CN106651788A - 一种图像去噪方法 - Google Patents

Abstract

本发明公开了一种图像去噪方法，包括，对原始图像或上一层分解获得的上层高频小波分解系数进行离散小波变换，进而分解出一组当前层高频小波分解系数和当前层低频小波分解系数；利用阈值函数对所述当前层高频小波分解系数进行阈值量化处理，得到一组当前层估计高频小波分解系数；对所述当前层高频小波分解系数和所述当前层估计高频小波分解系数进行噪声估计，并判断是否需要进行下一层分解；若需要，则返回所述对原始图像或上一层分解获得的上层高频小波分解系数进行离散小波变换的步骤；若不需要，则通过小波逆变换进行图像重构，进而得到去噪后的图像。通过上述方式，本发明能够提高图像去噪的准确性。

Description

一种图像去噪方法

技术领域

本发明涉及图像处理技术领域，特别是涉及一种图像去噪方法。

背景技术

近年来，小波变换被广泛应用与图像去噪领域，其基本原理是在对图像进行变换的基础上，选用适当的阈值量化方法进行萎缩处理，再经反变换后获得去噪图像。

目前，一方面，常用的阈值量化方法有：硬阈值量化方法和软阈值量化方法；在硬阈值量化方法处理过程中，经硬阈值处理后的信号，可以很好的保留信号的局部特征，但由于得到的估计小波系数值连续性差，会在恢复后的信号中引入一些人为的噪声点，甚至可能会引起重构后信号的震荡；在软阈值量化方法处理过程中，得到的小波系数值虽然连续性良好，但由于小波系数较大时，得到处理后的小波系数值与原信号的小波系数值相比较，存在着恒定的偏差，可能会丢失一些有用的高频信息，这将直接影响重构信号与原信号的逼近程度，给重构信号带来不可避免的误差。另一方面，在对图像信号进行小波分解的过程中，小波分解层数都是事先确定的，这会影响图像去噪的准确性。

发明内容

本发明主要解决的技术问题是提供一种图像去噪方法，能够提高图像去噪的准确性。

为解决上述技术问题，本发明采用的一个技术方案是：提供一种图像去噪方法，包括，对原始图像或上一层分解获得的上层高频小波分解系数进行离散小波变换，进而分解出一组当前层高频小波分解系数和当前层低频小波分解系数；利用阈值函数对所述当前层高频小波分解系数进行阈值量化处理，得到一组当前层估计高频小波分解系数；对所述当前层高频小波分解系数和所述当前层估计高频小波分解系数进行噪声估计，并判断是否需要进行下一层分解；若需要，则返回所述对原始图像或上一层分解获得的上层高频小波分解系数进行离散小波变换的步骤；若不需要，则通过小波逆变换进行图像重构，进而得到去噪后的图像。

其中，所述利用阈值函数对所述当前层高频小波分解系数进行阈值量化处理，得到一组当前层估计高频小波分解系数的步骤包括：

利用如下公式进行阈值量化处理：

其中，W_j，k为所述当前层高频小波分解系数，所述当前层估计高频小波分解系数，sign为符号函数，log为对数函数，λ为阈值，t为调节因子，n为幂指数。

其中，所述幂指数n的值根据原始图像的噪声估计水平进行设定或者根据上一层小波分解的噪声估计水平进行设定；所述幂指数n的取值为自然数。

其中，所述阈值λ通过如下公式计算：其中，N为采样点数，σ为噪声方差，lg为以10为底的对数函数。

进一步，所述噪声方差σ通过如下公式进行计算：σ＝(median|W_i，k|)/0.6475，其中，median为中值函数，|W_j，k|为W_j，k的绝对值。

其中，所述调节因子t的值在对原始图像或上一层分解获得的上层高频小波分解系数进行离散小波变换之前预先设定，取值范围为0～1。

其中，所述对所述当前层高频小波分解系数和所述当前层估计高频小波分解系数进行噪声估计，并判断是否需要进行下一层分解的步骤包括，对所述高频小波分解系数和所述估计高频小波分解系数进行噪声估计，得到噪声估计水平；将所述噪声估计水平与预设的噪声阈值进行比较；若大于或等于所述噪声阈值，则判定为需要进行下一层分解；若小于所述噪声阈值，则判定为不需要进行下一层分解。

其中，所述噪声估计水平通过如下公式进行计算：其中，σ'为噪声估计水平，median为中值函数，为W_j，k和的绝对差值。

其中，所述若不需要，则进行小波逆变换进行图像重构，进而得到去噪后的图像的步骤包括：根据当前分解过程和之前分解过程中获得所有低频小波分解系数和当前分解过程的所有所述当前层估计高频小波分解系数通过所述小波逆变换进行图像重构，进而得到去噪后的图像。

本发明的有益效果是：区别于现有技术的情况，本发明根据当前层高频小波分解系数和当前层估计高频小波分解系数进行噪声估计，根据上述噪声估计水平自适应的确定所需小波分解的层数，提高小波分解图像去噪的准确性。

