CN107464226A - 一种基于改进二维经验模态分解算法的图像去噪方法 - Google Patents
一种基于改进二维经验模态分解算法的图像去噪方法 Download PDFInfo
- Publication number
- CN107464226A CN107464226A CN201710641822.1A CN201710641822A CN107464226A CN 107464226 A CN107464226 A CN 107464226A CN 201710641822 A CN201710641822 A CN 201710641822A CN 107464226 A CN107464226 A CN 107464226A
- Authority
- CN
- China
- Prior art keywords
- mrow
- msub
- noise
- image
- mode function
- 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
Links
- 238000000354 decomposition reaction Methods 0.000 title claims abstract description 35
- 238000000034 method Methods 0.000 title claims abstract description 35
- 230000006872 improvement Effects 0.000 title description 6
- 230000003044 adaptive effect Effects 0.000 claims abstract description 5
- 238000011946 reduction process Methods 0.000 claims abstract description 5
- 238000012935 Averaging Methods 0.000 claims abstract description 4
- 238000011524 similarity measure Methods 0.000 claims abstract 2
- 230000008859 change Effects 0.000 claims description 8
- 230000006835 compression Effects 0.000 claims description 5
- 238000007906 compression Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 3
- 239000004744 fabric Substances 0.000 claims 1
- 230000000694 effects Effects 0.000 abstract description 4
- 230000001186 cumulative effect Effects 0.000 abstract 1
- 238000004458 analytical method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010008 shearing Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000000758 substrate Substances 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/10—Image enhancement or restoration using non-spatial domain filtering
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于改进二维经验模态分解算法的图像去噪方法,首先,将待去噪图像经传统BEMD算法进行自适应分解得到各阶IMF后,对各个IMF的概率密度函数与待去噪图像概率密度函数之间的相似性进行测量,其次,根据相似性测量值区分出噪声主导模态函数与信号主导模态函数的边界索引值,然后,使用小波去噪算法对噪声主导模态函数进行降噪处理得到实际的图像噪声,接着,重构出与原图像具有相同信噪比的多幅图像后对其累加求平均、实现将噪声压缩到低阶IMF中,最后,使用BEMD‑DT对该平均图像进行去噪处理。通过本发明方法对图像进行去噪,取得效果均好于小波降噪以及传统BEMD等降噪方法的去噪效果。
Description
技术领域
本发明涉及图像信号处理领域,尤其涉及一种基于改进二维经验模态分解算法的图像去噪方法。
背景技术
图像作为一种重要的视觉载体,然而在图像获取和传输过程中会受到外在或内在因素的影响从而产生噪声污染,这些噪声降低了图像的质量,致使图像中的重要信息丢失,给图像的进一步分析带来很大的困难。因此在对图像分析之前要进行降噪处理。
