CN101840568A - 基于PCNN区域分割的NeighShrink图像去噪方法 - Google Patents

基于PCNN区域分割的NeighShrink图像去噪方法 Download PDF

Info

Publication number
CN101840568A
CN101840568A CN200910070719A CN200910070719A CN101840568A CN 101840568 A CN101840568 A CN 101840568A CN 200910070719 A CN200910070719 A CN 200910070719A CN 200910070719 A CN200910070719 A CN 200910070719A CN 101840568 A CN101840568 A CN 101840568A
Authority
CN
China
Prior art keywords
image
pcnn
coefficient
coefficients
neighborhood
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.)
Granted
Application number
CN200910070719A
Other languages
English (en)
Other versions
CN101840568B (zh
Inventor
宫霄霖
毛瑞全
刘开华
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tianjin University
Original Assignee
Tianjin University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Tianjin University filed Critical Tianjin University
Priority to CN2009100707191A priority Critical patent/CN101840568B/zh
Publication of CN101840568A publication Critical patent/CN101840568A/zh
Application granted granted Critical
Publication of CN101840568B publication Critical patent/CN101840568B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Image Processing (AREA)

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NeighShrink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,将分割后得到的图像信息记为domainPCNN;根据NeighShrink方法确定图像邻域domainNeighShrink;设dm,n当前待阈值的图像系数,利用dm,n∈{domainPCNN}∩{domainNeighShrink}得到当前阈值处理所需要的邻域;将低频系数保持不变,对上步中得到的邻域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NeighShrink邻域阈值处理;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
Figure 200910070719.1_AB_0
。本发明能够更好地恢复原图像,保护了边缘信息,改善去噪性能。

