CN110490819A - 基于nsst和nlm滤波及硬阈值技术的图像去噪方法 - Google Patents
基于nsst和nlm滤波及硬阈值技术的图像去噪方法 Download PDFInfo
- Publication number
- CN110490819A CN110490819A CN201910682627.2A CN201910682627A CN110490819A CN 110490819 A CN110490819 A CN 110490819A CN 201910682627 A CN201910682627 A CN 201910682627A CN 110490819 A CN110490819 A CN 110490819A
- Authority
- CN
- China
- Prior art keywords
- image
- frequency
- band
- nsst
- parameter
- 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 33
- 238000001914 filtration Methods 0.000 title claims abstract description 31
- 238000005516 engineering process Methods 0.000 title claims abstract description 14
- 238000005070 sampling Methods 0.000 claims abstract description 8
- 230000009466 transformation Effects 0.000 claims description 20
- 238000003384 imaging method Methods 0.000 claims description 10
- 238000000354 decomposition reaction Methods 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 5
- 230000000694 effects Effects 0.000 abstract description 4
- 239000000284 extract Substances 0.000 abstract 2
- 239000011159 matrix material Substances 0.000 description 10
- 230000005540 biological transmission Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- LPLLVINFLBSFRP-UHFFFAOYSA-N 2-methylamino-1-phenylpropan-1-one Chemical compound CNC(C)C(=O)C1=CC=CC=C1 LPLLVINFLBSFRP-UHFFFAOYSA-N 0.000 description 1
- 241000132539 Cosmos Species 0.000 description 1
- 235000005956 Cosmos caudatus Nutrition 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000002194 synthesizing effect Effects 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
- G06T5/10—Image enhancement or restoration using non-spatial domain filtering
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- 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
- G06T2207/20024—Filtering details
-
- 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
- G06T2207/20056—Discrete and fast Fourier transform, [DFT, FFT]
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
本发明公开的基于NSST和NLM滤波及硬阈值技术的图像去噪方法:将输入图像在空间域中NSST变换,分解为高频子带、中频子带、低频子带三部分;提取高频子带和低频子带逆NSST变换,使用非局部均值滤波进行去噪处理;提取中频子带进行硬阈值处理,使用非局部均值滤波进行去噪处理;将处理后高频子带和低频子带、中频子带直接相加,最终得到去噪后的图像。本发明的图像去噪方法,通过使用非下采样shearlet变换,有效的将待去噪图像分为三部分,高频部分、中频部分、低频部分;使用非局部均值滤波可在保护图像边缘的同时,去除图像中的噪声,对不同的部分使用NLM滤波,最终得到的去噪结果在图像的边缘保护上得到更好的效果。
Description
技术领域
本发明属于图像处理方法技术领域,具体涉及一种基于非下采样shearlet变换(Non-subsampled Shearlet Transform,NSST)和非局部均值滤波(Non-local means,NLM)及硬阈值技术的图像去噪方法。
背景技术
图像是信息的一种重要载体,一幅图像是客观事物的逼真体现,它包含了客观事物的相关信息。近十年来,数字图像处理技术得到了迅猛发展,并已应用于诸多领域,如宇宙探测、通信、遥感、生物医学、工业生产、军事、公安、天气预报、考古及文物保护等。
由于成像系统、传输介质和记录等设备的不完善,图像在获取、传输与记录过程中,不可避免地要受到各种噪声干扰。这些噪声妨碍人们对图像的理解,因此图像去噪非常重要。
图像在去噪的过程中不可避免的会损失一部分的边缘信息,所以保护图像的边缘信息一直是图像去噪的重大课题,目前已经提出了一部分保护边缘的去噪方法,如非局部均值滤波,引导滤波等,但是单一的空间域或者频率域的方法无法良好的保护图像的边缘,因此我们提出了一种结合空间域与频率域优点的图像去噪方法。
