CN106204495A - 基于非下采样轮廓波变换的图像去噪方法及装置 - Google Patents
基于非下采样轮廓波变换的图像去噪方法及装置 Download PDFInfo
- Publication number
- CN106204495A CN106204495A CN201610566766.5A CN201610566766A CN106204495A CN 106204495 A CN106204495 A CN 106204495A CN 201610566766 A CN201610566766 A CN 201610566766A CN 106204495 A CN106204495 A CN 106204495A
- Authority
- CN
- China
- Prior art keywords
- coefficient
- yardstick
- denoising
- image
- down sampling
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 88
- 238000005070 sampling Methods 0.000 title claims abstract description 49
- 230000008569 process Effects 0.000 claims abstract description 39
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 15
- 230000009466 transformation Effects 0.000 claims abstract description 10
- 230000008775 paternal effect Effects 0.000 claims description 39
- 230000003044 adaptive effect Effects 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 10
- 238000006243 chemical reaction Methods 0.000 claims description 8
- 238000011156 evaluation Methods 0.000 claims description 6
- 238000012886 linear function Methods 0.000 claims description 6
- 238000004422 calculation algorithm Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000008602 contraction Effects 0.000 claims description 3
- 230000000875 corresponding effect Effects 0.000 description 22
- 230000006870 function Effects 0.000 description 18
- 238000010586 diagram Methods 0.000 description 7
- 238000003860 storage Methods 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 5
- 230000002093 peripheral effect Effects 0.000 description 4
- 230000015556 catabolic process Effects 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000013179 statistical model Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000000205 computational method Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000002161 passivation Methods 0.000 description 1
- 238000004549 pulsed laser deposition Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