近些年来,一些较复杂的超小波算法被应用到图像去噪中,例如小波去噪、剪切波变换去噪、曲波变换去噪等方法。这些方法能够在多方向上进行图像去噪,然而它们需要预先设计分解基底,如果分解达不到最优则会造成不能对图像进行彻底降噪或者将一些有用的细节信息作为噪声而滤除。随着经验模态分解(EMD)方法的出现,该种方法有很强的局部自适应分解特性,在一定程度上克服了小波分解的不足并在一维及多维信号分析中取得了广泛的应用。目前基于二维经验模态分解(BEMD)的去噪方法主要是直接将含有噪声的低阶本征模态函数(IMF)去掉并在一定程度上取得了较好的效果,但这些基于二维经验模态分解的去噪方法忽略了低阶本征模态函数中还含有的少量有用信息,从而可能造成原始图像信号的变形。
提高采集图像的质量也可以在硬件上进行改进,例如使用高性能的CCD相机采集图像,并且通过改变环境硬件设施使环境因素对采集图像的影响降到最低。这种方案在一定程度上可以提高采集到的图片质量,却增加了硬件的复杂性,提高了成本,不利于在实践中进行推广应用。
发明内容
本发明所要解决的技术问题是针对背景技术中所涉及到的缺陷,提供一种基于改进二维经验模态分解算法的图像去噪方法。
本发明为解决上述技术问题采用以下技术方案:
一种基于改进二维经验模态分解算法的图像去噪方法,包括下列步骤:
步骤1),使用传统二维经验模态分解方法对待去噪图像I(x,y)进行自适应分解,得到其各阶本征模态函数和残余分量Ir(x,y),其过程可表述为:
其中,M、N分别为待去噪图像I(x,y)的长、宽所含有的像素个数,x=1,2,…,M,y=1,2,…,N;k为待去噪图像I(x,y)经传统二维经验模态分解得到的本征模态函数的个数;IMFi为待去噪图像I(x,y)经传统二维经验模态分解得到的第i本征模态函数,i=1,2,…,k;
步骤2),对待去噪图像I(x,y)的本征模态函数按照噪声主导模态函数与信号主导模态函数进行区分,得到其噪声主导模态函数与信号主导模态函数的边界索引值J;
步骤3),通过以下公式对待去噪图像I(x,y)的前J-1个本征模态函数进行重构,得到信号IP(x,y):
步骤4),使用小波对图像信号IP(x,y)进行降噪处理,得到图像信号
步骤5),根据以下公式计算出图像信号IP(x,y)中存在的实际噪声序列In(x,y):
步骤6),根据以下公式对待去噪图像I(x,y)最后k-J+1个本征模态函数、残余分量Ir(x,y)及图像信号IP(x,y)中所含有用信息进行重构,得到图像有用信息序列Im(x,y):
步骤7),根据实际噪声序列In(x,y)、图像有用信息序列Im(x,y)计算出噪声压缩后的图像信号
步骤8),使用传统二维经验模态分解方法对图像信号进行自适应分解,得到k阶本征模态函数和一个残余分量Ir(x,y);
步骤9),对图像信号的噪声主导模态函数与信号主导模态函数进行区分,得到其噪声主导模态函数与信号主导模态函数的边界索引值;
步骤10),根据噪声的衰减规律估计出图像信号各阶噪声主导模态函数的去噪阈值Ti;
步骤11),对于图像信号的各阶噪声主导模态函数中的每一个像素点,如果其幅值大于其对应主导模态函数的去噪阈值Ti,保留该点,否则认为该点为噪声并将该点幅值置0;
步骤12),对进行阈值降噪处理得到图像IQ(x,y),降噪后图像IQ(x,y)表示为:
其中,f(·)为阈值降噪处理函数。
作为本发明一种基于改进二维经验模态分解算法的图像去噪方法进一步的优化方案,所述步骤2)的详细步骤如下:
步骤2.1),使用标准正态核密度函数对待去噪图像I(x,y)的各阶本征模态函数、待去噪图像I(x,y)的概率密度函数进行估计;
步骤2.2),通过欧式几何距离PDFS(·)对每个本征模态函数的概率密度函数PDF(IMFi(x,y))与待去噪图像I(x,y)的概率密度函数PDF(I(x,y))之间的相似性进行测量,计算公式如下:
PDFS(i)=dist(PDF(I(x,y),PDF(IMFi(x,y)))
式中,PDF(IMFi(x,y))表示待去噪图像I(x,y)第i个本征模态函数的概率密度函数,PDF(I(x,y))表示待去噪图像I(x,y)的概率密度函数,PDFS(i)表示待去噪图像I(x,y)第i个本征模态函数的概率密度函数和待去噪图像I(x,y)的概率密度函数之间的相似性测量值,dist(P,Q)表示概率密度函数P与Q之间的欧式距离,P(z)、Q(z)分别表示在z值下的概率密度值;
步骤2.3),根据以下公式计算出噪声主导模态函数与信号主导模态函数的边界索引值J:
作为本发明一种基于改进二维经验模态分解算法的图像去噪方法进一步的优化方案,所述步骤7)的详细步骤如下:
步骤7.1),对实际噪声序列In(x,y)的位置分布进行a次任意改变,得到a个新的噪声分布序列:
Ia(x,y)=ALTER[In(x,y)]
其中,a为大于零的自然数,Ia(x,y)为对实际噪声序列In(x,y)的位置分布进行第a次改变后得到的噪声分布序列;
步骤7.2),根据以下公式构建对应于每个噪声分布序列Ia(x,y)、含有和待去噪图像I(x,y)不同噪声分布、且和待去噪图像I(x,y)具有相同信噪比的图像信号:
Ia'(x,y)=Ia(x,y)+Im(x,y)
其中,随着噪声序列Ia(x,y)不同,可构建出不同的图像信号Ia'(x,y);
步骤7.3),通过K次任意改变噪声分布序列构建K幅具有和待去噪图像I(x,y)不同噪声分布、且和待去噪图像I(x,y)具有相同信噪比的图像I1(x,y),I2(x,y),..,IK(x,y),然后对图像I1(x,y),I2(x,y),..,IK(x,y)进行叠加并求平均处理,得到噪声压缩后的图像信号
