CN102163323B - 基于nsct系数的3d方向窗图像去噪方法 - Google Patents
基于nsct系数的3d方向窗图像去噪方法 Download PDFInfo
- Publication number
- CN102163323B CN102163323B CN 201110067599 CN201110067599A CN102163323B CN 102163323 B CN102163323 B CN 102163323B CN 201110067599 CN201110067599 CN 201110067599 CN 201110067599 A CN201110067599 A CN 201110067599A CN 102163323 B CN102163323 B CN 102163323B
- Authority
- CN
- China
- Prior art keywords
- nsct
- image
- coefficient
- sub
- directional
- 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.)
- Expired - Fee Related
Links
Images
Landscapes
- Image Processing (AREA)
Abstract
本发明公开了一种基于NSCT系数的3D方向窗图像去噪方法,该方法将新的方向窗用于基于NSCT的图像去噪,得到了较好的效果;另外本发明使用方向间相关性能有效的保护边缘信息,并有效避免方向窗处理中对边缘的延长;而且本发明利用高斯方向窗,比用椭圆方向窗能更好地强化边缘信息,缩小噪声信息;根据本算法的峰值信噪比优于其他算法。综上可得本发明对对图片中的噪声有很强的去除作用。
Description
技术领域
本发明涉及一种基于NSCT系数的3D方向窗图像去噪方法。
背景技术
随着科技的发展,数字图像的应用变得越来越普及。在当今时代,无论是生活中的照片,医疗中的CT、磁共振图像和超声图像,还是科研生产领域的遥感图像、SAR图像等,在其生成和传输过程中总会受到噪声的污染,影响图像的质量,严重的会使图像内容不可用,甚至产生歧义,从而产生巨大危害。因而图像去噪在图像处理中始终占有重要地位。
在图像去噪中,应用最广的去噪算法当属基于小波阈值的方法。但小波变换应用到图像处理方面存在很多缺点,多尺度分析方法便应运而生。在多尺度相关性的去噪算法中,最经典的当属基于小波尺度间相关性的SSNF算法。在域变换去噪算法中,很多的多尺度算法也都结合了相关性算法获得了新的去噪方法,这些算法大多基于尺度间相关性。然而在多尺度系数的方向子块间,同样存在着巨大的相关性,其中NSCT变换不仅保留了Contourlet变换的稀疏性,且具有平移不变性,适合用于图象的去噪,融合和特征提取等。在算法方面,NSCT基于滤波器组,具有巨大的优化潜力,具有极高的应用价值。正因如此,基于NSCT变换的去噪算法是当前的研究热点,而基于方向相关性的去噪也是较为新颖的思路。
发明内容
为弥补现有技术的不足,本发明提供一种种基于NSCT系数的3D方向窗图像去噪方法。
为实现上述目的,本发明采用如下技术方案:
一种基于NSCT系数的3D方向窗图像去噪方法,该方法的实现步骤如下:
Step1:对含噪图像x(i,j)做NSCT变换得到子块y(n,i,j),其含有N个尺度和K个方向;
Step2:在n=1时取出在k尺度下的信息y{n}(k,i,j);
Step3:取出y{n}(k,i,j)在k方向上的信息y{n}{k}(i,j),将y{n}{k}(i,j)与相邻方向子块做平均得到y1{n}{k}(i,j);
Step4:如果k=K不成立,则k=k+1并返回step3继续执行;反之将所有K方向上的y1{n}{k}(i,j)相加,得到y1{n}(k,i,j);
Step5:取出y1{n}(k,i,j)在k方向上的信息y1{n}{k}(i,j),用带方向的高斯核函数对y1{n}{k}(i,j)进行滤波;
Step6:利用小于某个阈值的值皆设为0的原则得到y1{n}{k}(i,j)的极值点,利用y1{n}{k}(i,j)的极值点对y{n}{k}(i,j)的值进行取舍;
Step7:如果k=K不成立,则k=k+1并返回step5继续执行;反之将所有K方向上的y{n}{k}(i,j)相加,得到去噪后的y{n}(k,i,j);
Step8:如果n=N不成立,则n=n+1并返回step3继续执行;反之将y{n}(k,i,j)相加得到去噪后的系数y(n,k,i,j);
Step9:对y(n,k,i,j)进行逆NSCT变换得到去噪后的图像。
所述step5中高斯核函数为其中lk(i,j)是k方向上的线段;A为高斯核高度,σ为高斯核方差。
所述step3中对子块y{n}{k}(i,j)和相邻方向子块做平均的公式:
其中:k1和k2是k方向的相邻方向,α由图像结构和噪声等级估计得出,0<α<1。