本发明提供了一种基于非下采样轮廓波变换的图像去噪方法及装置,所述方法包括:利用非下采样轮廓波变换将待去噪的图像进行多尺度分解,获得每个尺度的低频分量的第一系数以及每个尺度的高频分量在各个方向上的第二系数;根据每个尺度的第二系数中与该尺度的上一尺度的第一系数的相关性,对各第二系数进行阈值收缩处理或保留,获得各尺度的去噪系数;根据所述去噪系数进行非下采样轮廓波逆变换,获得去噪后的图像。
Description
技术领域
本发明涉及图像处理领域,具体而言,涉及一种基于非下采样轮廓波变换的图像去噪方法及装置。
背景技术
目前对于图像去噪方法的研究,主要有空域法和频域法两大类。其中空域去噪方法主要有均值滤波、中值滤波以及Wiener滤波等。但是,空域法在去噪的同时,模糊或钝化了图像的边缘细节信息。
频率域方法图像去噪,如,基于小波分析的图像去噪方法,可以分为以下几类:基于模极大值图像去噪法、小波图像阈值去噪法、小波相关性去噪、二代小波去噪法以及上述各种方法的组合。其中,阈值去噪法,如小波阈值收缩方法,其中包括硬阈值和软阈值函数去噪方法,其代表性的去噪方法有VisuShrink和SureShrink,然而该方法仍存在有小波系数的过度扼杀或者图像过平滑问题。
目前的去噪方法多是在小波域处理,虽然小波分析具有优秀的时域、频域局部分析能力,但是在高维的情况下,其并不能“最优逼近”具有线或面奇异性的函数,导致大量无效分解,因而无法更好地刻画图像的边缘细节信息,且没有充分考虑图像不同尺度间的跨尺度相关性来对图像的噪声和边缘细节信息进行更有效的区分,去噪质量不高。
发明内容
有鉴于此,本发明实施例提供了一种基于非下采样轮廓波变换的图像去噪方法及装置,采用多尺度几何分析方法实现图像的跨尺度特征描述,从而更有效地捕捉图像的边缘细节信息,结合跨尺度相关性来对噪声和图像的边缘细节信息进行有效地区分,具有更高的图像去噪质量。
为了实现上述目的,本发明采用的技术方案如下:
一种基于非下采样轮廓波变换的图像去噪方法,所述方法包括:利用非下采样轮廓波变换将待去噪的图像进行多尺度分解,获得每个尺度的低频分量的第一系数以及每个尺度的高频分量在各个方向上的第二系数;根据每个尺度的第二系数中与该尺度的上一尺度的第一系数的相关性,对各第二系数进行阈值收缩处理或保留,获得各尺度的去噪系数;根据所述去噪系数进行非下采样轮廓波逆变换,获得去噪后的图像。
一种基于非下采样轮廓波变换的图像去噪装置,所述装置包括:变换模块,用于利用非下采样轮廓波变换将待去噪的图像进行多尺度分解,获得每个尺度的低频分量的第一系数以及每个尺度的高频分量在各个方向上的第二系数;处理模块,用于根据每个尺度的第二系数中与该尺度的上一尺度的第一系数的相关性,对各第二系数进行阈值收缩处理或保留,获得各尺度的去噪系数;逆变换模块,用于根据所述去噪系数进行非下采样轮廓波逆变换,获得去噪后的图像。
本发明实施例提供的基于非下采样轮廓波变换的图像去噪方法及装置,利用非下采样轮廓波变换将待去噪的图像分解为多个尺度,获得每个尺度的低频分量的系数以及高频分量在各个方向的系数,根据相邻尺度之间的系数相关性区分噪声信息以及图像边缘细节信息,并对噪声信息进行阈值收缩处理,获得去噪后的去噪系数,再将去噪系数进行非下采样轮廓波逆变换,获得更高质量的去噪图像。
为使本发明的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为使本发明实施例的目的、技术方案和优点更加清楚,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做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
图1示出了本发明较佳实施例提供的计算机的方框示意图;
图2示出了本发明第一实施例提供的基于非下采样轮廓波变换的图像去噪方法的流程图;
图3示出了本发明第一实施例提供的基于非下采样轮廓波变换的多尺度分解过程的总体框架图;
图4示出了本发明第一实施例提供的非下采样轮廓波变换频带分解图;
图5示出了本发明第一实施例提供的基于非下采样轮廓波变换的图像去噪方法的另一种流程图;
图6示出了图5中的部分步骤的流程图。
具体实施方式
下面将结合本发明实施例中附图,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。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本发明保护的范围。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。同时,在本发明的描述中,术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
如图1所示,是本发明较佳实施例提供的计算机100的方框示意图。所述计算机100包括基于非下采样轮廓波变换的图像去噪装置200、存储器101、存储控制器102、处理器103、外设接口104、输入输出单元105及其他。