本发明采用以上技术方案与现有技术相比,具有以下技术效果:
1.克服了传统方法因图像分解达不到最优造成的不能对图像进行彻底降噪和将噪声主导模态函数中含有的少量细节信息同时作为噪声而滤除等缺点;
2.在不增加成本等问题的前提下,最大程度抑制图像噪声,同时也较好的保留了原图像信号。
附图说明
图1是本发明方法的流程示意图。
具体实施方式
下面结合附图对本发明的技术方案做进一步的详细说明:
如图1所示,本发明公开了一种基于改进二维经验模态分解算法的图像去噪方法,包括以下步骤:
(1)使用传统二维经验模态分解方法对待去噪图像I(x,y)进行自适应分解,得到其各阶本征模态函数和残余分量Ir(x,y),其过程可表述为:
其中,M、N分别为待去噪图像I(x,y)的长、宽所含有的像素个数,x=1,2,…,M,y=1,2,…,N;k为待去噪图像I(x,y)经传统二维经验模态分解得到的本征模态函数的个数;IMFi为待去噪图像I(x,y)经传统二维经验模态分解得到的第i本征模态函数,i=1,2,…,k;
(2)对待去噪图像I(x,y)的本征模态函数按照噪声主导模态函数与信号主导模态函数进行区分,首先使用标准正态核密度函数对待去噪图像I(x,y)的各阶本征模态函数、待去噪图像I(x,y)的概率密度函数进行估计,然后通过欧式几何距离PDFS(·)对每个本征模态函数的概率密度函数PDF(IMFi(x,y))与待去噪图像I(x,y)的概率密度函数PDF(I(x,y))之间的相似性进行测量,计算公式如下:
式中,PDF(IMFi(x,y))表示待去噪图像I(x,y)第i个本征模态函数的概率密度函数,PDF(I(x,y))表示待去噪图像I(x,y)的概率密度函数,PDFS(i)表示待去噪图像I(x,y)第i个本征模态函数的概率密度函数和待去噪图像I(x,y)的概率密度函数之间的相似性测量值,dist(P,Q)表示概率密度函数P与Q之间的欧式距离,P(z)、Q(z)分别表示在z值下的概率密度值;
根据以下公式计算出噪声主导模态函数与信号主导模态函数的边界索引值J:
(3)通过以下公式对待去噪图像I(x,y)的前J-1个本征模态函数进行重构,得到信号IP(x,y):
(4)使用小波对图像信号IP(x,y)进行降噪处理,得到图像信号
(5)根据以下公式计算出图像信号IP(x,y)中存在的实际噪声序列In(x,y):
(6)根据以下公式对待去噪图像I(x,y)最后k-J+1个本征模态函数、残余分量Ir(x,y)及图像信号IP(x,y)中所含有用信息进行重构,得到图像有用信息序列Im(x,y):
(7)对实际噪声序列In(x,y)的位置分布进行a次任意改变,得到a个新的噪声分布序列:
Ia(x,y)=ALTER[In(x,y)] (8)
其中,a为大于零的自然数,Ia(x,y)为对实际噪声序列In(x,y)的位置分布进行第a次改变后得到的噪声分布序列;
根据以下公式构建对应于每个噪声分布序列Ia(x,y)、含有和待去噪图像I(x,y)不同噪声分布、且和待去噪图像I(x,y)具有相同信噪比的图像信号:
Ia′(x,y)=Ia(x,y)+Im(x,y) (9)
其中,随着噪声序列Ia(x,y)不同,可构建出不同的图像信号Ia'(x,y);
通过K次任意改变噪声分布序列构建K幅具有和待去噪图像I(x,y)不同噪声分布、且和待去噪图像I(x,y)具有相同信噪比的图像I1(x,y),I2(x,y),..,IK(x,y),然后对图像I1(x,y),I2(x,y),..,IK(x,y)进行叠加并求平均处理,得到噪声压缩后的图像信号
(8)使用传统二维经验模态分解方法对图像信号进行自适应分解,得到k阶本征模态函数和一个残余分量Ir(x,y);
(9)对图像信号的噪声主导模态函数与信号主导模态函数进行区分,得到其噪声主导模态函数与信号主导模态函数的边界索引值;
(10)根据噪声的衰减规律估计出图像信号各阶噪声主导模态函数的去噪阈值Ti;
(11)对于图像信号的各阶噪声主导模态函数中的每一个像素点,如果其幅值大于其对应主导模态函数的去噪阈值Ti,保留该点,否则认为该点为噪声并将该点幅值置0;
(12)对进行阈值降噪处理得到图像IQ(x,y),降噪后图像IQ(x,y)表示为:
其中,f(·)为阈值降噪处理函数。
本技术领域技术人员可以理解的是,除非另外定义,这里使用的所有术语(包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是,诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义,并且除非像这里一样定义,不会用理想化或过于正式的含义来解释。
以上所述的具体实施方式,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施方式而已,并不用于限制本发明,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (3)
1.一种基于改进二维经验模态分解算法的图像去噪方法,其特征在于,包括下列步骤:
步骤1),使用传统二维经验模态分解方法对待去噪图像I(x,y)进行自适应分解,得到其各阶本征模态函数和残余分量Ir(x,y),其过程可表述为:
<mrow>
<mi>I</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>k</mi>