有益效果:本发明使用方向间相关性能有效的保护边缘信息,并有效避免方向窗处理中对边缘的延长;而且本发明利用高斯方向窗,比用椭圆方向窗相比本方向窗能更好地强化边缘信息,缩小噪声信息;另外由表1可看出本算法的峰值信噪比优于其他算法。综上可得本发明对对图片中的噪声有很强的去除作用。
附图说明
图1(a)为Iena原图像;
图1(b)为在图1(a)中加入15db噪声的示意图;
图1(c)为利用本发明算法的实验结果图;
图2-1为加噪后的指纹图像;
图2-2为利用本算法处理后保留最大的N个值得到的极值点;
图2-3为使用2D方向窗得到的极值点;
图2-4为加噪后的指纹图像进行nsct变换后,在{4}{3}上的子块;
图2-5为图2-4经本发明的方向窗处理所得结果图;
图2-6为图2-4使用2D方向窗处理所得结果图;
图3-1为在实验3中使用的本方向窗;
图3-2为在实验3中使用的椭圆方向窗;
图3-3为实验3使用的部分原Iena图片;
图3-4为图3-3加入15db噪声,并经nsct变换后{5}{8}子块经图3-1方向窗处理所得结果图;
图3-5为图3-3加入15db噪声,并经nsct变换后{5}{8}子块经图3-2方向窗处理所得结果图;
图3-6为图3-4保留最大的N个值得到的极值点;
图3-7为图3-5保留最大的N个值得到的极值点;
图4为本发明的流程图。
具体实施方式举例
下面结合附图和实施例对本发明作进一步说明:
非下采样轮廓波(NONSUBSAMPLED CONTOURLET TRANSFORM,NSCT)使用了一组非下样的拉普拉斯金字塔和方向滤波器,对图像进行了分解,设原图像为l,在n尺度的拉普拉斯滤波器为g(n),在k方向的方向滤波器为l(k),则n尺度k方向上的子块可以表示为:
y{n}{k}=l*g(n)*l(k)
NSCT变换使图像分成了n个尺度和k个方向,且具有平移不变性。设原图像为x(i,j),则经过NSCT变换后,图像变成了4D的矩阵,在这个4D矩阵中,方向性强烈的信息得到了增强,而杂乱无章的噪声信息得到了压制,因而最简单的处理方法即为利用阈值保留较大的系数。然而在噪声较大时,子块中会产生较大的由噪声产生的干扰量,使阈值算法的结果不再准确。研究边缘信息和噪声信息在子块中的分布发现,边缘信息在子块中具有连续性,且具有固定的方向性,因而提出了利用方向窗,对子块中的信息进行筛选,进一步压制噪声信息产生的干扰。这样就能利用阈值法得到更好的结果。
在研究中发现,此4D矩阵在尺度轴和方向轴上都具有相关性,而这些相关性都可以进行利用。以往基于相关性的去噪算法,多是利用尺度间的相关性,而本算法利用了方向间的相关性。
因为固定4D矩阵中尺度维上的量,就成了3D矩阵,本发明使用了一个3D的高斯矩阵对各个尺度上的系数进行滤波,从而达到去噪的目的。
本发明的具体实现方法如下:(y{n}{k}(i,j)代表在n尺度k方向上的NSCT子块)
(i)对含噪图像x(i,j)做NSCT变换得到子块y(n,k,i,j),其含有N个尺度和K个方向(n>1,k>2);
(ii)在每个尺度中,系数可表示为3D矩阵y{n}(k,i,j),在一个方向上,又可表示为2D矩阵y{n}{k}(i,j),对y{n}{k}(i,j)和相邻方向子块做平均,此处方向间的平均即相当于对某尺度下的3D矩阵y{n}(k,i,j)进行3D方向窗滤波,目前多用2D椭圆窗函数,而本发明采用新的3D高斯方向窗函数,3D方向窗的含义为2D方向窗与方向轴上的平均,其中方向轴上的平均公式如下:
其中k1和k2是k方向的相邻方向,α(0<α<1)由图像结构和噪声等级估计得出。y1{n}{k}(i,j)即代表方向间平均后的系数。
(iii)用带方向的高斯核函数g(i,j)(本方向窗由高斯核与线段卷积而成,故可称为高斯方向窗)对y1{n}{k}(i,j)进行滤波:
其中lk(i,j)是k方向上的线段;A为高斯核高度,σ为高斯核方差。
(iv)利用硬阈值(即小于某个阈值的值皆设为0)处理y1{n}{k}(i,j),按照取舍关系,得到逻辑矩阵(1为保留,0为去除),用此矩阵与y{n}{k}(i,j)的值进行取舍。
(v)对各个方向进行(ii)(iii)(iv)操作,可得y{n}(k,i,j)。
(vi)对各个尺度进行(ii)(iii)(iv)(v)操作,可得y(n,k,i,j)。对y(n,k,i,j)进行逆NSCT变换,即得到去噪结果。
实验1,比较3D方向窗与2D方向窗
对一副512×512的指纹图像加入的100db的噪声,图2-1为加噪后的指纹图像,图2-4为其在{4}{3}上的子块,经本方向窗处理,结果如图2-5所示;使用2D方向窗处理,结果如图2-6所示,图2-2为利用本算法处理后保留最大的N个值得到的极值点,图2-3为使用2D方向窗得到的极值点。
对比图2-2及2-3可知,使用方向间相关性能有效的保护边缘信息(上方的框中圈出),并有效避免方向窗处理中对边缘的延长(下方的框中圈出)。
实验2,比较本高斯方向窗与椭圆方向窗
