CN102156963A - 一种混合噪声图像去噪方法 - Google Patents

Abstract

本发明公开一种混合噪声图像去噪方法。该方法包括：对含噪图像进行小波包分解；将进行小波包分解的图像变换到小波域，分为低频子带图像和高频子带图像；采用邻域平均法对低频子带图像进行滤波处理；对高频子带图像，先利用聚类分析的方法检测出噪声中符合条件的特殊点，采用中值滤波滤除脉冲噪声，再根据高斯曲率高阶扩散与小波收缩方法的等效性，在小波收缩的收缩步中，采用阈值处理，对图像进行高斯白噪声去噪。本发明不仅可以去除图像混合噪声，而且能够很好的保持高频特征和边缘形状的双重功能，实现更好的效果。

Description

一种混合噪声图像去噪方法

技术领域

本发明涉及图像处理技术领域，具体涉及一种混合噪声图像去噪方法。

背景技术

图像处理技术中，图像在获取和传输中总会受到噪声等的影响，对视觉效果产生很大影响，因此图像去噪是图像处理的重要内容。图像去噪的本质是依据噪声和图像不同的性态实现噪声和图像信号的分离，再利用滤波的方法去除噪声。图像噪声按噪声的性质可分为脉冲噪声和高斯噪声两类，按其来源可分为乘性噪声、加性噪声、量化噪声、“盐和胡椒”噪声等。

小波分析是一种窗口大小(即窗口面积)固定但其形状可变的时频局部化分析方法，即在低频部分具有较高的频率分辨率和较低的时间分辨率，在高频部分具有较高的时间分辨率和较低的频率分辨率。但在实际应用中，往往希望提高高频频带的频率分辨率。

中值滤波是一种典型的低通滤波器，于1971年由Turky提出，其基本原理是将邻域中的像素按灰度级排序，强迫其中间值为输出像素值。中值滤波算法对脉冲噪声的去噪能力很好，对高斯噪声的去噪能力较差。

发明人发现：如果能提供一种图像去噪方法，综合利用小波分析技术和中值滤波技术，将能达到更好的去噪效果。

发明内容

本发明要解决的技术问题是提供一种混合噪声图像去噪方法，能更好的实现对图像进行高斯白噪声去噪。

本发明提供的技术方案如下：

本发明提供一种混合噪声图像去噪方法，包括：

对含噪图像进行小波包分解；

将进行小波包分解的图像变换到小波域，分为低频子带图像和高频子带图像；

采用邻域平均法对低频子带图像进行滤波处理；

对高频子带图像，先利用聚类分析的方法检测出噪声中符合条件的特殊点，采用中值滤波滤除脉冲噪声，再根据高斯曲率高阶扩散与小波收缩方法的等效性，在小波收缩的收缩步中，采用阈值处理，对图像进行高斯白噪声去噪。

所述对含噪图像进行小波包分解具体包括：

选择一个小波并确定小波分解的层次N；

对于一个给定的熵标准，计算最优小波包基，即确定最佳小波包基；

对图像进行N层小波包分解。

采用阈值处理，对图像进行高斯白噪声去噪具体包括：

确定收缩函数；

进行Penalty策略阈值收缩；

进行滤波去噪处理。

所述确定收缩函数具体为；

对原图像进行小波分解，并根据基于高斯曲率高阶扩散与小波收缩方法的等价性得到收缩函数。

所述进行Penalty策略阈值收缩具体为：

对收缩函数采用小波包变换中的Penalty策略阈值收缩，该策略可描述为：对小波包分解后进行脉冲去噪后的系数按从小到大的顺序进行排序。

上述技术方案可以看出，本发明具有以下有益效果：

本发明实施例采用基于小波包分解的图像去噪方法，且对分解后的小波低、高频系数采用不同的处理方式，因此该算法不仅可以去除图像混合噪声，而且能够很好的保持高频特征和边缘形状的双重功能，实现更好的效果。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。

图1是本发明混合图像去噪方法的流程图；

图2是本发明阈值法去噪步骤示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

本发明提供一种混合噪声图像去噪方法，能更好的实现对图像进行高斯白噪声去噪。

本发明使用了小波包分析，小波包分析克服了小波分析中高频部分频率分辨率低的缺点，可以对信号在全频带范围内进行正交分解，在刻划信号特征方面具有更强的自适应性。小波变换可以较好地滤除高斯噪声，将其与中值滤波相结合，可以滤除图像中的脉冲噪声和高斯白噪声混合噪声。

本发明首先对含噪图像进行小波包分解，将进行了小波包分解的图像变换到小波域，分为低频子带图像和高频子带图像，采用邻域平均法对低频子带图像进行滤波处理；对高频子带图像，先利用聚类分析的方法检测出噪声中符合某些条件的特殊点(如极大值点等)，采用中值滤波滤除脉冲噪声，再根据高斯曲率高阶扩散与小波收缩方法的等效性，在小波收缩的收缩步中，采用阈值方法，对图像进行高斯白噪声去噪。

本发明所涉及的中值滤波法是一种非线性平滑技术，它将每一象素点的灰度值设置为该点某邻域窗口内的所有象素点灰度值的中值。中值滤波法对消除脉冲噪声、椒盐噪音等非常有效，在光学测量条纹图象的相位分析处理方法中有特殊作用。

邻域平均法是一种利用Box模板对图像进行模板操作(卷积运算)的图像平滑方法，所谓Box模板是指模板中所有系数都取相同值的模板。Box模板对当前像素及其相邻的像素点统一进行平均处理，这样就可以滤去图像中的噪声。