所述存储器101、存储控制器102、处理器103、外设接口104、输入输出单元105各元件相互之间直接或间接地电性连接,以实现坐标数据的传输或交互。例如,这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。所述基于非下采样轮廓波变换的图像去噪装置200包括至少一个可以软件或固件(firmware)的形式存储于所述存储器101中的软件功能模块。所述处理器103用于执行存储器101中存储的可执行模块,例如所述基于非下采样轮廓波变换的图像去噪装置200包括的软件功能模块或计算机程序。
其中,存储器101可以是,但不限于,随机存取存储器101(Random Access Memory,RAM),只读存储器101(Read Only Memory,ROM),可编程只读存储器101(ProgrammableRead-Only Memory,PROM),可擦除只读存储器101(Erasable Programmable Read-OnlyMemory,EPROM),电可擦除只读存储器101(Electric Erasable Programmable Read-OnlyMemory,EEPROM)等。其中,存储器101用于存储程序,所述处理器103在接收到执行指令后,执行所述程序,本发明实施例任一实施例揭示的流过程定义的服务器/计算机所执行的方法可以应用于处理器103中,或者由处理器103实现。
处理器103可能是一种集成电路芯片,具有信号的处理能力。上述的处理器103可以是通用处理器103,包括中央处理器103(Central Processing Unit,简称CPU)、网络处理器103(Network Processor,简称NP)等;还可以是数字信号处理器103(DSP)、专用集成电路(ASIC)、现成可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器103可以是微处理器103或者该处理器103也可以是任何常规的处理器103等。
所述外设接口104将各种输入/输出装置耦合至处理器103以及存储器101。在一些实施例中,外设接口104,处理器103以及存储控制器102可以在单个芯片中实现。在其他一些实例中,他们可以分别由独立的芯片实现。
输入输出单元105用于提供给用户输入数据实现用户与计算机的交互。所述输入输出单元可以是,但不限于,鼠标和键盘等。
第一实施例
图2示出了本发明第一实施例提供的基于非下采样轮廓波变换的图像去噪方法,用于对图像进行去噪,包括:
步骤S110:利用非下采样轮廓波变换将待去噪的图像进行多尺度分解,获得每个尺度的低频分量的第一系数以及每个尺度的高频分量在各个方向上的第二系数。
如图3所示,非下采样轮廓波变换对待去噪的图像进行多尺度分解,获得每一尺度的高频分量和低频分量,并将每一尺度的低频分量继续分解为下一尺度的高频分量和低频分量,实现图像由粗糙尺度到精细尺度的逐层分解。并且将每一尺度的高频分量多方向滤波,图3中的高频方向子带即为将该高频分量分解到的各个方向,获得高频分量在各个方向上的系数,该系数为第二系数,以每一尺度的低频分量的系数作为第一系数。并且,在本实施例中,每个高频分量分解到不同方向的方向数可以是2的任意次幂,其分解图如图4所示。
具体的,将图像分解到多尺度可以通过非下采样拉普拉斯塔形分解(NSLP)来实现,将每一尺度的高频分量分解到多个方向的方向滤波采用非下采样方向滤波器组(NSDFB)实现。
其中,非下采样拉普拉斯塔形分解是由基于àtrous方法设计的双通道滤波器组来组建。由于àtrous方法良好的平移不变特性,可以有效地避免伪吉布斯效应,该塔形分解为J层分解,计算方法为其中fJ(u,v)表示尺度J上的低频分量,ωl(u,v)表示尺度l上的高频分量,且高频分量ωl(u,v)满足ωl(u,v)=fl(u,v)-fl-1(u,v)。
并且,非下采样方向滤波器组对每一尺度的高频分量进行分解满足等式H0(z)G0(z)+H1(z)G1(z)=1,其中H0(z)和H1(z)分别表示低通和高通分析滤波器,G0(z)和G1(z)分别表示低通和高通合成滤波器。
步骤S120:根据每个尺度的第二系数中与该尺度的上一尺度的第一系数的相关性,对各第二系数进行阈值收缩处理或保留,获得各尺度的去噪系数。
基于非下采样轮廓波变换获得的图像的多个尺度中,有效信号之间具有跨尺度相关性,即对于有效信号,每相邻的两个尺度的系数幅值之间具有相关性。若某系数对应为有效信号,并且其为大幅值的系数,则其父系数也对应于大幅值系数。当然,可以理解的,某系数的父系数为该系数的上一尺度的低频分量的系数,即分解得到该系数的低频分量的系数。当然,若噪声信号则没有相关性,即对应噪声信号的系数,其与其他系数之间不存在相关性。
