CN107451964A - 一种基于噪声方差分段估计的图像去噪方法 - Google Patents

一种基于噪声方差分段估计的图像去噪方法 Download PDF

Info

Publication number
CN107451964A
CN107451964A CN201710576126.7A CN201710576126A CN107451964A CN 107451964 A CN107451964 A CN 107451964A CN 201710576126 A CN201710576126 A CN 201710576126A CN 107451964 A CN107451964 A CN 107451964A
Authority
CN
China
Prior art keywords
image
noise
mrow
msub
mtd
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.)
Granted
Application number
CN201710576126.7A
Other languages
English (en)
Other versions
CN107451964B (zh
Inventor
冯华君
张承志
徐之海
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang University ZJU
Original Assignee
Zhejiang University ZJU
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Zhejiang University ZJU filed Critical Zhejiang University ZJU
Priority to CN201710576126.7A priority Critical patent/CN107451964B/zh
Publication of CN107451964A publication Critical patent/CN107451964A/zh
Application granted granted Critical
Publication of CN107451964B publication Critical patent/CN107451964B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20048—Transform domain processing
    • G06T2207/20064—Wavelet transform [DWT]

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)
  • Facsimile Image Signal Circuits (AREA)

Abstract

本发明公开了一种基于噪声方差分段估计的图像去噪方法，本发明基于图像小波细节系数的统计特性，用分段函数进行分析处理。首先将原始图像进行小波变换，然后根据Donoho方法得出噪声标准方差的初始估计值，最后将初始估计值进行分段处理，得到噪声标准方差的最终估计值。本发明能提高小波噪声方差估计的准确性，特别是在图像噪声较小和细节较多的图像中。本发明的方法无需复杂的计算，直接对图像的小波细节系数进行分段处理就可以在噪声较小时得到比较准确的估计，提高图像去噪效果，提升峰值信噪比PSNR。