基于高斯曲率高阶扩散算法运用PDE原理，根据图像的局部特征，利用高阶导数来描述图像变化的幅值和方向来进行扩散，对高频噪声的平滑速度更快。且基于高斯曲率高阶扩散与小波收缩方法具有等效性。

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。

图1是本发明混合图像去噪方法的流程图。

如图1所示，包括步骤：

步骤1、对含噪图像进行小波包分解，分别进入步骤2和步骤3：

(1)选择一个小波并确定小波分解的层次N；

(2)对于一个给定的熵标准，计算最优小波包基，即确定最佳小波包基；

(3)对图像进行N层小波包分解。

步骤2、将进行了N层小波包分解的图像变换到小波域内，得到低频子带图像，进入步骤4；

步骤3、将进行了N层小波包分解的图像变换到小波域内，得到高频子带图像，进入步骤5。

步骤4、邻域平均法滤波处理，进入步骤8；

由于高斯白噪声对所有小波系数的影响是相同的，对信号的低频成份影响较小，可以通过平滑有效地处理，所以对低频子带图像采用邻域平均法滤除噪声。

步骤5、聚类分析检测奇异点，进入步骤6；

脉冲噪声对应的小波系数较大，主要影响信号的高频成份，若采用平滑处理，其影响可扩展到周围像素。用Lipschitz指数刻画信号的奇异性，如果函数f在点v∈R的Lipschitz指数小于1，则称它在该点是奇异的。对于奇异性大于零的奇异点，随着尺度的增加，其小波变换后的幅值将呈增加趋势，而对于奇异性小于零的奇异点，幅值随尺度的增加而减小。噪声具有负的Lipschitz指数，其能量随尺度的增加迅速减小，而信号具有正的Lipschitz指数，经小波变换后的系数幅值不会随尺度的增加明显减小。利用聚类分析的方法，检测出信号和噪声中各自符合某些条件的奇异点，对这些点进行聚类。

步骤6、对聚类后的高频小波系数采用中值滤波法去除脉冲噪声，进入步骤7。

在步骤7、阈值法去除高斯白噪声，进入步骤8；

对已经去除脉冲噪声的高频子图像，再采用附图2所示的阈值法去除高斯白噪声，以此达到去除图像中的混合噪声的目的。

步骤8，对已经处理过的低、高频子带图像，采用逆小波包分解的方式进行小波包重构，得到去噪后的图像。

阈值法去噪步骤如附图2所示，可描述为：

利用基于高斯曲率高阶扩散与小波收缩方法的等效性，在小波收缩的收缩步中，采用阈值方法，对图像进行高斯白噪声的去噪。算法的主要步骤如图2所示：

步骤9、确定收缩函数；

对原图像进行小波分解，并根据基于高斯曲率高阶扩散与小波收缩方法的等价性得到收缩函数；

步骤10、Penalty策略阈值收缩；

对收缩函数采用小波包变换中的Penalty策略阈值收缩，该策略可描述为：

对小波包分解后进行脉冲去噪后的系数按从小到大的顺序进行排序，C＝[C₁，C₂，...，C_n]，设函数

其中t＝1，2，…，n，n是小波系数的个数，α为经验系数，其值必须大于1，典型值为2。以t为变量求crit(t)的最小值，设使crit(t)为最小的t值为t0，那么λ＝|Ct₀|；

步骤11、滤波去噪处理。

根据收缩步骤10所得结果进行小波包重构。

上述技术方案可以看出，本发明具有以下有益效果：

本发明实施例采用基于小波包分解的图像去噪方法，且对分解后的小波低、高频系数采用不同的处理方式，因此该算法不仅可以去除图像混合噪声，而且能够很好的保持高频特征和边缘形状的双重功能，实现更好的效果。

以上对本发明实施例所提供的一种混合噪声图像去噪方法进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (5)

1.一种混合噪声图像去噪方法，其特征在于，包括：

对含噪图像进行小波包分解；

将进行小波包分解的图像变换到小波域，分为低频子带图像和高频子带图像；

采用邻域平均法对低频子带图像进行滤波处理；

对高频子带图像，先利用聚类分析的方法检测出噪声中符合条件的特殊点，采用中值滤波滤除脉冲噪声，再根据高斯曲率高阶扩散与小波收缩方法的等效性，在小波收缩的收缩步中，采用阈值处理，对图像进行高斯白噪声去噪。

2.根据权利要求1所述的混合噪声图像去噪方法，其特征在于：

所述对含噪图像进行小波包分解具体包括：

选择一个小波并确定小波分解的层次N；

对于一个给定的熵标准，计算最优小波包基，即确定最佳小波包基；

对图像进行N层小波包分解。

3.根据权利要求1或2所述的混合噪声图像去噪方法，其特征在于：

采用阈值处理，对图像进行高斯白噪声去噪具体包括：

确定收缩函数；

进行Penalty策略阈值收缩；

进行滤波去噪处理。

4.根据权利要求3所述的混合噪声图像去噪方法，其特征在于：

所述确定收缩函数具体为；

对原图像进行小波分解，并根据基于高斯曲率高阶扩散与小波收缩方法的等价性得到收缩函数。

5.根据权利要求3所述的混合噪声图像去噪方法，其特征在于：

所述进行Penalty策略阈值收缩具体为：

对收缩函数采用小波包变换中的Penalty策略阈值收缩，该策略可描述为：对小波包分解后进行脉冲去噪后的系数按从小到大的顺序进行排序。

Images