</munderover>
<msub>
<mi>IMF</mi>
<mi>i</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo>+</mo>
<mi>I</mi>
<mi>r</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
</mrow>
其中,M、N分别为待去噪图像I(x,y)的长、宽所含有的像素个数,x=1,2,…,M,y=1,2,…,N;k为待去噪图像I(x,y)经传统二维经验模态分解得到的本征模态函数的个数;IMFi为待去噪图像I(x,y)经传统二维经验模态分解得到的第i本征模态函数,i=1,2,…,k;
步骤2),对待去噪图像I(x,y)的本征模态函数按照噪声主导模态函数与信号主导模态函数进行区分,得到其噪声主导模态函数与信号主导模态函数的边界索引值J;
步骤3),通过以下公式对待去噪图像I(x,y)的前J-1个本征模态函数进行重构,得到信号IP(x,y):
<mrow>
<msub>
<mi>I</mi>
<mi>P</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mrow>
<mi>J</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</munderover>
<msub>
<mi>IMF</mi>
<mi>i</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
</mrow>
步骤4),使用小波对图像信号IP(x,y)进行降噪处理,得到图像信号
步骤5),根据以下公式计算出图像信号IP(x,y)中存在的实际噪声序列In(x,y):
<mrow>
<msub>
<mi>I</mi>
<mi>n</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msub>
<mi>I</mi>
<mi>P</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mover>
<msub>
<mi>I</mi>
<mi>P</mi>
</msub>
<mo>&OverBar;</mo>
</mover>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
</mrow>
步骤6),根据以下公式对待去噪图像I(x,y)最后k-J+1个本征模态函数、残余分量Ir(x,y)及图像信号IP(x,y)中所含有用信息进行重构,得到图像有用信息序列Im(x,y):
<mrow>
<msub>
<mi>I</mi>
<mi>m</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mover>
<msub>
<mi>I</mi>
<mi>P</mi>
</msub>
<mo>&OverBar;</mo>
</mover>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo>+</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mi>J</mi>
</mrow>
<mi>k</mi>
</munderover>
<msub>
<mi>IMF</mi>
<mi>i</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo>+</mo>
<mi>I</mi>
<mi>r</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
</mrow>
步骤7),根据实际噪声序列In(x,y)、图像有用信息序列Im(x,y)计算出噪声压缩后的图像信号
步骤8),使用传统二维经验模态分解方法对图像信号进行自适应分解,得到k阶本征模态函数和一个残余分量Ir(x,y);
步骤9),对图像信号的噪声主导模态函数与信号主导模态函数进行区分,得到其噪声主导模态函数与信号主导模态函数的边界索引值;
步骤10),根据噪声的衰减规律估计出图像信号各阶噪声主导模态函数的去噪阈值Ti;
步骤11),对于图像信号的各阶噪声主导模态函数中的每一个像素点,如果其幅值大于其对应主导模态函数的去噪阈值Ti,保留该点,否则认为该点为噪声并将该点幅值置0;
步骤12),对进行阈值降噪处理得到图像IQ(x,y),降噪后图像IQ(x,y)表示为:
<mrow>
<msub>
<mi>I</mi>
<mi>Q</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mrow>
<mi>J</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</munderover>
<mi>f</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>IMF</mi>
<mi>i</mi>
</msub>
<mo>(</mo>