对Iena图像的{1}{8}子块进行两种窗的滤波,对原图像(图3-3)分别进行本高斯方向窗(图3-1)与椭圆方向窗(图3-2)的滤波,结果如图3-4与图3-5,保留最大的N个值得到的极值点,如图3-6与图3-7所示。
对比图3-6及3-7可知,本方向窗能更好地强化边缘信息,缩小噪声信息。
实验3,比较本算法与其他算法的峰值信噪比,如表1所示。
由以上可知本方法对噪声有很强的去除作用。以下为与其他算法的对比:
Claims (3)
1.一种基于NSCT系数的3D方向窗图像去噪方法,其特征是,该方法的实现步骤如下:
Step1:对含噪图像x(i,j)做NSCT变换得到子块y(n,k,i,j),其含有N个尺度和K个方向;其中:n代表尺度,k代表方向;
Step2:在n=1时取出在n尺度下的系数信息y{n}(k,i,j);
Step3:设置初始值k=1;
Step4:取出y{n}(k,i,j)在k方向上的信息y{n}{k}(i,j),将y{n}{k}(i,j)与相邻方向子块做平均得到y1{n}{k}(i,j);
Step5:如果k=K不成立,则k=k+1并返回step4继续执行;反之将所有K方向上的y1{n}{k}(i,j)相加,得到y1{n}(k,i,j);
Step6:设置初始值k=1;
Step7:取出y1{n}(k,i,j)在k方向上的信息y1{n}{k}(i,j),用带方向的高斯核函数对y1{n}{k}(i,j)进行滤波;
Step8:利用小于某个阈值的值皆设为0的原则得到y1{n}{k}(i,j)的极值点,利用y1{n}{k}(i,j)的极值点对y{n}{k}(i,j)的值进行取舍;
Step9:如果k=K不成立,则k=k+1并返回step7继续执行;反之将所有K方向上的y{n}{k}(i,j)相加,得到去噪后的y{n}(k,i,j);
Step10:如果n=N不成立,则n=n+1并返回step3继续执行;反之将所有N尺度上的y{n}(k,i,j)相加得到去噪后的系数y(n,k,i,j);
Step11:对y(n,k,i,j)进行逆NSCT变换得到去噪后的图像。
3.如权利要求1所述的基于NSCT系数的3D方向窗图像去噪方法,其特征是,
所述step4中对子块y{n}{k}(i,j)和相邻方向子块做平均的公式:
其中:k1和k2是k方向的相邻方向,α由图像结构和噪声等级估计得出,0<α<1。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 201110067599 CN102163323B (zh) | 2011-03-21 | 2011-03-21 | 基于nsct系数的3d方向窗图像去噪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 201110067599 CN102163323B (zh) | 2011-03-21 | 2011-03-21 | 基于nsct系数的3d方向窗图像去噪方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102163323A CN102163323A (zh) | 2011-08-24 |
CN102163323B true CN102163323B (zh) | 2013-03-06 |
Family
ID=44464535
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN 201110067599 Expired - Fee Related CN102163323B (zh) | 2011-03-21 | 2011-03-21 | 基于nsct系数的3d方向窗图像去噪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102163323B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110111266B (zh) * | 2019-04-08 | 2021-07-13 | 西安交通大学 | 一种基于深度学习去噪的近似信息传递算法改进方法 |
CN111062878B (zh) * | 2019-10-31 | 2023-04-18 | 深圳先进技术研究院 | 图像的去噪方法、装置及计算机可读存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7515763B1 (en) * | 2004-04-29 | 2009-04-07 | University Of Rochester | Image denoising based on wavelets and multifractals for singularity detection and multiscale anisotropic diffusion |
CN101639934A (zh) * | 2009-09-04 | 2010-02-03 | 西安电子科技大学 | 基于轮廓波域块隐马尔可夫模型sar图像去噪方法 |
