用PCNN对M×N大小的图像进行处理时，须将每个像素的灰度值作为每个神经元的输入，因此M×N的图像矩阵对应M×N个PCNN神经元构成的神经元网络，且每个神经元N_ij的活动可由下式来描述：

$\left\{\begin{array}{c}{F}_{\mathrm{ij}}\left(n\right)=e^{-{\mathrm{\α}}_F}{F}_{\mathrm{ij}}(n-1)+S_{\mathrm{ij}}+V_F\underset{k,l}{\mathrm{\Σ}}{M}_{\mathrm{ij},\mathrm{kl}}{Y}_{\mathrm{kl}}(n-1)\\ L_{\mathrm{ij}}\left(n\right)=e^{-{\mathrm{\α}}_L}{L}_{\mathrm{ij}}(n-1)+V_L\underset{k,l}{\mathrm{\Σ}}{W}_{\mathrm{ij},\mathrm{kl}}{Y}_{\mathrm{kl}}(n-1)\\ U_{\mathrm{ij}}\left(n\right)=F_{\mathrm{ij}}\left(n\right)[1+{\mathrm{\β}}_{\mathrm{ij}}{L}_{\mathrm{ij}}\left(n\right)]\\ T_{\mathrm{ij}}\left(n\right)=e^{-{\mathrm{\α}}_T}{T}_{\mathrm{ij}}(n-1)+V_T{Y}_{\mathrm{ij}}(n-1)\\ Y_{\mathrm{ij}}\left(n\right)=\left\{\begin{array}{c}1,U_{\mathrm{ij}}\left(n\right)>T_{\mathrm{ij}}\left(n\right)\\ 0,U_{\mathrm{ij}}\left(n\right)\≤T_{\mathrm{ij}}\left(n\right)\end{array}\right.\end{array}\right.---\left(3\right)$

式(3)中：S_ij，U_ij和Y_ij分别为神经元N_ij的外部刺激(输入)、内部行为和输出；L_ij和F_ij分别为神经元的连接域和反馈域两个输入通道，M和W为神经元之间的连接权系数矩阵，V_F和V_L(V_N)分别是反馈域和链接域的放大系数；T_ij和V_T是变阈值函数输出和阈值放大系数，α_L，α_F和α_T分别为链接域、反馈域和变阈值函数的时间常数。β_ij为连接权重.下标(i，j)表示像素的坐标，k，l表示神经元与周围连接的范围，一般取3×3或者5×5。n代表迭代次数。

PCNN模型所独有的神经元捕获特性——某神经元点火会造成与该神经元亮度相近的邻近神经元捕获点火，能够自动实现信息传递和信息耦合。

图像分割是把图像分成各具特性的区域并提取出感兴趣目标的技术和过程，是图像分析和处理的重要内容。传统的分割方法主要有阈值法、区域生长法、松弛迭代法、小波分割法等。边缘作为图像的基本特征，所包含的信息可以用于图像分析、图像识别、图像理解等领域，是进行图像分割的基本依据，也是图像分割结果的一种表达形式。

利用PCNN进行图像分割时，图像的每一个像素的灰度值对应为每个神经元的输入。其中某一像素激发产生脉冲输出，将会引起附近其他类似灰度像素对应神经元的激发，产生脉冲输出序列，相似的多个神经元就构成了一个神经元集群。该神经元集群就象一个巨神经元，同步地发放出脉冲。

一个神经元集群对应着图像中性质相似的闭合区域。不同的神经元集群则分别对应着图像中性质不接近的区域。利用由PCNN的脉冲传播特性所引发的同步脉冲发放，就将图像分割成不同的封闭区域。各个邻域呈现不规则的形状，完全由图像自身所决定。

在图2所示的图中，实心点表示PCNN分割后的邻域，空心点表示和当前区域无关的系数。

图2中，7，10，11，16点均为PCNN产生的脉冲次数相同的点，由于7，10，11点直接相连，所以将它们放入同一个邻域内；而16点由于和7，10，11所在的领域并不是直接相连，则不是由于同一个脉冲引起的，它属于另一个邻域。