在本实施例中,对于图像高频分量的各个第二系数可以根据其父系数的幅值判断到底是噪声信号还是表现图像边缘细节的有效信号,从而确定对各个第二系数是保留还是做阈值收缩处理。
具体的,确定每个尺度的高频分量在各个方向上的各个第二系数与该尺度的父系数的相关性,即根据与该尺度的上一尺度的第一系数的相关性,决定对该第二系数直接保留作为去噪后的去噪系数还是对该第二系数进行阈值收缩处理后的系数作为去噪系数。当然,对于第一尺度的系数,不存在父系数,由于高斯白噪声对于图像的影响主要表现在较大的尺度上,在更小尺度上受噪声的影响已经很小,为此,对第一尺度上的变换系数直接采用阈值收缩处理即可。需要说明的是,本实施例中所指的第一尺度为对图像进行非下采样轮廓波变换的多尺度分解后的第一个尺度,而本实施例中的第一系数与第二系数中的第一、第二仅用于区分低频分量的系数以及高频分量的各个方向的系数,并不具有实际先后意义。具体的,如图5所示,该过程可以包括:
步骤S121:判断各个第二系数是否是第一尺度的系数,若是,执行步骤S123,若否,执行步骤S122。
依次判断每个第二系数是否是位于多尺度中的第一个尺度中的系数,如前所述,所述第一尺度为所述图像进行非下采样轮廓波变换后的第一个尺度。
步骤S122:判断该第二系数的父系数是否是噪声信号,若是,执行步骤S123,若否,执行步骤S124。
若在各个第二系数中的某个第二系数不为第一尺度的系数,则根据该第二系数的父系数是噪声信号还是有效信号确定对该第二系数的处理。
具体的,判断第二系数的父系数是否是噪声信号的方法可以是如图6所示,包括:
步骤S1221:计算所述第二系数对应的自适应性阈值。
具体的,计算第二系数对应的自适应阈值可以根据公式
其中,w1(j,d,p)为在尺度j的方向d上的该第二系数p的值,Thr(j,d,p)则为该第二系数p对应的自适应性阈值。Num为该第二系数局部邻域窗口中包含的第二系数的数量,在本实施例中,该局部邻域窗口为该第二系数对应的搜索区域,其具体大小在本实施例中并不作为限定,可由用户根据经验及实际情况进行设定,w1(j,d,l)是以w1(j,d,p)为中心的局部邻域窗口中的第二系数。是噪声方差估计函数, 是位于该第二系数所在尺度j的各个方向的第二系数。τ为预定值,在本实施例中,τ优选为0.6745。
步骤S1222:当所述第二系数的父系数大于该第二系数对应的自适应阈值,判定该第二系数的父系数为有效信号。
步骤S1223:当所述第二系数的父系数小于该第二系数对应的自适应阈值,判定该第二系数的父系数为噪声信号。
再判定该第二系数的父系数与该第二系数对应的自适应性阈值的大小关系。由于有效信号之间的跨尺度相关性,若某第二系数的父系数大于该第二系数对应的自适应阈值,则该第二系数的父系数为有效信号,当然,若某第二系数的父系数小于该第二系数对应的自适应阈值,则该第二系数的父系数为噪声信号。
步骤S123:对该第二系数进行阈值收缩处理,获得该第二系数对应的去噪系数,所述父系数为该第二系数所在尺度的上一尺度的第一系数。
若在各个第二系数中的某个第二系数为第一尺度的系数,直接对该第二系数进行阈值收缩处理,以阈值收缩处理获得的系数作为该第二系数对应的去噪系数。
若某第二系数的父系数为噪声信号,表明该第二系数为噪声信号,也对该第二系数进行阈值收缩处理,以处理后的系数作为对应该第二系数的去噪系数。
具体的,在本实施例中,对第二系数进行阈值收缩处理,可以通过构造与该第二系数相关的线性函数来实现。该构造的线性函数为θd(ω)=ad,1t1(ω)+ad,2t2(ω),其中,θd(ω)表示在方向d上的该第二系数对应的去噪系数,t1(ω)以及t2(ω)为基元阈值函数,t1(ω)=ω,ω表示该第二系数的值。并且,ad,1以及ad,2为该线性函数的线性参数,该线性参数通过最小化无偏风险估计SURE-LET算法计算。
步骤S124:保留该第二系数作为去噪系数。
若某第二系数的父系数是有效信号,表明该第二系数为图像的边缘细节信息,保留该第二系数,作为在非下采样轮廓波逆变换获得去噪图像的去噪系数。
步骤S130:根据所述去噪系数进行非下采样轮廓波逆变换,获得去噪后的图像。
当对所有第二系数进行保留或阈值收缩处理后,获得对应去除噪声信号的去噪系数,即获得的所有系数均为去噪图像对应的系数。根据获得的去噪系数进行非下采样轮廓波逆变换,则获得去噪后的图像。
第二实施例
本实施例提供了一种基于非下采样轮廓波变换的图像去噪装置200,所述装置200包括:变换模块210,用于利用非下采样轮廓波变换将待去噪的图像进行多尺度分解,获得每个尺度的低频分量的第一系数以及每个尺度的高频分量在各个方向上的第二系数;处理模块220,用于根据每个尺度的第二系数中与该尺度的上一尺度的第一系数的相关性,对各第二系数进行阈值收缩处理或保留,获得各尺度的去噪系数;逆变换模块230,用于根据所述去噪系数进行非下采样轮廓波逆变换,获得去噪后的图像。