Description

基于PCNN区域分割的NeighShrink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NeighShrink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。采用PCNN进行图像分割的结果主要取决于图像特征,因此可将图像的自然属性作为确定其参数的重要依据。这样图像分割的效果更符合图像自身的特点。
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NeighShrink图像去噪方法。该方法根据脉冲耦合神经网络的特点,将NeighShrink方法中处理的邻域范围自适应地确定,并和NeighShrink方法进行有效的互补,从而更好地恢复原图像,保护了边缘信息,改善去噪性能。
一种基于PCNN区域分割的NeighShrink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,将分割后得到的图像信息记为domainPCNN
步骤3:根据NeighShrink方法确定需要与步骤2进行相交处理的图像邻域domainNeighShrink
步骤4:设dm,n当前待阈值的图像系数,利用dm,n∈{domainPCNN}∩{domainNeighShrink}得到当前阈值处理所需要的邻域;
步骤5:将低频系数保持不变,对利用步骤4中得到的邻域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NeighShrink邻域阈值处理;步骤6: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
Figure G2009100707191D00021
本发明提供的基于PCNN区域分割的NeighShrink图像去噪方法,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,及考虑到小波系数的层内相关性,用NeighShrink方法进行补充,并且以此为据提供了一种基于PCNN区域分割的NeighShrink图像去噪方法,达到较高的峰值信噪比,具有更好的图像去噪效果。
附图说明
图1PCNN中单个神经元的模型。
图2PCNN分割区域规则。
图3改进的NeighShrink区域连接图。
图4NeighShrink邻域示意图。
图5本发明去噪处理样图。图5(a)为去噪处理样图原图;图5(b)为样图加噪图像;图5(c)~(h)为使用本发明去噪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3×3邻域窗口;(g)本发明方法的5×5邻域窗口;(h)本发明方法的7×7邻域窗口。
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 = Σ n 1 Σ n 2 h 0 ↑ 2 j ( n 1 - 2 k 1 ) h 0 ↑ 2 j ( n 2 - 2 k 2 ) A j - 1 , n 1 , n 2
H j , k 1 , k 2 = Σ n 1 Σ n 2 h 0 ↑ 2 j ( n 1 - 2 k 1 ) g 0 ↑ 2 j ( n 2 - 2 k 2 ) A j - 1 , n 1 , n 2
                                          (1)
V j , k 1 , k 2 = Σ n 1 Σ n 2 g 0 ↑ 2 j ( n 1 - 2 k 1 ) h 0 ↑ 2 j ( n 2 - 2 k 2 ) A j - 1 , n 1 , n 2
D j , k 1 , k 2 = Σ n 1 Σ n 2 g 0 ↑ 2 j ( n 1 - 2 k 1 ) g 0 ↑ 2 j ( n 2 - 2 k 2 ) A j - 1 , n 1 , n 2
其中j为分解尺度,{hk}和{gk}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Aj-1经一层小波分解后的结果为:低频系数
Figure G2009100707191D00027
水平细节系数
Figure G2009100707191D00031
垂直细节系数
Figure G2009100707191D00032
和对角细节系数
Figure G2009100707191D00033
相应的重构算法为:
A j - 1 , n 1 , n 2 = 1 4 Σ i = 0 3 ( Σ k 1 Σ k 2 h 1 ( n 1 - 2 k 1 - i ) h 1 ( n 2 - 2 k 2 - i ) A j , k 1 , k 2
+ Σ k 1 Σ k 2 h 1 ( n 1 - 2 k 1 - i ) g 1 ( n 2 - 2 k 2 - i ) H j , k 1 , k 2
                                            (2) 
+ Σ k 1 Σ k 2 g 1 ( n 1 - 2 k 1 - i ) h 1 ( n 2 - 2 k 2 - i ) V j , k 1 , k 2
+ Σ k 1 Σ k 2 g 1 ( n 1 - 2 k 1 - i ) g 1 ( n 2 - 2 k 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Nij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Nij的活动可由下式来描述:
F ij ( n ) = e - α F F ij ( n - 1 ) + S ij + V F Σ k , l M ij , kl Y kl ( n - 1 ) L ij ( n ) = e - α L L ij ( n - 1 ) + V L Σ k , l W ij , kl Y kl ( n - 1 ) U ij ( n ) = F ij ( n ) [ 1 + β ij L ij ( n ) ] T ij ( n ) = e - α T T ij ( n - 1 ) + V T Y ij ( n - 1 ) Y ij ( n ) = 1 , U ij ( n ) > T ij ( n ) 0 , U ij ( n ) ≤ T ij ( n ) - - - ( 3 )
式(3)中:Sij,Uij和Yij分别为神经元Nij的外部刺激(输入)、内部行为和输出;Lij和Fij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,VF和VL(VN)分别是反馈域和链接域的放大系数;Tij和VT是变阈值函数输出和阈值放大系数,αL,αF和αT分别为链接域、反馈域和变阈值函数的时间常数。βij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。
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,25点为当前待阈值的系数。实心点脉冲得到的和25点性质相近的系数,空心点表示和25点无关的系数。由于44,45点直接相连,所以将它们放入同一个邻域内;而32点由于和40所在的领域并不是直接相连,将它分割到另一个邻域。
本发明采用这种连接方式,将直接相连的系数记为一个邻域。图2为某一个块图像数据利用PCNN分割的结果,相应的邻域都用方框标识出。
如果仅仅利用PCNN对图像进行分割,有些邻域系数较多,根据小波的层内相关性原理,如果邻域的范围较大,相关性会相应减小,对当前阈值去噪的效果会减低。于是本方法将PCNN分割得到的图像结果和NeighShrink中的邻域相互重叠,当均出现在邻域内的才标识为邻域的系数。
假设dm,n是当前待阈值的图像系数。domainPCNN为所在的PCNN分割后的图像邻域,domainNeighShrink为NeighShrink方法提出的图像邻域,尺寸为5×5,7×7等,则根据本发明,dm,n的邻域为:
dm,n∈{domainPCNN}∩{domainNeighShrink}(4)
如图3,对图2中图像系数区域加上5×5的窗口,其中25点位待阈值点,根据(4)式,得到10,16,17,18,23,24,25,32点在当前处理25点所需要的邻域内,图中用粗线条标识出。其余的点由于不在NeighShrink邻域内,或不在PCCN分割的区域内而被去除。
3.NeighShrink去噪方法
假设{dm,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Wm,n(d)包含所有落在以当前阈值化小波系数dm,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4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(5)式进行收缩:
dm,n=dm,nαm,n  (5)
其中收缩因子αm,n定义为
α m , n = 1 - ( λ S m , n ) 2 , S m , n > λ 0 , else ,
S m , n 2 = Σ ( m , n ) ∈ W m , n d m , n 2 , λ为阈值。
4.基于PCNN图像分割的NeighShrink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,分别得到低频系数和高频细节系数。
步骤2:对第一层的低频系数利用PCNN进行区域分割。利用(4)式得到当前阈值处理所需要的封闭区域;
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使用上步得到的邻域NeighShrink邻域阈值处理;
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
Figure G2009100707191D00052
5.实验结果
为了验证本发明算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2所示。
从表1给出的数据可以看出,使用本发明中提出的基于PCNN区域分割的NeighShrink图像去噪算法可得到较高的峰值信噪比。图5(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5(f)~(h)是本发明算法处理的结果,可以看出本发明算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 本发明算法的去噪性能(PSNR/db)
参考文献:
1.G.Y.Chen,T.D.Bui,A.Krzy zak.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NeighShrink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,将分割后得到的图像信息记为domainPCNN
步骤3:根据NeighShrink方法确定需要与步骤2进行相交处理的图像邻域domainNeighShrink
步骤4:设dm,n当前待阈值的图像系数,利用dm,n∈{domainPCNN}∩{domainNeighShrink}得到当前阈值处理所需要的邻域;
步骤5:将低频系数保持不变,对利用步骤4中得到的邻域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NeighShrink邻域阈值处理;
步骤6: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
Figure F2009100707191C00011
CN2009100707191A 2009-09-29 2009-09-29 基于PCNN区域分割的NeighShrink图像去噪方法 Expired - Fee Related CN101840568B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN2009100707191A CN101840568B (zh) 2009-09-29 2009-09-29 基于PCNN区域分割的NeighShrink图像去噪方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN2009100707191A CN101840568B (zh) 2009-09-29 2009-09-29 基于PCNN区域分割的NeighShrink图像去噪方法