Description

一种基于噪声方差分段估计的图像去噪方法
技术领域
本发明属于图像处理领域，涉及一种基于噪声方差分段估计的图像去噪方法。
背景技术
噪声会导致图像质量下降和图像信息的丢失。为了提高图像质量，方便后续的图像处理过程如图像识别、分割、超分辨等，必须对图像进行去噪。在去噪过程中，需要知道噪声的分布模型和参数。一般假设图像噪声为零均值高斯白噪声,这时需要估计的参数就是噪声方差。
噪声方差估计常用的方法有：基于图像平滑块的噪声方差估计、基于主成分分析的噪声水平估计、基于小波变换的噪声标准方差估计。小波变换是一种对图像进行多分辨率分析的方法。小波变换后图像的信息主要集中在低频部分，而高斯白噪声在整个频域具有相同的分布，所以可以根据高分辨率的细节系数来估计噪声。这种方法由于原理简单、结果比较准确，在图像去噪领域得到广泛的研究和应用。
传统小波变换方法在图像噪声较大的时候较为准确，但是在图像噪声较小、图像细节较丰富时估计结果普遍比真实值偏大。
发明内容
为了在去除噪声的同时尽可能保留图像的细节信息，本发明在传统小波变换方法的基础上提出一种基于噪声方差分段估计的图像去噪方法。
本发明的目的是通过以下技术方案实现的：一种基于噪声方差分段估计的图像去噪方法，该方法包括以下步骤：
(1)图像噪声方差估计，具体包括以下步骤：
(1.1)选用db1小波作为小波基，对含噪图像进行3尺度小波分解，得到对角线细节系数，公式如下：
其中指对角线方向小波系数，M、N分别指图像行数和列数，f(x,y)指二维图像，指j尺度上对角线方向的方向敏感小波，j指小波变换的尺度，j＝3；
(1.2)采用Donoho方法对含噪图像进行噪声标准方差估计，得到噪声标准方差初始估计值eD，公式如下：
eD＝MAD/0.6745 (1)
其中MAD为图像小波变换后对角线细节系数的中值；
(1.3)对不同的初始估计值eD进行分段处理，得到噪声标准方差的最终估计值e，公式如下：
(2)图像去噪，具体包括以下步骤：
(2.1)根据步骤(1.3)得到的噪声标准方差最终估计值e，求取小波阈值去噪算法的阈值T；
(2.2)用得到的阈值T对小波系数进行处理得到新的小波系数，并对新的小波系数进行小波重构，得到去噪图像。
本发明的有益效果是：本发明首先使用小波变换得到一个噪声标准方差的初始估计值，然后根据不同大小的噪声对小波细节系数的不同影响，将得到的估计值进行分段处理得到最终估计值，最后利用本发明得到的方差估计值进行去噪。本发明方法无需复杂的计算，基于不同噪声下图像小波细节系数的统计特性提出一个分段函数，对观测图像的噪声方差初始估计值进行分析处理，从而提高噪声方差估计的准确性，特别是在图像噪声较小(标准方差小于20)和细节较多的图像中，最终提高图像去噪效果，提升峰值信噪比。
附图说明
图1为本发明方法流程示意图。
图2为小波变换示意图。
图3为本发明和传统方法对50张测试图像噪声标准方差估计的结果。
图4为本发明和传统方法对50张测试图像噪声标准方差估计的误差情况。
图5中，(a)为原始图像第1张，(b)为原始图像第2张，(c)为原始图像第3 张，(d)为原始图像第4张。
图6中，(a)为含噪图像第1张，(b)为含噪图像第2张，(c)为含噪图像第3 张，(d)为含噪图像第4张。
图7中，(a)为去噪结果第1张，(b)为去噪结果第2张，(c)为去噪结果第3 张，(d)为去噪结果第4张。
具体实施方式
以下结合附图对本发明作进一步说明。
本发明在图像噪声方差估计的过程中，针对含有噪声的观测图像，利用不同大小的噪声对图像小波细节系数影响不同的特性，用分段函数对图像小波细节系数进行处理，从而提高了图像噪声方差估计的准确性。本发明的流程如附图1所示，主要包括噪声方差估计、图像去噪。
注意，本发明中所有用到的噪声标准方差的单位均为像素值(比如，标准方差为5代表着5个像素值)。
步骤1：噪声方差估计
1-1选用db1小波作为小波基，对含噪图像进行3尺度小波分解，如图2。
1-2选择图像进行小波变换后D方向(对角线方向)的小波细节系数，求其中值，并将中值除以一个常数c，得到噪声标准方差的初始估计值eD，c＝0.6745。
1-3对于同一幅图像，噪声越大时，噪声在高频信息中占的比重越大，eD越接近真实值。噪声小时，eD包含了图像细节信息的影响。所以需要对不同的噪声初始估计值进行不同的处理。当eD>20时，eD非常接近真实值，可以直接当做噪声标准方差的最终估计值。当eD≤20时，eD比真实值偏大。15≤eD≤20时，eD与真实值的关系基本在一条直线上。eD<15时，eD与真实值的关系在另一条直线上。根据这个关系，对初始估计值eD用分段函数进行处理，如下式：
对50幅常用的测试图像添加标准方差从0到20变化的零均值高斯白噪声，然后采用传统方法和本发明方法对图像噪声标准方差进行估计。估计值与真实值的关系如图3，估计值的误差如图4。
步骤2：图像去噪
为了检验噪声方差估计的准确性，将估计出的噪声方差代入小波软阈值去噪算法中，比较本发明方法和传统方法估计出的噪声方差在应用时的性能表现。
2-1根据得到的噪声标准方差估计值e，根据Birge-Massart的处罚算法求取小波阈值去噪算法的全局阈值T。
2-2用得到的阈值T对小波细节系数进行全局软阈值处理得到新的小波系数。软阈值处理，即首先将其绝对值比阈值低的元素置零，然后将非零系数标定到接近零。对新的小波系数进行重构，得到去噪图像。