进一步的,所述处理模块220还包括:收缩单元,用于当所述第二系数为第一尺度的系数,对该第二系进行数阈值收缩处理,获得该第二系数对应的去噪系数,所述第一尺度为所述图像进行非下采样轮廓波变换后的第一个尺度,或者当所述第二系数不为第一尺度的系数且该第二系数的父系数为噪声信号,对该第二系数进行阈值收缩处理,获得该第二系数对应的去噪系数,所述父系数为该第二系数所在尺度的上一尺度的第一系数;保留单元,用于当所述第二系数不为第一尺度的系数且该第二系数的父系数为有效信号,保留该第二系数作为去噪系数。
进一步的,该装置200还包括计算模块240,用于计算所述第二系数对应的自适应性阈值;判定模块250,用于当所述第二系数的父系数大于该第二系数对应的自适应阈值,判定该第二系数的父系数为有效信号,当所述第二系数的父系数小于该第二系数对应的自适应阈值,判定该第二系数的父系数为噪声信号。
在本实施例中,所述计算模块240用于通过公式进行计算,其中,w1(j,d,p)为在尺度j的方向d上的该第二系数p的值,Thr(j,d,p)为该第二系数p对应的自适应性阈值,Num为该第二系数局部邻域窗口中包含的第二系数的数量,w1(j,d,l)是以w1(j,d,p)为中心的局部邻域窗口中的第二系数,是噪声方差估计函数, 是位于尺度j的各个方向的第二系数,τ为预定值。
并且,在本实施例中,该处理模块220包括收缩单元,所述收缩单元包括:
线性计算子单元,用于通过最小化无偏风险估计SURE算法计算线性参数ad,1以及ad,2,去噪系数计算单元,用于构造与该第二系数相关的线性函数θd(ω)=ad,1t1(ω)+ad,2t2(ω),其中,θd(ω)表示在方向d上的该第二系数对应的去噪系数,t1(ω)=ω,ω表示该第二系数的值。
本发明实施例不依赖于原始无噪信号的大量训练学习,不需要构造无噪信号的随机过程模型,只需从含噪图像中进行估计。对于含噪图像模型yn=xn+sn(n=1,…,N),其中Sn为标准方差为σ的高斯白噪声,从含噪图像中获取无噪图像的无偏估计,即寻求x的一个估计值满足式取值最小化。
假设F(y)为一个N维的向量函数,且满足那么对于加性高斯白噪声统计模型,t(y)Tx和t(y)Ty-σ2div{t(y)}具有相同的期望值,即获取到SURE估计随机变量,即且
本发明的整个去噪过程是一个Stein’s无偏风险估计SURE的过程,这一过程只取决于噪声图像,无需对无噪图像进行训练学习构建其统计模型。通过SURE进行线性参数估计,构建已知基元阈值函数的最优化线性组合。
定义t(y)为基元阈值函数去噪过程的tl(y)的线性组合,即其中,线性参数al通过最小化无偏风险估计来获取,此处的l指第l个基元阈值函数tl(y)。
通过LET方法自适应性阈值去噪,是通过最小化SURE估计获取最佳的线性参数al,由此可将图像去噪过程抽象为一个求解线性方程系统的数学问题,al可视为方程系统Ka=c的解,因此求解最小化SURE的参数al的过程等同于求解式由于SURE最小估计值总是存在的,因此可保证式总有解,其中tl(y)Ttk(y)=Fl,k,tl(y)Ty-σ2div{tl(y)}=cl。
综上所述,本发明实施例提供的基于非下采样轮廓波变换的图像去噪方法及装置,利用非下采样轮廓波变换将待去噪的图像分解为多个尺度,获得每个尺度的低频分量的系数以及高频分量在各个方向的系数,根据相邻尺度之间的系数相关性区分噪声信息以及图像边缘细节信息,并对噪声信息进行阈值收缩处理,获得去噪后的去噪系数,再将去噪系数进行非下采样轮廓波逆变换,获得更高质量的去噪图像。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,附图中的流程图和框图显示了根据本发明的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现方式中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
另外,在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应所述以权利要求的保护范围为准。
Claims (10)
1.一种基于非下采样轮廓波变换的图像去噪方法,其特征在于,所述方法包括:
利用非下采样轮廓波变换将待去噪的图像进行多尺度分解,获得每个尺度的低频分量的第一系数以及每个尺度的高频分量在各个方向上的第二系数;
根据每个尺度的第二系数中与该尺度的上一尺度的第一系数的相关性,对各第二系数进行阈值收缩处理或保留,获得各尺度的去噪系数;
根据所述去噪系数进行非下采样轮廓波逆变换,获得去噪后的图像。
2.根据权利要求1所述的方法,其特征在于,所述对各第二系数进行阈值收缩处理或保留包括:
当所述第二系数为第一尺度的系数,对该第二系数进行阈值收缩处理,获得该第二系数对应的去噪系数,所述第一尺度为所述图像进行非下采样轮廓波变换后的第一个尺度;
当所述第二系数不为第一尺度的系数且该第二系数的父系数为噪声信号,对该第二系数进行阈值收缩处理,获得该第二系数对应的去噪系数,所述父系数为该第二系数所在尺度的上一尺度的第一系数;
当所述第二系数不为第一尺度的系数且该第二系数的父系数为有效信号,保留该第二系数作为去噪系数。
3.根据权利要求2所述的方法,其特征在于,所述方法还包括:
计算所述第二系数对应的自适应性阈值;
当所述第二系数的父系数大于该第二系数对应的自适应阈值,判定该第二系数的父系数为有效信号,
当所述第二系数的父系数小于该第二系数对应的自适应阈值,判定该第二系数的父系数为噪声信号。
4.根据权利要求3所述的方法,其特征在于,所述计算所述第二系数对应的自适应性阈值包括:
通过公式进行计算,其中,w1(j,d,p)为在尺度j的方向d上的该第二系数p的值,Thr(j,d,p)为该第二系数p对应的自适应性阈值,Num为该第二系数局部邻域窗口中包含的第二系数的数量,w1(j,d,l)是以w1(j,d,p)为中心的局部邻域窗口中的第二系数,是噪声方差估计函数, 是位于尺度j的各个方向的第二系数,τ为预定值。
5.根据权利要求1所述的方法,其特征在于,对第二系数进行阈值收缩处理包括:
通过最小化无偏风险估计SURE算法计算线性参数ad,1以及ad,2,
构造与该第二系数相关的线性函数θd(ω)=ad,1t1(ω)+ad,2t2(ω),其中,θd(ω)表示在方向d上的该第二系数对应的去噪系数,t1(ω)=ω, 表示该第二系数的值。
6.一种基于非下采样轮廓波变换的图像去噪装置,其特征在于,所述装置包括:
变换模块,用于利用非下采样轮廓波变换将待去噪的图像进行多尺度分解,获得每个尺度的低频分量的第一系数以及每个尺度的高频分量在各个方向上的第二系数;
处理模块,用于根据每个尺度的第二系数中与该尺度的上一尺度的第一系数的相关性,对各第二系数进行阈值收缩处理或保留,获得各尺度的去噪系数;
逆变换模块,用于根据所述去噪系数进行非下采样轮廓波逆变换,获得去噪后的图像。
7.根据权利要求6所述的装置,其特征在于,所述处理模块还包括:
收缩单元,用于当所述第二系数为第一尺度的系数,对该第二系数进行阈值收缩处理,获得该第二系数对应的去噪系数,所述第一尺度为所述图像进行非下采样轮廓波变换后的第一个尺度,或者
当所述第二系数不为第一尺度的系数且该第二系数的父系数为噪声信号,对该第二系数进行阈值收缩处理,获得该第二系数对应的去噪系数,所述父系数为该第二系数所在尺度的上一尺度的第一系数;
保留单元,用于当所述第二系数不为第一尺度的系数且该第二系数的父系数为有效信号,保留该第二系数作为去噪系数。
8.根据权利要求7所述的装置,其特征在于,所述装置还包括:
计算模块,用于计算所述第二系数对应的自适应性阈值;
判定模块,用于当所述第二系数的父系数大于该第二系数对应的自适应阈值,判定该第二系数的父系数为有效信号,
当所述第二系数的父系数小于该第二系数对应的自适应阈值,判定该第二系数的父系数为噪声信号。
9.根据权利要求8所述的装置,其特征在于,所述计算模块用于通过公式进行计算,其中,w1(j,d,p)为在尺度j的方向d上的该第二系数p的值,Thr(j,d,p)为该第二系数p对应的自适应性阈值,Num为该第二系数局部邻域窗口中包含的第二系数的数量,w1(j,d,l)是以w1(j,d,p)为中心的局部邻域窗口中的第二系数,是噪声方差估计函数, 是位于尺度j的各个方向的第二系数,τ为预定值。
10.根据权利要求6所述的装置,其特征在于,所述处理模块包括收缩单元,所述收缩单元包括:
线性计算子单元,用于通过最小化无偏风险估计SURE算法计算线性参数ad,1以及ad,2,
去噪系数计算单元,用于构造与该第二系数相关的线性函数θd(ω)=ad,1t1(ω)+ad,2t2(ω),其中,θd(ω)表示在方向d上的该第二系数对应的去噪系数,t1(ω)=ω, 表示该第二系数的值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610566766.5A CN106204495A (zh) | 2016-07-18 | 2016-07-18 | 基于非下采样轮廓波变换的图像去噪方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610566766.5A CN106204495A (zh) | 2016-07-18 | 2016-07-18 | 基于非下采样轮廓波变换的图像去噪方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106204495A true CN106204495A (zh) | 2016-12-07 |