Publications (2)

Publication Number Publication Date
CN101840568A true CN101840568A (zh) 2010-09-22
CN101840568B CN101840568B (zh) 2012-05-30

Family

ID=42743925

Family Applications (1)

Application Number Title Priority Date Filing Date
CN2009100707191A Expired - Fee Related CN101840568B (zh) 2009-09-29 2009-09-29 基于PCNN区域分割的NeighShrink图像去噪方法

Country Status (1)

Country Link
CN (1) CN101840568B (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102411777A (zh) * 2011-06-15 2012-04-11 夏东 一种印刷品划痕缺陷检测方法
CN102411785A (zh) * 2011-09-16 2012-04-11 兰州大学 基于pcnn模型的静止图像压缩编译码方法和系统
CN102592266A (zh) * 2012-01-04 2012-07-18 西安工程大学 基于双简化脉冲耦合神经网络的坯布疵点分割方法
CN104636753A (zh) * 2015-02-04 2015-05-20 哈尔滨工程大学 一种基于pcnn神经元激活率和群离散度的区域特征提取方法
CN106469438A (zh) * 2015-11-09 2017-03-01 浙江师范大学 基于卡方无偏估计的邻域收缩mri去噪方法
CN108596851A (zh) * 2018-04-26 2018-09-28 安徽理工大学 一种基于小波变化的压缩感知图像处理算法
CN110570369A (zh) * 2019-08-23 2019-12-13 温州医科大学 一种甲状腺结节超声图像去噪方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1873693B (zh) * 2006-06-27 2010-05-12 上海大学 基于Contourlet变换和改进型脉冲耦合神经网络的图像融合方法
CN101477681B (zh) * 2009-01-16 2011-08-10 天津大学 基于自适应滑窗邻域阈值的小波图像降噪方法