针对图5所示的4幅实验图像，根据本发明的方法估计出的噪声标准方差利用小波软阈值方法进行去噪，并将去噪性能与传统方法进行比较。
表1所示为对图5(a)用传统方法和本发明方法进行小波阈值去噪的结果。
其中，eD指传统方法估计得到的噪声标准方差，en指本发明方法估计得到的噪声标准方差，PSNR1指的是加入噪声后的图像相对于原始高质量图像的PSNR， PSNR2指的是用传统方法去噪后所得图像的PSNR，PSNR3指是用本发明方法去噪后所得图像的PSNR。
表1 传统方法和本发明的去噪性能比较
真实值 eD en PSNR1/dB PSNR2/dB PSNR3/dB
0 3.706449 1.323723 Inf 34.06909 41.99929
1 3.706449 1.323723 47.79851 34.14843 41.59819
2 4.447739 2.170041 42.06064 32.93968 37.80229
3 5.189029 3.016359 38.5798 32.06571 35.61213
4 5.930319 3.862677 36.08321 31.28341 34.03956
5 6.671609 4.708995 34.14751 30.65007 32.85183
6 7.412898 5.555313 32.5837 30.09194 31.83296
7 8.154188 6.401631 31.25989 29.58558 31.05048
8 9.636768 8.094266 30.07064 28.70583 29.70039
9 10.37806 8.940584 29.05006 28.40024 29.22581
10 11.11935 9.786902 28.16608 28.06795 28.75983
11 11.86064 10.63322 27.31319 27.77099 28.37592
12 13.34322 12.32586 26.57183 27.23001 27.62952
13 14.08451 13.17217 25.88601 26.99217 27.32023
14 14.8258 14.01849 25.24916 26.79947 27.06905
15 16.30838 15.57898 24.64784 26.38489 26.59672
16 17.04967 16.41386 24.06575 26.16447 26.33106
17 17.79096 17.24874 23.55391 26.03631 26.17846
18 18.53225 18.08362 23.05599 25.87257 25.97641
19 20.01483 19.75338 22.57929 25.55811 25.60496
20 20.75612 20.58826 22.16969 25.44464 25.47637
从表1可以看出，对于图5(a)来说，在噪声标准方差从0到20变化的整个噪声范围内，本发明估计的噪声标准方差都比传统方法估计值更准确。用本发明得到的标准方差进行小波阈值去噪，去噪后图像的PSNR比传统方法估计的高，在噪声小时尤为明显。从表1中还可以看出，将本发明方法估计出的噪声标准方差作为小波阈值去噪的输入参数，当噪声标准方差大于等于9时，使用小波阈值去噪后的图像比初始含噪图像的PSNR要高。这说明当噪声标准方差大于等于9之后，噪声对图像质量的影响变得比较明显。
对图5另外三张图片进行实验后的现象与图5(a)类似，所以只附上部分噪声水平下的去噪情况，如表2、表3、表4所示。
表2 图5(b)去噪效果
标准方差 PSNR1/dB PSNR2/dB PSNR3/dB
5 34.16733 31.41359 33.45625
10 28.14902 29.07842 29.73106
15 24.67071 27.54969 27.81417
20 22.21054 26.46593 26.51834
表3 图5(c)去噪效果
标准方差 PSNR1/dB PSNR2/dB PSNR3/dB
5 34.14897 31.4047 33.39173
10 28.15992 29.08109 29.73859
15 25.29035 27.80457 28.06523
20 22.21176 26.31221 26.34989
表4 图5(d)去噪效果
标准方差 PSNR1/dB PSNR2/dB PSNR3/dB
5 34.15524 31.41651 33.44531
10 28.16666 29.07914 29.73351
15 25.26828 27.80253 28.07486
20 22.20567 26.5025 26.56244
为了更直观地看出降噪效果，对图5的4张图像分别施加标准方差为10的高斯噪声，得到含噪图像，如图6所示。小波软阈值去噪后的图像如图7所示。从图6中可以看出，当噪声标准方差为10时，噪声已经明显影响了图像质量。从图7可以看出，使用本发明估计出的噪声标准方差进行去噪后，图像质量得到提升，视觉效果明显。