Family
ID=57494052
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610566766.5A Pending CN106204495A (zh) | 2016-07-18 | 2016-07-18 | 基于非下采样轮廓波变换的图像去噪方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106204495A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109740629A (zh) * | 2018-12-05 | 2019-05-10 | 电子科技大学 | 一种基于fpga的非下采样轮廓波分解变换系统及其实现方法 |
CN109816599A (zh) * | 2018-12-07 | 2019-05-28 | 西安电子科技大学 | 一种基于小波分解卷积神经网络的图像条带噪声抑制方法 |
CN110648290A (zh) * | 2019-09-06 | 2020-01-03 | 西安交通大学 | 一种基于sure参数优化的双核非局部均值图像去噪方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104732498A (zh) * | 2015-03-31 | 2015-06-24 | 河海大学 | 一种基于非下采样Contourlet变换的阈值化图像去噪方法 |
US9355439B1 (en) * | 2014-07-02 | 2016-05-31 | The United States Of America As Represented By The Secretary Of The Navy | Joint contrast enhancement and turbulence mitigation method |
-
2016
- 2016-07-18 CN CN201610566766.5A patent/CN106204495A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9355439B1 (en) * | 2014-07-02 | 2016-05-31 | The United States Of America As Represented By The Secretary Of The Navy | Joint contrast enhancement and turbulence mitigation method |
CN104732498A (zh) * | 2015-03-31 | 2015-06-24 | 河海大学 | 一种基于非下采样Contourlet变换的阈值化图像去噪方法 |
Non-Patent Citations (1)
Title |
---|
LIANG MEIYU ET AL.: "Self-adaptive spatial image denoising model based on scale correlation and SURE-LET in the nonsubsampled contourlet transform domain", 《SCIENCE CHINA INFORMATION SCIENCES》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109740629A (zh) * | 2018-12-05 | 2019-05-10 | 电子科技大学 | 一种基于fpga的非下采样轮廓波分解变换系统及其实现方法 |
CN109740629B (zh) * | 2018-12-05 | 2022-03-15 | 电子科技大学 | 一种基于fpga的非下采样轮廓波分解变换系统及其实现方法 |
CN109816599A (zh) * | 2018-12-07 | 2019-05-28 | 西安电子科技大学 | 一种基于小波分解卷积神经网络的图像条带噪声抑制方法 |
CN109816599B (zh) * | 2018-12-07 | 2020-12-29 | 西安电子科技大学 | 一种基于小波分解卷积神经网络的图像条带噪声抑制方法 |
CN110648290A (zh) * | 2019-09-06 | 2020-01-03 | 西安交通大学 | 一种基于sure参数优化的双核非局部均值图像去噪方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Aminghafari et al. | Multivariate denoising using wavelets and principal component analysis | |