<mrow>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
</mrow>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mo>+</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mi>J</mi>
</mrow>
<mi>k</mi>
</munderover>
<msub>
<mi>IMF</mi>
<mi>i</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo>+</mo>
<mi>I</mi>
<mi>r</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
</mrow>
1
<mrow>
<mi>f</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>IMF</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mi>sgn</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>IMF</mi>
<mi>i</mi>
</msub>
<mo>(</mo>
<mrow>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
</mrow>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mrow>
<mo>(</mo>
<msub>
<mi>IMF</mi>
<mi>i</mi>
</msub>
<mo>(</mo>
<mrow>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
</mrow>
<mo>)</mo>
<mo>-</mo>
<msub>
<mi>T</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<mo>|</mo>
<msub>
<mi>IMF</mi>
<mi>i</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo>|</mo>
<mo>></mo>
<msub>
<mi>T</mi>
<mi>i</mi>
</msub>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mn>0</mn>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<mo>|</mo>
<msub>
<mi>IMF</mi>
<mi>i</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo>|</mo>
<mo>&le;</mo>
<msub>
<mi>T</mi>
<mi>i</mi>
</msub>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
</mrow>
其中,f(·)为阈值降噪处理函数。
2.根据权利要求1所述基于改进二维经验模态分解算法的图像去噪方法,其特征在于,所述步骤2)的详细步骤如下:
步骤2.1),使用标准正态核密度函数对待去噪图像I(x,y)的各阶本征模态函数、待去噪图像I(x,y)的概率密度函数进行估计;
步骤2.2),通过欧式几何距离PDFS(·)对每个本征模态函数的概率密度函数PDF(IMFi(x,y))与待去噪图像I(x,y)的概率密度函数PDF(I(x,y))之间的相似性进行测量,计算公式如下:
PDFS(i)=dist(PDF(I(x,y),PDF(IMFi(x,y)))
<mrow>
<mi>d</mi>
<mi>i</mi>
<mi>s</mi>
<mi>t</mi>
<mrow>
<mo>(</mo>
<mi>P</mi>
<mo>,</mo>
<mi>Q</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msup>
<mrow>
<mo>(</mo>
<msubsup>
<mo>&Integral;</mo>
<mrow>
<mo>-</mo>
<mi>&infin;</mi>
</mrow>
<mrow>
<mo>+</mo>
<mi>&infin;</mi>
</mrow>
</msubsup>
<msup>
<mrow>
<mo>(</mo>
<mrow>
<mi>P</mi>
<mrow>
<mo>(</mo>
<mi>z</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mi>Q</mi>
<mrow>
<mo>(</mo>
<mi>z</mi>
<mo>)</mo>
</mrow>
</mrow>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mi>d</mi>
<mi>z</mi>
<mo>)</mo>
</mrow>
<mfrac>
<mn>1</mn>
