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 PDFInfo
- 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
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。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
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
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:
(1)
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:
(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:
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
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;
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;
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)
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)
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 |
-
2009
- 2009-09-29 CN CN2009100707191A patent/CN101840568B/zh not_active Expired - Fee Related
Cited By (11)
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 | |
CN111242862B (zh) | 多尺度融合并行稠密残差卷积神经网络图像去噪方法 | |
Yang et al. | Image fusion based on a new contourlet packet | |
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 | |
CN112270654A (zh) | 基于多通道gan的图像去噪方法 | |
CN110020693B (zh) | 基于特征注意和特征改善网络的极化sar图像分类方法 | |
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 | |
CN101719267B (zh) | 一种带噪图像降噪处理方法和系统 | |
CN113837974A (zh) | 一种基于改进beeps滤波算法的nsst域电力设备红外图像增强方法 | |
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) |
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 |