Claims (1)

1.一种基于噪声方差分段估计的图像去噪方法，其特征在于，该方法包括以下步骤：
(1)图像噪声方差估计，具体包括以下步骤：
(1.1)选用db1小波作为小波基，对含噪图像进行3尺度小波分解，得到对角线细节系数；
(1.2)采用Donoho方法对含噪图像进行噪声标准方差估计，得到噪声标准方差初始估计值eD，公式如下：
eD＝MAD/0.6745 (1)
其中MAD为图像小波变换后对角线细节系数的中值；
(1.3)对不同的初始估计值eD进行分段处理，得到噪声标准方差的最终估计值e，公式如下：
<mrow> <mi>e</mi> <mo>=</mo> <mfenced open = "{" close = ""> <mtable> <mtr> <mtd> <mrow> <mo>(</mo> <msub> <mi>e</mi> <mi>D</mi> </msub> <mo>-</mo> <mn>2.5470</mn> <mo>)</mo> <mo>/</mo> <mn>0.8759</mn> </mrow> </mtd> <mtd> <mrow> <msub> <mi>e</mi> <mi>D</mi> </msub> <mo>&lt;</mo> <mn>15</mn> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <mo>(</mo> <msub> <mi>e</mi> <mi>D</mi> </msub> <mo>-</mo> <mn>2.4758</mn> <mo>)</mo> <mo>/</mo> <mn>0.8879</mn> </mrow> </mtd> <mtd> <mrow> <mn>15</mn> <mo>&amp;le;</mo> <msub> <mi>e</mi> <mi>D</mi> </msub> <mo>&amp;le;</mo> <mn>20</mn> </mrow> </mtd> </mtr> <mtr> <mtd> <msub> <mi>e</mi> <mi>D</mi> </msub> </mtd> <mtd> <mrow> <msub> <mi>e</mi> <mi>D</mi> </msub> <mo>&gt;</mo> <mn>20</mn> </mrow> </mtd> </mtr> </mtable> </mfenced> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>2</mn> <mo>)</mo> </mrow> </mrow>
(2)图像去噪，具体包括以下步骤：
(2.1)根据步骤(1.3)得到的噪声标准方差最终估计值e，求取小波阈值去噪算法的阈值T；
(2.2)用得到的阈值T对小波系数进行处理得到新的小波系数，并对新的小波系数进行小波重构，得到去噪图像。
CN201710576126.7A 2017-07-14 2017-07-14 一种基于噪声方差分段估计的图像去噪方法 Expired - Fee Related CN107451964B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710576126.7A CN107451964B (zh) 2017-07-14 2017-07-14 一种基于噪声方差分段估计的图像去噪方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710576126.7A CN107451964B (zh) 2017-07-14 2017-07-14 一种基于噪声方差分段估计的图像去噪方法

Publications (2)

Publication Number Publication Date
CN107451964A true CN107451964A (zh) 2017-12-08
CN107451964B CN107451964B (zh) 2020-04-03

Family

ID=60488668

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710576126.7A Expired - Fee Related CN107451964B (zh) 2017-07-14 2017-07-14 一种基于噪声方差分段估计的图像去噪方法

Country Status (1)