<mn>2</mn>
</mfrac>
</msup>
</mrow>
式中,PDF(IMFi(x,y))表示待去噪图像I(x,y)第i个本征模态函数的概率密度函数,PDF(I(x,y))表示待去噪图像I(x,y)的概率密度函数,PDFS(i)表示待去噪图像I(x,y)第i个本征模态函数的概率密度函数和待去噪图像I(x,y)的概率密度函数之间的相似性测量值,dist(P,Q)表示概率密度函数P与Q之间的欧式距离,P(z)、Q(z)分别表示在z值下的概率密度值;
步骤2.3),根据以下公式计算出噪声主导模态函数与信号主导模态函数的边界索引值J:
<mrow>
<mi>J</mi>
<mo>=</mo>
<mi>arg</mi>
<munder>
<mi>max</mi>
<mrow>
<mn>1</mn>
<mo>&le;</mo>
<mi>i</mi>
<mo>&le;</mo>
<mi>k</mi>
</mrow>
</munder>
<mo>{</mo>
<msub>
<mi>PDF</mi>
<mi>s</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
<mo>}</mo>
<mo>+</mo>
<mn>1.</mn>
</mrow>
3.根据权利要求1所述基于改进二维经验模态分解算法的图像去噪方法,其特征在于,所述步骤7)的详细步骤如下:
步骤7.1),对实际噪声序列In(x,y)的位置分布进行a次任意改变,得到a个新的噪声分布序列:
Ia(x,y)=ALTER[In(x,y)]
其中,a为大于零的自然数,Ia(x,y)为对实际噪声序列In(x,y)的位置分布进行第a次改变后得到的噪声分布序列;
步骤7.2),根据以下公式构建对应于每个噪声分布序列Ia(x,y)、含有和待去噪图像I(x,y)不同噪声分布、且和待去噪图像I(x,y)具有相同信噪比的图像信号:
Ia'(x,y)=Ia(x,y)+Im(x,y)
其中,随着噪声序列Ia(x,y)不同,可构建出不同的图像信号Ia'(x,y);
步骤7.3),通过K次任意改变噪声分布序列构建K幅具有和待去噪图像I(x,y)不同噪声分布、且和待去噪图像I(x,y)具有相同信噪比的图像I1(x,y),I2(x,y),..,IK(x,y),然后对图像I1(x,y),I2(x,y),..,IK(x,y)进行叠加并求平均处理,得到噪声压缩后的图像信号
<mrow>
<mover>
<mi>I</mi>
<mo>^</mo>
</mover>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mrow>
<mi>K</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</mfrac>
<mo>&lsqb;</mo>
<mi>I</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo>+</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>a</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>K</mi>
</munderover>
<msup>
<msub>
<mi>I</mi>
<mi>a</mi>
</msub>
<mo>&prime;</mo>
</msup>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo>&rsqb;</mo>
<mo>.</mo>
</mrow>
2
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710641822.1A CN107464226B (zh) | 2017-07-31 | 2017-07-31 | 一种基于改进二维经验模态分解算法的图像去噪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710641822.1A CN107464226B (zh) | 2017-07-31 | 2017-07-31 | 一种基于改进二维经验模态分解算法的图像去噪方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107464226A true CN107464226A (zh) | 2017-12-12 |
CN107464226B CN107464226B (zh) | 2019-10-15 |
Family
ID=60547817
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710641822.1A Active CN107464226B (zh) | 2017-07-31 | 2017-07-31 | 一种基于改进二维经验模态分解算法的图像去噪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107464226B (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108303652A (zh) * | 2018-01-18 | 2018-07-20 | 武汉理工大学 | 一种锂电池剩余寿命预测方法 |