发明内容
本发明的目的是提供一种基于NSST和NLM滤波及硬阈值技术的图像去噪方法,解决了现有图像去噪方法中,易去掉图像边缘信息的问题。
本发明所采用的技术方案是,基于NSST和NLM滤波及硬阈值技术的图像去噪方法,包括以下步骤:
步骤1,设输入图像记做y,在空间域中对输入图像y进行NSST变换,将输入图像y变换到频域中,并分解为高频子带、中频子带、低频子带三部分;
步骤2,提取步骤1中高频子带和低频子带,进行逆NSST变换,随后使用非局部均值滤波进行去噪处理;
步骤3,提取步骤1中中频子带,进行硬阈值处理,随后使用非局部均值滤波进行去噪处理;
步骤4,将经步骤2处理后高频子带和低频子带、经步骤3处理后的中频子带直接相加,最终得到去噪后的图像。
本发明的特征还在于,
步骤1具体为:
步骤1.1,利用非下采样拉普拉斯算子,将输入图像y分解为低通图像、即低频子带,和高通图像、即高频子带两个部分;
步骤1.2,计算步骤1.1中高通图像和低通图像在伪极坐标上的傅里叶变换Q;
步骤1.3,利用窗函数G对步骤1.2中的傅里叶变换Q进行带通滤波;
步骤1.4,将步骤1.3滤波的结果做逆傅里叶变换并将数据排列在笛卡尔坐标,完成NSST变换。
步骤1.4中窗函数G具体为公式(1):
公式(1)中,参数ψ2是小波基函数,参数χD为锥,参数D0是水平锥,参数D1是垂直锥,参数j为分解层数且j≥0,参数ξ1和ξ2对应为二维空间内的坐标轴。
步骤2具体为:
将低频子带和高频子带,通过逆NSST变换,从频域变换到空间域中,得到低频图像和高频图像;随后进行非局部均值滤波变换,具体步骤如下所示:
对于低频图像和高频图像中的任何像素,都可表示为其他像素的加权和,表示为:
v(n)=∑j∈Iw(n,m)u(m)/∑j∈Iw(n,m) (2)
其中参数v(n)是低频图像或高频图像待处理像素,w(n,m)是像素u(m)的权重,权重的计算为公式为(3):
其中是以像素n为中心的相似块与像素m为中心的相似块的欧式距离,参数h是平滑参数。
权重选取3X3大小的窗口在12X12的邻域中遍历计算权重。
步骤3中硬阈值运算过程如公式(4):
Y=T[y'],
公式(4)中,参数Y是变换系数,参数T和T-1均为频域变换,参数y'为输入的噪声图像即中频子带对应的图像,参数E为去噪后的图像。
本发明的有益效果是:本发明的图像去噪方法,通过使用非下采样shearlet变换(Non-subsampled Shearlet Transform,NSST),可有效的将待去噪图像分为三部分,即包含噪声与图像细节的高频部分、含有部分噪声和细节的中频部分、和含有少量噪声与图像平滑区域的低频部分;使用非局部均值滤波(Non-local means,NLM)可有效的在保护图像边缘的同时,去除图像中的噪声,对不同的部分使用适当的NLM滤波,最终得到的去噪结果在图像的边缘保护上得到更好的效果。
附图说明
图1是本发明基于NSST和NLM滤波及硬阈值技术的图像去噪方法的工作流程图;
图2是本发明实施例中选取的8幅灰度图像;
图3是本发明图2中(h)图经不同方法去噪后的图像。
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
本发明基于NSST和NLM滤波及硬阈值技术的图像去噪方法,如图1所示,包括以下步骤:
步骤1,设输入图像记做y,为了将图像的平滑区域与边缘区域分开,在去噪的过程中分开处理以保护图像边缘,得到更好的效果,在空间域中对输入图像y进行NSST变换,将输入图像y变换到频域中,并分解为高频子带、中频子带、低频子带三部分;
对于输入图像y,通过非下采样shearlet变换(Non-subsampled ShearletTransform,NSST)将图像从空间域变换到频域中,得到系数矩阵F,系数矩阵F的个数与分解层数j有关,且在本发明中j≥2,j次分解得到一个低频矩阵和j个高频矩阵,通常会记做:一个低频矩阵;分解中第二次到第j次分解得到的高频矩阵记做中频矩阵,一个高频矩阵。
当j=2时,即得到一个低频系数矩阵和两个高频矩阵,通常会记做:一个低频矩阵F1、一个中频矩阵F2和一个高频矩阵F3;
非下采样shearlet变换(Non-subsampled Shearlet Transform,NSST)包括非下采样金字塔算法和shearletb变换,shearlet变换由合成小波理论衍生而来,NSST的具体过程为:
步骤1.1,利用非下采样拉普拉斯算子,将输入图像y分解为高频子带、低频子带,分别对应的为高通图像、低通图像;
步骤1.2,计算步骤1.1中高通图像和低通图像在伪极坐标上的傅里叶变换Q;
步骤1.3,利用窗函数G对步骤1.2中的傅里叶变换Q结果进行带通滤波;窗函数G具体为公式(1):
公式(1)中,参数ψ2是小波基函数,参数χD为锥,参数D0是水平锥,参数D1是垂直锥,参数j为分解层数且j≥0,参数ξ1和ξ2为二维空间内的坐标轴;
步骤1.4,将步骤1.3滤波的结果做逆傅里叶变换并将数据排列在笛卡尔坐标,完成NSST变换。
步骤2,针对步骤1中所述高频子带和低频子带,由于子带的频域系数过于接近,使用非局部均值滤波的过程中无法估计出准确的权值,所以我们先进行逆NSST变换,随后使用非局部均值滤波变换进行去噪处理;
将低频子带和高频子带,通过逆NSST变换,目的从频域变换到空间域中,得到低频图像和高频图像,具体步骤即将低频子带和高频子带对应的矩阵作为步骤1.4的输入,继续步骤1.3、1.2、1.1,得到空间域的输出;随后进行非局部均值滤波变换,具体步骤如下所示:
对于低频图像和高频图像中的任何像素,都可表示为其他像素的加权和,表示为:
v(n)=∑j∈Iw(n,m)u(m)/∑j∈Iw(n,m) (2)
其中参数v(n)是低频图像或高频图像待处理像素,w(n,m)是像素u(m)的权重,权重的计算为公式为(3):
其中是以像素n为中心的相似块与像素m为中心的相似块的欧式距离,参数h是平滑参数。
本发明中选取3X3大小的窗口在12X12的邻域中遍历计算权重。
步骤3,提取步骤1中中频子带,同时使用硬阈值进行去噪处理,随后使用逆NSST进行处理,得到中频图像;
其中硬阈值运算过程如公式(4):
Y=T[y'],
公式(2)中,参数Y是变换系数,参数T和T-1均为频域变换,参数y'为输入的噪声图像即中频子带对应的图像,参数E为去噪后的中频子带对应的图像;