CN101980287A (zh) * | 2010-11-28 | 2011-02-23 | 河海大学常州校区 | 一种采用非下采样轮廓波变换的图像边缘检测方法 |
-
2011
- 2011-03-21 CN CN 201110067599 patent/CN102163323B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7515763B1 (en) * | 2004-04-29 | 2009-04-07 | University Of Rochester | Image denoising based on wavelets and multifractals for singularity detection and multiscale anisotropic diffusion |
CN101639934A (zh) * | 2009-09-04 | 2010-02-03 | 西安电子科技大学 | 基于轮廓波域块隐马尔可夫模型sar图像去噪方法 |
CN101980287A (zh) * | 2010-11-28 | 2011-02-23 | 河海大学常州校区 | 一种采用非下采样轮廓波变换的图像边缘检测方法 |
Non-Patent Citations (1)
Title |
---|
陈建军 等.多尺度和多方向特征的图像去噪.《重庆大学学报》.2010,第33卷(第8期),23-28. * |
Also Published As
Publication number | Publication date |
---|---|
CN102163323A (zh) | 2011-08-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101847257B (zh) | 基于非局部均值与多级定向图像的图像降噪方法 | |
CN109509164B (zh) | 一种基于gdgf的多传感器图像融合方法及系统 | |
CN101873440B (zh) | 基于Surfacelet变换的红外与可见光视频图像融合方法 | |
CN102663695B (zh) | 基于小波变换的dr图像去噪方法及系统 | |
CN103093441B (zh) | 基于变换域的非局部均值和双变量模型的图像去噪方法 | |
CN104103041B (zh) | 超声图像混合噪声自适应抑制方法 | |
CN1831556A (zh) | 单幅卫星遥感影像小目标超分辨率重建方法 | |
CN104424641A (zh) | 一种关于图像模糊篡改检测的方法 | |
CN110580705B (zh) | 一种基于双域图信号滤波检测建筑物边缘点的方法 | |
CN100433795C (zh) | 基于变换域数学形态学的图像降噪方法 | |
Yan et al. | Method to Enhance Degraded Image in Dust Environment. | |
Gao et al. | Based on soft-threshold wavelet de-noising combining with Prewitt operator edge detection algorithm | |
CN104036455A (zh) | 基于二代小波的红外图像细节增强方法 | |
CN103208104B (zh) | 一种基于非局部理论的图像去噪方法 | |
CN104182939A (zh) | 一种医疗影像图像细节增强方法 | |
CN102254305B (zh) | 基于三字典块匹配的图像复原方法 | |
CN103903228A (zh) | 一种基于hwd变换的非局部图像去噪方法 | |
CN102163323B (zh) | 基于nsct系数的3d方向窗图像去噪方法 | |
CN103310414A (zh) | 基于方向波变换和模糊理论的图像增强方法 | |
CN102136134B (zh) | 基于mrf先验的sar图像去斑方法 | |
CN104463822A (zh) | 基于多尺度全局滤波的多聚焦图像融合方法及其装置 | |
CN106023184A (zh) | 一种基于各向异性中心环绕差异的深度显著性检测方法 | |
CN103310423B (zh) | 一种矿井图像增强方法 | |
CN103632354A (zh) | 基于nsct尺度积的多聚焦图像融合方法 | |
CN104182944A (zh) | 基于曲波与小波变换相串联的光学图像去噪方法 |
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: 20130306 Termination date: 20150321 |
|
EXPY | Termination of patent right or utility model |