CN108742611A (zh) * | 2018-04-08 | 2018-11-06 | 南京医科大学 | 一种随机动态参数电刺激条件下的自主肌电提取方法 |
CN110136086A (zh) * | 2019-05-17 | 2019-08-16 | 东南大学 | 基于bemd的区间阈值图像去噪方法 |
CN110659620A (zh) * | 2019-09-26 | 2020-01-07 | 中国科学院微电子研究所 | 基于模糊控制的滤波降噪方法 |
CN111583225A (zh) * | 2020-05-08 | 2020-08-25 | 京东方科技集团股份有限公司 | 缺陷检测方法、装置及存储介质 |
CN114098656A (zh) * | 2022-01-26 | 2022-03-01 | 广东工业大学 | 基于经验模态分解及位平面转化的信号降噪方法与系统 |
CN114462457A (zh) * | 2022-04-11 | 2022-05-10 | 自然资源部第一海洋研究所 | 基于本征概率密度函数的舰船水下噪声深度学习识别方法 |
CN114462458A (zh) * | 2022-04-11 | 2022-05-10 | 自然资源部第一海洋研究所 | 一种舰船水下信号降噪及目标增强方法 |
CN116127277A (zh) * | 2023-04-12 | 2023-05-16 | 武汉工程大学 | 激波流场动态压力测量不确定度评定方法及系统 |
WO2023109717A1 (zh) * | 2021-12-15 | 2023-06-22 | 深圳先进技术研究院 | 一种太赫兹时域信号降噪方法、图像重建方法和系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101822548A (zh) * | 2010-03-19 | 2010-09-08 | 哈尔滨工业大学(威海) | 基于相关性分析与经验模态分解的超声信号去噪方法 |
CN102663710A (zh) * | 2012-04-28 | 2012-09-12 | 大连海事大学 | 一种x射线冠脉造影图像降噪方法 |
CN103020916A (zh) * | 2012-12-28 | 2013-04-03 | 北方工业大学 | 一种二维希尔伯特变换和bemd结合的图像去噪方法 |
CN103926599A (zh) * | 2014-04-17 | 2014-07-16 | 东南大学 | 基于emd迭代阈值滤波的gnss多径效应抑制方法 |
CN105488341A (zh) * | 2015-11-27 | 2016-04-13 | 东南大学 | 一种基于混合经验模态分解的去噪方法 |
CN106815818A (zh) * | 2017-01-17 | 2017-06-09 | 中国科学院上海高等研究院 | 一种图像去噪方法 |
-
2017
- 2017-07-31 CN CN201710641822.1A patent/CN107464226B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101822548A (zh) * | 2010-03-19 | 2010-09-08 | 哈尔滨工业大学(威海) | 基于相关性分析与经验模态分解的超声信号去噪方法 |
CN102663710A (zh) * | 2012-04-28 | 2012-09-12 | 大连海事大学 | 一种x射线冠脉造影图像降噪方法 |
CN103020916A (zh) * | 2012-12-28 | 2013-04-03 | 北方工业大学 | 一种二维希尔伯特变换和bemd结合的图像去噪方法 |
CN103926599A (zh) * | 2014-04-17 | 2014-07-16 | 东南大学 | 基于emd迭代阈值滤波的gnss多径效应抑制方法 |
CN105488341A (zh) * | 2015-11-27 | 2016-04-13 | 东南大学 | 一种基于混合经验模态分解的去噪方法 |
CN106815818A (zh) * | 2017-01-17 | 2017-06-09 | 中国科学院上海高等研究院 | 一种图像去噪方法 |
Non-Patent Citations (1)
Title |
---|
WU Z, HUANG N E: "Ensemble empirical mode decomposition: a noise-assisted data analysis method", 《ADVANCES N ADAPTIVE DATA ANALYSIS》 * |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108303652A (zh) * | 2018-01-18 | 2018-07-20 | 武汉理工大学 | 一种锂电池剩余寿命预测方法 |
CN108742611A (zh) * | 2018-04-08 | 2018-11-06 | 南京医科大学 | 一种随机动态参数电刺激条件下的自主肌电提取方法 |