Country Link
CN (1) CN107451964B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7206455B1 (en) * 2003-08-20 2007-04-17 Eastman Kodak Company Adaptive setting of wavelet sub-band thresholds for low-light image denoising
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
CN101477680A (zh) * 2009-01-16 2009-07-08 天津大学 基于滑窗邻域数据选择的小波图像降噪方法
CN101477681A (zh) * 2009-01-16 2009-07-08 天津大学 基于自适应滑窗邻域阈值的小波图像降噪方法
CN101950414A (zh) * 2010-09-02 2011-01-19 西安电子科技大学 自然图像非局部均值去噪方法
CN102800056A (zh) * 2012-06-30 2012-11-28 浙江大学 双树复小波域的邻域自适应贝叶斯收缩图像去噪方法
CN104504659A (zh) * 2014-12-19 2015-04-08 成都品果科技有限公司 一种基于提升小波变换的快速iso去噪方法及系统

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7206455B1 (en) * 2003-08-20 2007-04-17 Eastman Kodak Company Adaptive setting of wavelet sub-band thresholds for low-light image denoising
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
CN101477680A (zh) * 2009-01-16 2009-07-08 天津大学 基于滑窗邻域数据选择的小波图像降噪方法
CN101477681A (zh) * 2009-01-16 2009-07-08 天津大学 基于自适应滑窗邻域阈值的小波图像降噪方法
CN101950414A (zh) * 2010-09-02 2011-01-19 西安电子科技大学 自然图像非局部均值去噪方法
CN102800056A (zh) * 2012-06-30 2012-11-28 浙江大学 双树复小波域的邻域自适应贝叶斯收缩图像去噪方法
CN104504659A (zh) * 2014-12-19 2015-04-08 成都品果科技有限公司 一种基于提升小波变换的快速iso去噪方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
李淑霞等: "基于噪声方差估计的小波阈值图像去噪新方法", 《计算机应用研究》 *

Also Published As

Publication number Publication date
CN107451964B (zh) 2020-04-03

Similar Documents

Publication Publication Date Title
CN103942758A (zh) 基于多尺度融合的暗通道先验图像去雾方法
CN103236046B (zh) 基于图像形态模糊隶属度的分数阶自适应相干斑滤波方法
Shinde et al. Apply different filtering techniques to remove the speckle noise using medical images
CN103632345B (zh) 一种基于正则化的mri图像非均匀性校正方法
CN106441288A (zh) 一种加速度计的自适应小波降噪方法
CN100544400C (zh) 结合可见光图像信息的sar图像斑点噪声抑制方法
CN103093434A (zh) 基于奇异值分解的非局部维纳滤波图像去噪方法
CN104200434B (zh) 一种基于噪声方差估计的非局部均值图像去噪方法
CN107451981A (zh) 基于dct和梯度协方差矩阵的图像噪声水平估计方法
CN101551901A (zh) 动态遮挡图像的实时补偿和增强方法
CN101719268A (zh) 基于改进Directionlet域的广义高斯模型图像去噪方法
CN105719251B (zh) 一种用于大像移线性模糊的压缩降质图像复原方法
CN102226917A (zh) 一种基于非下采样Contourlet扩散的图像增强方法
Vanithamani et al. Performance analysis of filters for speckle reduction in medical ultrasound images
Tauber et al. A robust speckle reducing anisotropic diffusion
CN102722879A (zh) 基于目标提取和三维块匹配去噪的sar图像去斑方法
Chen et al. Stationary-wavelet-based despeckling of SAR images using two-sided generalized gamma models
CN109584256B (zh) 一种基于霍夫直线检测的脉冲星色散值估计方法
CN104571401A (zh) 一种高速导向滤波器在fpga平台的实现装置
CN105469358A (zh) 一种图像处理方法
CN107451964A (zh) 一种基于噪声方差分段估计的图像去噪方法
CN103955893A (zh) 基于可分离全变差模型的图像去噪方法
CN103325090A (zh) 一种相干斑抑制方法和装置
Nageswari et al. Despeckle process in ultrasound fetal image using hybrid spatial filters
CN104867120A (zh) 基于比值分布的sar图像非局部降斑方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20200403

Termination date: 20210714

CF01 Termination of patent right due to non-payment of annual fee