步骤4,将经步骤2处理后的低频图像和高频图像、经步骤3处理后的中频图像直接相加,最终得到去噪后的图像。
实施例
通以下图像去噪方法,具体为CT算法、NLM算法、NSSY算法、BM3D算法、NeighSURE算法、TV算法及Proposed算法,针对如图2(a)-(h)所示的8副灰度图像,在不同噪声强度下去噪后的PSNR(峰值信噪比)和SSIM(结构相似性)的对比图,图中的数据均为8幅图像的均值:
表1:8副灰度图像的峰值信噪比
表2:8副灰度图像的结构相似性
综上所述,如表1和2所示,当噪声强度σ=10\20\30时,PSNR和SSIM达到更好的效果,明显优于其他的方法。
如图3所示,为当σ=30时,图2(h)的原图,已经经过上述7中方法处理后的最终图片,经对比,本发明方法处理后的图片清晰,而且边缘信息保存较完整。
Claims (6)
1.基于NSST和NLM滤波及硬阈值技术的图像去噪方法,其特征在于,包括以下步骤:
步骤1,设输入图像记做y,在空间域中对所述输入图像y进行NSST变换,将所述输入图像y变换到频域中,并分解为高频子带、中频子带、低频子带三部分;
步骤2,提取步骤1中所述高频子带和低频子带,进行逆NSST变换,随后使用非局部均值滤波进行去噪处理;
步骤3,提取步骤1中所述中频子带,进行硬阈值处理,随后使用非局部均值滤波进行去噪处理;
步骤4,将经步骤2处理后高频子带和低频子带、经步骤3处理后的中频子带直接相加,最终得到去噪后的图像。
2.根据权利要求1所述的基于NSST和NLM滤波及硬阈值技术的图像去噪方法,其特征在于,所述步骤1具体为:
步骤1.1,利用非下采样拉普拉斯算子,将输入图像y分解为低通图像、即低频子带,和高通图像、即高频子带两个部分;
步骤1.2,计算步骤1.1中所述高通图像和低通图像在伪极坐标上的傅里叶变换Q;
步骤1.3,利用窗函数G对步骤1.2中的傅里叶变换Q进行带通滤波;
步骤1.4,将步骤1.3滤波的结果做逆傅里叶变换并将数据排列在笛卡尔坐标,完成NSST变换。
3.根据权利要求1所述的基于NSST和NLM滤波及硬阈值技术的图像去噪方法,其特征在于,所述步骤1.4中窗函数G具体为公式(1):
公式(1)中,参数ψ2是小波基函数,参数χD为锥,参数D0是水平锥,参数D1是垂直锥,参数j为分解层数且j≥0,参数ξ1和ξ2对应为二维空间内的坐标轴。
4.根据权利要求1所述的基于NSST和NLM滤波及硬阈值技术的图像去噪方法,其特征在于,所述步骤2具体为:
将低频子带和高频子带,通过逆NSST变换,从频域变换到空间域中,得到低频图像和高频图像;随后进行非局部均值滤波变换,具体步骤如下所示:
对于低频图像和高频图像中的任何像素,都可表示为其他像素的加权和,表示为:
v(n)=∑j∈Iw(n,m)u(m)/∑j∈Iw(n,m) (2)
其中参数v(n)是低频图像或高频图像待处理像素,w(n,m)是像素u(m)的权重,权重的计算为公式为(3):
其中是以像素n为中心的相似块与像素m为中心的相似块的欧式距离,参数h是平滑参数。
5.根据权利要求4所述的基于NSST和NLM滤波及硬阈值技术的图像去噪方法,其特征在于,所述权重选取3X3大小的窗口在12X12的邻域中遍历计算权重。
6.根据权利要求1所述的基于NSST和NLM滤波及硬阈值技术的图像去噪方法,其特征在于,所述步骤3中硬阈值运算过程如公式(4):
公式(4)中,参数Y是变换系数,参数T和T-1均为频域变换,参数y'为输入的噪声图像即中频子带对应的图像,参数E为去噪后的图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910682627.2A CN110490819A (zh) | 2019-07-26 | 2019-07-26 | 基于nsst和nlm滤波及硬阈值技术的图像去噪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910682627.2A CN110490819A (zh) | 2019-07-26 | 2019-07-26 | 基于nsst和nlm滤波及硬阈值技术的图像去噪方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110490819A true CN110490819A (zh) | 2019-11-22 |
Family
ID=68547670
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910682627.2A Pending CN110490819A (zh) | 2019-07-26 | 2019-07-26 | 基于nsst和nlm滤波及硬阈值技术的图像去噪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110490819A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113379643A (zh) * | 2021-06-29 | 2021-09-10 | 西安理工大学 | 基于NSST域和Res2Net网络的图像去噪方法 |
CN113487522A (zh) * | 2021-09-08 | 2021-10-08 | 深圳市诚识科技有限公司 | 用于图像通信的多信道切换降噪方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103093441A (zh) * | 2013-01-17 | 2013-05-08 | 西安电子科技大学 | 基于变换域的非局部均值和双变量模型的图像去噪方法 |
-
2019
- 2019-07-26 CN CN201910682627.2A patent/CN110490819A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103093441A (zh) * | 2013-01-17 | 2013-05-08 | 西安电子科技大学 | 基于变换域的非局部均值和双变量模型的图像去噪方法 |
Non-Patent Citations (1)
Title |
---|