另一方面，本发明提供一新的阈值量化处理函数，该函数可根据原始图像的噪声估计水平或者上一层小波分解的噪声估计水平进行实时调整，可以有效避免高频信息的丢失；该阈值函数与硬阈值函数相比能够提高估计小波系数数值的连续性，与软阈值函数相比能够降低软阈值函数存在的恒定偏差。

附图说明

图1是本发明图像去噪方法一实施方式的流程示意图；

图2是本发明小波分解树一实施方式的示意图。

具体实施方式

请参阅图1，图1为本发明图像去噪方法一实施方式的流程示意图，包括如下步骤：

S101：对原始图像或上一层分解获得的上层高频小波分解系数进行离散小波变换，进而分解出一组当前层高频小波分解系数和当前层低频小波分解系数；

需要注意的是，本实施例中所采用的方法为只对每一层图像信息的高频部分进行分解，而对每一层的低频信息部分不作分解，这是考虑到低频信息部分是图像变化缓慢的部分，是图像的框架，包含大量的图像能量，而高频信息部分是图像变化迅速的部分，是图像的细节信息，因此需要对高频部分着重进行去噪。图像中的噪声能量会随着分解次数和去噪次数的增加，逐渐降低。请结合图2，图2为本实施例中小波分解树示意图，其中S代表原始图像信号，G1代表第一层分解高频信息部分，D1代表第一层低频信息部分，其余依此类推。

需要说明的是，在其他实施例中，本发明所采用的方法也可对每一层分解获得的高频小波系数和低频小波系数均进行下一层分解。

S102：利用阈值函数对当前层高频小波分解系数进行阈值量化处理，得到一组当前层估计高频小波分解系数；

需要了解的是，本实施例中采用的去噪方法基于阈值收缩法，该方法的主要思想是基于图像信息和噪声信息在经小波变换后具有不同的统计学特性：在同一分解层中，图像本身的能量对应着幅值较大的小波系数；噪声能量则对应着幅值较小的小波系数，并分散在小波变换后的所有系数中。根据该特性，可以设置一个阈值门限，将大于该阈值的小波系数默认为大部分为有用的信号，并予以收缩后保留；而将小于该阈值的小波系数默认为大部分为噪声，予以剔除，这样即达到去噪的目的。

本实施例中所利用的阈值函数公式如下：

其中，W_j，k为当前层高频小波分解系数，为当前层估计高频小波分解系数，sign为符号函数，log为对数函数，λ为阈值，t为调节因子，n为幂指数。

上述幂指数n的值可根据原始图像的噪声估计水平进行设定或者根据上一层小波分解的噪声估计水平进行设定，幂指数n的取值为自然数。在一个应用场景中，若用户觉得上一层小波分解的噪声水平较高，可适当减小n的大小，进而使得该函数的收缩幅度变小。需要注意的是，由于n是动态变化的，因此log₂(|λ/W_j，k|ⁿ+1)也是动态调节的，可以自适应的减小衰减，有效避免高频信息的丢失，提高重构后信号的信噪比。n的取值越大，信噪比越小，信号失真越大；反之n越小，信噪比越大，信号失真小，但震荡幅度大。因此，n的取值需要根据实际情况进行选择调整。

上述阈值λ的计算公式为：其中，N为采样点数，σ为噪声方差，lg为以10为底的对数函数。进一步地，噪声方差σ可通过如下公式计算获得：σ＝(median|W_j，k|)/0.6475，其中，median为中值函数，|W_j，k|为W_j，k的绝对值。在其他实施例中，阈值λ的计算公式也可为其他，噪声方差也可通过其他方法计算得到。

上述调节因子t的值在对原始图像或上一层分解获得的上层高频小波分解系数进行离散小波变换之前预先设定，取值范围为0～1。在一个应用场景中，t的取值为黄金分割点0.618，在其他场景中，t的取值也可为其他。

S103：对当前层高频小波分解系数和当前层估计高频小波分解系数进行噪声估计，并判断是否需要进行下一层分解；

具体为，对高频小波分解系数和估计高频小波分解系数进行噪声估计，得到噪声估计水平；将噪声估计水平与预设的噪声阈值进行比较；若噪声估计水平大于或等于噪声阈值，则判定为需要进行下一层分解；若小于噪声阈值，则判定为不需要进行下一层分解。

在一个应用场景中，上述噪声估计水平可通过如下公式进行计算：其中，σ'为噪声估计水平，median为中值函数，为W_j，k和的绝对差值，上述噪声阈值的大小可根据用户需要去噪的程度进行设定。在其他应用场景中，上述噪声估计水平也可通过其他方式进行计算。

S104：若需要，则返回对原始图像或上一层分解获得的上层高频小波分解系数进行离散小波变换的步骤；

具体地，若经步骤S103判定需要进行下一层分解，则转向步骤S101。

S105：若不需要，则通过小波逆变换进行图像重构，进而得到去噪后的图像。

具体的，可根据当前分解过程和之前分解过程中获得所有低频小波分解系数和当前分解过程的所有当前层估计高频小波分解系数通过小波逆变换进行图像重构，进而得到去噪后的图像。

