CN101840568A - 基于PCNN区域分割的NeighShrink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domain_PCNN；根据NeighShrink方法确定图像邻域domain_NeighShrink；设d_m，n当前待阈值的图像系数，利用d_m，n∈{domain_PCNN}∩{domain_NeighShrink}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

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domain_PCNN；

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domain_NeighShrink；

步骤4：设d_m，n当前待阈值的图像系数，利用d_m，n∈{domain_PCNN}∩{domain_NeighShrink}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：

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

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

                                          (1)

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

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

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。

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d_m，n是当前待阈值的图像系数。domain_PCNN为所在的PCNN分割后的图像邻域，domain_NeighShrink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，d_m，n的邻域为：

d_m，n∈{domain_PCNN}∩{domain_NeighShrink}(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{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：

d_m，n＝d_m，nα_m，n  (5)

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

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domain_PCNN；

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domain_NeighShrink；

步骤4：设d_m，n当前待阈值的图像系数，利用d_m，n∈{domain_PCNN}∩{domain_NeighShrink}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

Images