CN108742611B (zh) * | 2018-04-08 | 2023-10-13 | 南京医科大学 | 一种随机动态参数电刺激条件下的自主肌电提取方法 |
CN110136086A (zh) * | 2019-05-17 | 2019-08-16 | 东南大学 | 基于bemd的区间阈值图像去噪方法 |
CN110659620A (zh) * | 2019-09-26 | 2020-01-07 | 中国科学院微电子研究所 | 基于模糊控制的滤波降噪方法 |
CN110659620B (zh) * | 2019-09-26 | 2022-12-27 | 中国科学院微电子研究所 | 基于模糊控制的滤波降噪方法 |
CN111583225A (zh) * | 2020-05-08 | 2020-08-25 | 京东方科技集团股份有限公司 | 缺陷检测方法、装置及存储介质 |
CN111583225B (zh) * | 2020-05-08 | 2024-05-24 | 京东方科技集团股份有限公司 | 缺陷检测方法、装置及存储介质 |
WO2023109717A1 (zh) * | 2021-12-15 | 2023-06-22 | 深圳先进技术研究院 | 一种太赫兹时域信号降噪方法、图像重建方法和系统 |
CN114098656A (zh) * | 2022-01-26 | 2022-03-01 | 广东工业大学 | 基于经验模态分解及位平面转化的信号降噪方法与系统 |
CN114462457A (zh) * | 2022-04-11 | 2022-05-10 | 自然资源部第一海洋研究所 | 基于本征概率密度函数的舰船水下噪声深度学习识别方法 |
CN114462458A (zh) * | 2022-04-11 | 2022-05-10 | 自然资源部第一海洋研究所 | 一种舰船水下信号降噪及目标增强方法 |
CN116127277B (zh) * | 2023-04-12 | 2023-06-27 | 武汉工程大学 | 激波流场动态压力测量不确定度评定方法及系统 |
CN116127277A (zh) * | 2023-04-12 | 2023-05-16 | 武汉工程大学 | 激波流场动态压力测量不确定度评定方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN107464226B (zh) | 2019-10-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107464226A (zh) | 一种基于改进二维经验模态分解算法的图像去噪方法 | |
CN109035189B (zh) | 基于柯西模糊函数的红外与弱可见光图像融合方法 | |
CN101980284B (zh) | 基于两尺度稀疏表示的彩色图像降噪方法 | |
CN101477679B (zh) | 基于轮廓波Contourlet变换的图像去噪方法 | |
CN109035163A (zh) | 一种基于深度学习的自适应图像去噪方法 | |
CN103295204B (zh) | 一种基于非下采样轮廓波变换的图像自适应增强方法 | |
CN105844601A (zh) | 一种基于双边滤波和多尺度Retinex算法的矿井图像增强方法 | |
CN104036455B (zh) | 基于二代小波的红外图像细节增强方法 | |
CN107784638A (zh) | 一种优化的东巴古籍图像增强方法 | |
CN109685728A (zh) | 基于局部时频域变换的数字图像处理方法 | |
CN104504664B (zh) | 基于人眼视觉特性的nsct域水下图像自动增强系统及其方法 | |
CN101359399B (zh) | 光学图像去云方法 | |
CN106204482A (zh) | 基于加权稀疏的混合噪声去除方法 | |
CN103020918A (zh) | 基于形状自适应邻域均值的非局部均值去噪方法 | |
CN104008537A (zh) | 结合cs-ct-chmm的噪声图像融合新方法 | |
CN109949256B (zh) | 一种基于傅里叶变换的天文图像融合方法 | |
CN103971345B (zh) | 一种基于改进双边滤波的图像去噪方法 | |
CN103310414B (zh) | 基于方向波变换和模糊理论的图像增强方法 | |
CN104732498B (zh) | 一种基于非下采样Contourlet变换的阈值化图像去噪方法 | |
CN104240208A (zh) | 非制冷红外焦平面探测器图像细节增强方法 | |
CN104754183B (zh) | 一种实时监控视频自适应滤波方法及其系统 | |
CN106204487A (zh) | 一种基于稀疏约束的超声图像去噪方法 | |
CN103426145A (zh) | 一种基于多分辨分析的合成孔径声纳相干斑噪声抑制方法 | |
CN104809714A (zh) | 基于多形态稀疏表示的图像融合方法 | |
CN102289793B (zh) | 一种面向游牧服务的多尺度图像处理方法 |
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 |