由于利用小波变换图像去噪的方法，可能也会除去一些图像的高频细节，图像的边缘会变得模糊。为了进一步修正图像，在其他实施例中还可进一步利用双边滤波器对重构后的图像进行滤波，弥补小波阈值去噪损失图像边缘的缺陷。

本发明所采用的图像去噪的方法，可以根据当前层高频小波分解系数和当前层估计高频小波分解系数进行噪声估计，根据上述噪声估计水平自适应的确定所需小波分解的层数，提高小波分解图像去噪的准确性。另一方面，本发明提供了一新的阈值量化处理函数，该函数可根据原始图像的噪声估计水平或者上一层小波分解的噪声估计水平进行实时调整，可以有效避免高频信息的丢失；该阈值函数与硬阈值函数相比能够提高估计小波系数数值的连续性，与软阈值函数相比能够降低软阈值函数存在的恒定偏差。

以上仅为本发明的实施方式，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (10)

1.一种图像去噪方法，其特征在于，包括：

对原始图像或上一层分解获得的上层高频小波分解系数进行离散小波变换，进而分解出一组当前层高频小波分解系数和当前层低频小波分解系数；

利用阈值函数对所述当前层高频小波分解系数进行阈值量化处理，得到一组当前层估计高频小波分解系数；

对所述当前层高频小波分解系数和所述当前层估计高频小波分解系数进行噪声估计，并判断是否需要进行下一层分解；

若需要，则返回所述对原始图像或上一层分解获得的上层高频小波分解系数进行离散小波变换的步骤；

若不需要，则通过小波逆变换进行图像重构，进而得到去噪后的图像。

2.根据权利要求1所述的方法，其特征在于，所述利用阈值函数对所述当前层高频小波分解系数进行阈值量化处理，得到一组当前层估计高频小波分解系数的步骤包括：

利用如下公式进行阈值量化处理：

$\widehat{W_{j,k}}=\left\{\begin{array}{cc}sign\left(W_{j,k}\right)\left(\right|W_{j,k}|-{\mathrm{\&lambda;tlog}}_2(|\mathrm{\&lambda;}/W_{j,k}{|}^n+1\left)\right)& \left|W_{j,k}\right|\&GreaterEqual;\mathrm{\&lambda;}\\ 0,& \left|W_{j,k}\right|<\mathrm{\&lambda;}\end{array}\right.$

其中，W_j，k为所述当前层高频小波分解系数，为所述当前层估计高频小波分解系数，sign为符号函数，log为对数函数，λ为阈值，t为调节因子，n为幂指数。

3.根据权利要求2所述的方法，其特征在于，所述幂指数n的值根据原始图像的噪声估计水平进行设定或者根据上一层小波分解的噪声估计水平进行设定。

4.根据权利要求3所述的方法，其特征在于，所述幂指数n的取值为自然数。

5.根据权利要求2所述的方法，其特征在于，所述阈值λ通过如下公式计算：

$\mathrm{\&lambda;}=\mathrm{\&sigma;}\sqrt{2\lg N}$

其中，N为采样点数，σ为噪声方差，lg为以10为底的对数函数。

6.根据权利要求5所述的方法，其特征在于，所述噪声方差σ通过如下公式进行计算：

σ＝(median|W_j.k|)/0.6475

其中，median为中值函数，|W_j，k|为W_j，k的绝对值。

7.根据权利要求2所述的方法，其特征在于，所述调节因子t的值在对原始图像或上一层分解获得的上层高频小波分解系数进行离散小波变换之前预先设定，取值范围为0～1。

8.根据权利要求1所述的方法，其特征在于，所述对所述当前层高频小波分解系数和所述当前层估计高频小波分解系数进行噪声估计，并判断是否需要进行下一层分解的步骤包括：

对所述高频小波分解系数和所述估计高频小波分解系数进行噪声估计，得到噪声估计水平；

将所述噪声估计水平与预设的噪声阈值进行比较；

若大于或等于所述噪声阈值，则判定为需要进行下一层分解；

若小于所述噪声阈值，则判定为不需要进行下一层分解。

9.根据权利要求8所述的方法，其特征在于，所述噪声估计水平通过如下公式进行计算：

${\mathrm{\&sigma;}}^{\&prime;}=\left(median\right|W_{j,k}-\widehat{W_{j,k}}\left|\right)/\mathrm{0.6475.}$

其中，σ'为噪声估计水平，median为中值函数，为W_j，k和的绝对差值。

10.根据权利要求1所述的方法，其特征在于，所述若不需要，则进行小波逆变换进行图像重构，进而得到去噪后的图像的步骤包括：

根据当前分解过程和之前分解过程中获得所有低频小波分解系数和当前分解过程的所有所述当前层估计高频小波分解系数通过所述小波逆变换进行图像重构，进而得到去噪后的图像。