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102411777A (zh) * 2011-06-15 2012-04-11 夏东 一种印刷品划痕缺陷检测方法
CN102411777B (zh) * 2011-06-15 2014-04-30 湖南领创智能科技有限公司 一种印刷品划痕缺陷检测方法
CN102411785A (zh) * 2011-09-16 2012-04-11 兰州大学 基于pcnn模型的静止图像压缩编译码方法和系统
CN102592266A (zh) * 2012-01-04 2012-07-18 西安工程大学 基于双简化脉冲耦合神经网络的坯布疵点分割方法
CN104636753A (zh) * 2015-02-04 2015-05-20 哈尔滨工程大学 一种基于pcnn神经元激活率和群离散度的区域特征提取方法
CN104636753B (zh) * 2015-02-04 2017-11-21 哈尔滨工程大学 一种基于pcnn神经元激活率和群离散度的区域特征提取方法
CN106469438A (zh) * 2015-11-09 2017-03-01 浙江师范大学 基于卡方无偏估计的邻域收缩mri去噪方法
CN106469438B (zh) * 2015-11-09 2019-04-23 浙江师范大学 基于卡方无偏估计的邻域收缩mri去噪方法
CN108596851A (zh) * 2018-04-26 2018-09-28 安徽理工大学 一种基于小波变化的压缩感知图像处理算法
CN110570369A (zh) * 2019-08-23 2019-12-13 温州医科大学 一种甲状腺结节超声图像去噪方法
CN110570369B (zh) * 2019-08-23 2020-05-12 温州医科大学 一种甲状腺结节超声图像去噪方法

Also Published As

Publication number Publication date
CN101840568B (zh) 2012-05-30

Similar Documents

Publication Publication Date Title
CN101840568B (zh) 基于PCNN区域分割的NeighShrink图像去噪方法
CN101667286A (zh) 基于pcnn区域分割的图像去噪方法
CN114140353B (zh) 一种基于通道注意力的Swin-Transformer图像去噪方法及系统
Gu et al. Leaf recognition based on the combination of wavelet transform and gaussian interpolation
CN100550978C (zh) 一种保持边缘的自适应图像滤波方法
CN103971346B (zh) 基于稀疏域噪声分布约束的sar图像抑斑方法
CN101477681B (zh) 基于自适应滑窗邻域阈值的小波图像降噪方法
CN101477680A (zh) 基于滑窗邻域数据选择的小波图像降噪方法
CN105825484A (zh) 一种基于深度学习的深度图像去噪及增强方法
CN112270654A (zh) 基于多通道gan的图像去噪方法
CN110490816B (zh) 一种水下异构信息数据降噪方法
CN103077508A (zh) 基于变换域非局部和最小均方误差的sar图像去噪方法
CN110456332A (zh) 一种基于自动编码器的水声信号增强方法
Singh et al. ResDNN: deep residual learning for natural image denoising
CN101719267B (zh) 一种带噪图像降噪处理方法和系统
CN106204482A (zh) 基于加权稀疏的混合噪声去除方法
CN116416156A (zh) 一种基于Swin Transformer的医学图像去噪方法
CN103903228A (zh) 一种基于hwd变换的非局部图像去噪方法
CN108428221A (zh) 一种基于shearlet变换的邻域双变量阈值去噪方法
CN103310414A (zh) 基于方向波变换和模糊理论的图像增强方法
Zhao et al. Learning a deep convolutional network for subband image denoising
CN115187855A (zh) 一种海底底质声呐图像分类方法
Gayathri et al. A Survey on Image Denoising Algorithms (IDA)
CN104820975B (zh) 一种同步卫星山火监测弱信号分层去噪方法
Isabona et al. Image Denoising based on Enhanced Wavelet Global Thresholding Using Intelligent Signal Processing Algorithm

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
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20120530

Termination date: 20210929

CF01 Termination of patent right due to non-payment of annual fee