JING LIU ,ET AL: "Image denoising based on non-subsampled shearlet transform use non-local means and hard threshold", 《ELEVENTH INTERNATIONAL CONFERENCE ON DIGITAL IMAGE PROCESSING》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113379643A (zh) * | 2021-06-29 | 2021-09-10 | 西安理工大学 | 基于NSST域和Res2Net网络的图像去噪方法 |
CN113379643B (zh) * | 2021-06-29 | 2024-05-28 | 西安理工大学 | 基于NSST域和Res2Net网络的图像去噪方法 |
CN113487522A (zh) * | 2021-09-08 | 2021-10-08 | 深圳市诚识科技有限公司 | 用于图像通信的多信道切换降噪方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Naimi et al. | Medical image denoising using dual tree complex thresholding wavelet transform and Wiener filter | |
Hou et al. | SAR image despeckling based on nonsubsampled shearlet transform | |
CN109685728B (zh) | 基于局部时频域变换的数字图像处理方法 | |
CN105096280B (zh) | 处理图像噪声的方法及装置 | |
Srivastava et al. | Combination of wavelet transform and morphological filtering for enhancement of magnetic resonance images | |
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 | |
CN109685730B (zh) | 一种基于自适应非局域均值的小波去噪方法 | |
Gopinathan et al. | Wavelet and FFT Based Image Denoising Using Non-Linear Filters. | |
CN110246088A (zh) | 基于小波变换的图像亮度降噪方法及其图像降噪系统 | |
Diwakar et al. | CT image denoising based on complex wavelet transform using local adaptive thresholding and Bilateral filtering | |
Mustafa et al. | Medical image de-noising schemes using wavelet transform with fixed form thresholding | |
CN111242854A (zh) | 一种图像去噪方法 | |
CN110490819A (zh) | 基于nsst和nlm滤波及硬阈值技术的图像去噪方法 | |
Diwakar et al. | CT Image noise reduction based on adaptive wiener filtering with wavelet packet thresholding | |
Pei et al. | Application of wavelet-based image fusion in image enhancement | |
US20090185057A1 (en) | Apparatus and method for estimating signal-dependent noise in a camera module | |
Kannan et al. | Optimal decomposition level of discrete wavelet transform for pixel based fusion of multi-focused images | |
Pyo et al. | Noise reduction in high-ISO images using 3-D collaborative filtering and structure extraction from residual blocks | |
Panguluri et al. | Efficient DWT based fusion algorithm for improving contrast and edge preservation | |
Nitin | A hybrid image denoising method based on discrete wavelet transformation with pre-gaussian filtering | |
Pang | Improved image denoising based on Haar wavelet transform | |
Iqbal et al. | Reduction of speckle noise in medical images using stationary wavelet transform and fuzzy logic | |
Raj et al. | Denoising of medical images using image fusion techniques | |
Li et al. | Remote sensing image enhancement based on nonsubsampled shearlet transform and local Laplacian filter | |
He et al. | A novel hybrid model framework to blind color image deconvolution |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191122 |