Do et al. | Wavelet-based texture retrieval using generalized Gaussian density and Kullback-Leibler distance | |
Jacob et al. | Design of steerable filters for feature detection using canny-like criteria | |
Mrázek et al. | On robust estimation and smoothing with spatial and tonal kernels | |
Miller et al. | Image denoising using derotated complex wavelet coefficients | |
Wang et al. | Solution of inverse problems in image processing by wavelet expansion | |
CN105125204A (zh) | 一种基于esmd方法的心电信号降噪方法 | |
CN104156918B (zh) | 基于联合稀疏表示与残差融合的sar图像噪声抑制方法 | |
Gou et al. | Remote sensing image super-resolution reconstruction based on nonlocal pairwise dictionaries and double regularization | |
CN106204495A (zh) | 基于非下采样轮廓波变换的图像去噪方法及装置 | |
CN115211869A (zh) | 一种基于经验模态分解和卡尔曼滤波的脑电信号去噪方法、装置及系统 | |
CN113723309A (zh) | 身份识别方法、身份识别装置、设备及存储介质 | |
Nafornita et al. | Regularised, semi-local hurst estimation via generalised lasso and dual-tree complex wavelets | |
Achim et al. | Complex wavelet domain image fusion based on fractional lower order moments | |
Kurmi et al. | An image fusion approach based on adaptive fuzzy logic model with local level processing | |
CN102136134B (zh) | 基于mrf先验的sar图像去斑方法 | |
CN102222327A (zh) | 基于Treelet变换和最小均方误差估计的图像去噪方法 | |
CN105303538A (zh) | 一种基于nsct和pca的高斯噪声方差估计方法 | |
Han et al. | Noise reduction method for chaotic signals based on dual-wavelet and spatial correlation | |
CN109993176A (zh) | 图像局部特征描述方法、装置、设备及介质 | |
Jon et al. | Weighted hyper-Laplacian prior with overlapping group sparsity for image restoration under Cauchy noise | |
CN102289800A (zh) | 基于Treelet的Contourlet域图像去噪方法 | |
CN101242488A (zh) | 一种数字图像极值的平滑方法 | |
Wundrich et al. | Image representation by complex cell responses | |
Long et al. | Contourlet image modeling with contextual hidden Markov models |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20161207 |
|
RJ01 | Rejection of invention patent application after publication |