3.NeighShrink去噪方法

假设{d_m，n}是对含噪图像进行小波变换后的图像系数.在各个子带上，小波系数都服从广义高斯分布GGD。定义邻域窗口W_m，n(d)包含所有落在以当前阈值化小波系数d_m，n为中心，边长为d的正方形内所有小波系数。d的单位为水平或垂直方向上相邻小波系数的间隔。图3为NeighShrink方法利用3×3邻域窗口处理图像小波系数的示意图.图中方框部分为邻域窗口包括的小波系数，实心圆点为待处理的系数。

对待阈值化的小波系数，用(4)式进行收缩：

d_m，n＝d_m，nα_m，n    (4)

其中收缩因子α_m，n定义为

${\mathrm{\α}}_{m,n}=\left\{\begin{array}{cc}1-{\left(\frac{\mathrm{\λ}}{S_{m,n}}\right)}^2& ,S_{m,n}>\mathrm{\λ}\\ 0& ,\mathrm{else}\end{array}\right.,$ $S_{m,n}^2=\underset{(m,n)\∈W_{m,n}}{\mathrm{\Σ}}{d}_{m,n}^2,$ λ为阈值。

4.基于PCNN图像分割的去噪方法

本发明基于PCNN图像分割的NeighShrink去噪方法处理过程如下：

步骤1：将含噪图像f(x，y)进行二维平稳小波变换，分别获得子带系数：低频系数、水平细节系数、垂直细节系数和对角细节系数。这里对图像f(x，y)进行平稳小波变换，分解到3层，分别得到低频系数A₁和高频细节系数H₁、V₁和D₁；H₂、V₂和D₂；H₃、V₃和D₃。

步骤2：对第一层的低频系数A₁利用PCNN进行区域分割。将直接相接的图像区域连接成一个封闭的区域。将得到的分割后得到的图像信息记为template；

步骤3：将低频系数保持不变，对各层的水平细节系数、垂直细节系数和对角细节系数分别进行邻域阈值处理，处理方法如下：

利用template中标识为相同封闭邻域的图像系数对该邻域内的每一个系数进行NeighShrink处理；

步骤4：将低频系数和滤波后的高频子带进行平稳小波重构，即可得到去噪后图像

5.实验结果

为了验证本发明方法在不同噪声污染下的有效性，对camereman.GIF图片进行了测试，分别加标准方差为10、15、20及25的噪声，采用sym8小波基，利用平稳小波分解到3层，连接权系数矩阵边长为13。将PSNR作为降噪性能优劣的衡量标准，实验结果如表1所示。

从表1给出的数据可以看出，使用本发明方法中提出的基于PCNN区域分割的邻域阈值小波图像去噪算法可得到较高的峰值信噪比。图4(c)～(e)为NeighShrink方法在噪声标准方差为15下，利用不同窗口对加噪图像分别处理的结果，而图4(f)是本发明方法处理的结果，可以看出本发明方法在很好地去除噪声的同时，也很好地保留了图像的边缘信息。

表1 本发明方法的去噪性能(PSNR/dB)

参考文献：

1.G.Y.Chen，T.D.Bui，A.Krzyzak.Image de-noising with neighbour dependency and customizedwavelet and threshold[J].Pattern Recognition，2005(38)115-124.

2.Chen G Y，Bui T D，Krzyzak A.Image De-noising Using Neighbouring Wavelet Coefficients [C].Proceedings of IEEE International Conference on Acoustics，Speech，and Signal Processing ICASSP，Mont real，Que.，Canada，2004：917-920.

Claims (1)

1.一种基于PCNN区域分割的图像去噪方法，包括下列步骤：

步骤1：将含噪图像f(x，y)进行二维平稳小波变换，分别获得子带系数：低频系数、水平细节系数、垂直细节系数和对角细节系数；

步骤2：对第一层的低频系数利用PCNN进行区域分割，将直接相接的图像区域连接成一个封闭区域，将分割后得到的图像信息记为template；

步骤3：将低频系数保持不变，对各层的水平细节系数、垂直细节系数和对角细节系数分别进行邻域阈值处理，处理方法如下：利用template中标识为相同封闭邻域的图像系数对该邻域内的每一个系数进行NeighShrink处理；

步骤4：将低频系数和滤波后的高频子带进行平稳小波重构，即可得到去噪后图像

Images