基于双树离散小波包和信噪比估计的图像去噪方法技术

本发明专利技术提出一种基于双树离散小波包和信噪比估计的图像去噪方法，包括以下步骤：对含噪声的图像进行双树离散小波分解，获得第一层多个子带以及各子带对应的小波系数；估计各个子带的小波系数的信噪比；利用小波系数的信噪比构造多层双树离散小波包结构；采用最优阈值选择算法对获得的多层双树离散小波包中所有高频子带小波系数进行阈值选取，根据阈值选取后的小波系数进行图像重构，得到去噪后的图像；本发明专利技术通过估计小波系数的信噪比来分析含躁图像的噪声分布特性，设计出的小波包构造方案实现了多尺度平稳小波分析下的去噪效果，同时能够保持图像边缘和纹理细节。

【技术实现步骤摘要】
基于双树离散小波包和信噪比估计的图像去噪方法
本专利技术涉及图像处理
，特别涉及一种基于双树离散小波包和信噪比估计的图像去噪方法。
技术介绍
近年来，由于小波变换具有良好的时-频局部化特性，在信号和图像去噪领域得到了广泛的应用。传统的小波域去噪方法是对小波系数进行萎缩处理，如Donoho提出的硬阈值和软阈值去噪法。现有的方法存在的缺点是：一方面，硬阈值函数具有不连续性，重构所得的信号会产生伪吉布斯效应，而软阈值方法估计后的小波系数和分解得到的小波系数总存在恒定的偏差，直接影响重构信号与真实信号的逼近程度；另一方面，在某些动态环境例如无人机自主飞行中，动态获取的图像不仅包含大量的噪声，同时自然场景下的图像富含方向性特征，更多得高频细节和高频噪声很难区分，给小波去噪带来了较大困难。
技术实现思路
本专利技术的目的旨在解决上述技术缺陷。为达到上述目的，本专利技术提出一种基于双树离散小波包和信噪比估计的图像去噪方法，包括以下步骤：S1：对含噪声的图像进行双树离散小波分解，获得第一层多个子带以及各子带对应的小波系数；S2：估计各个子带的小波系数的信噪比；S3：利用小波系数的信噪比构造多层双树离散小波包结构，具体包括：从第一层小波子带开始，判断每一个小波子带是否需要继续分解，如果小波子带信噪比小于所设阈值，则对该小波子带继续进行小波包分解，获得下一层双树离散小波包，否则不分解；依此类推获得多层双树离散小波包；S4：采用最优阈值选择算法对获得的多层双树离散小波包中所有高频子带小波系数进行阈值选取，根据阈值选取后的小波系数进行图像重构，得到去噪后的图像；所述的最优阈值选择算法选取子带小波系数的计算公式如下：其中，是含噪图像的第i层j子带的第k个小波系数，是修正后的含噪图像的第i层j子带的第k个小波系数；对于含噪图像的第i层j子带的自适应阈值βi,j的计算方法如下：βi,j＝a*b*i*j*Ri,j*σi,jη其中Ri,j是含噪图像的第i层j子带的信噪比，σi,jη是含噪图像的第i层j子带的噪声标准差，参数a由分解级数决定，参数b由相应层级的子带决定。步骤S1进一步包括：使用q-shift方案构造所述双树离散小波；以及使用q-shift滤波器将所述含噪图像分解为方向子带；以及使用通用滤波器对所述方向子带进行各向异性分解，获得所述多个子带以及所述子带的小波系数。步骤S2中所述的小波系数的信噪比的计算公式如下：其中Ri,j是含噪图像第i层j子带的信噪比，σi,jη是含噪图像第i层j子带的噪声标准差，σi,jX是不含噪图像第i层j子带系数的标准差。σi,jη用鲁棒中值估计量来估计它：其中median为中值函数，|Yi,j|为含噪图像第i层j子带小波系数的绝对值；σi,jX计算公式如下：其中σi,jY是含噪图像第i层j子带小波系数Yi,j的标准差。步骤S3进一步包括：从第一层小波子带开始，对于每一个已分解得到的小波子带是否需要继续分解，做如下判断：如果Ri,j＜K则继续分解第i层j小波子带得到第i+1层子带；如果Ri,j≥K则结束分解第i层j小波子带。其中K为设定的阈值，取值范围为(0.1,3.0)。有益效果根据本专利技术实施例的基于双树离散小波包和信噪比估计的图像去噪方法，通过利用小波系数的信噪比分析图像的噪声分布特征特性，设计出的小波包构造方案实现多尺度平稳小波分析下的去噪效果，能够同时保持图像边缘和纹理细节。而且，本专利技术的方法只对源图像进行处理，不需要任何先验知识，通用性强。附图说明本专利技术上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：图1为本专利技术实施例的基于双树离散小波包和信噪比估计的图像去噪方法的流程图；以及图2为本专利技术一个实施例的三级双树离散小波变换结构示意图；以及图3为本专利技术一个实施例的二级满树小波包分解结构示意图。具体实施方式下面详细描述本专利技术的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本专利技术，而不能解释为对本专利技术的限制。如图1所示，根据本专利技术实施例的基于双树离散小波包的图像去噪方法，包括以下步骤：步骤S1：对含噪声的图像进行双树离散小波分解，获得第一层多个子带以及各子带对应的小波系数。在本专利技术的一个实施例中，首先使用q-shift设计方案构造双树离散小波。如图2所示为一个示例的三级双树离散小波变换结构，其中，h0b(n)＝h0a(N-1-n)，N为滤波器长度为偶数，即h0b(n)是h0a(n)的反转。自然地，h0b(n)和h0a(n)的傅里叶变换长度相等，但是两者不能达到半样本延迟，即：|H0b(ω)|＝|H0a(ω)|∠h0b(n)＝∠H0a(ω)-(N-1)ω。为了实现半样本延迟，令∠h0b(n)＝-∠H0a(ω)-0.5ω，则有：∠H0a(ω)-0.5ω＝-∠H0a(ω)-(N-1)ω∠H0a(ω)＝-0.5(N-1)ω+0.25ω也就是说，H0a(ω)是近似线性相位滤波器，它的对称中心是n＝0.5(N-1)-0.25，其比一般线性相位滤波器的对称点偏移了四分之一个样本。双树离散小波近似地实现了两路滤波器的半样本点延迟，获得了近似解析的复小波变换，并且解析精度随分解级数的增加而增加。但是，双树离散小波分解与普通的离散小波变换一样，对高频子带不做进一步分解，通过对低频子带进行迭代分解，信号被分解为一个低频子带和一系列高频子带。分片线性光滑信号主要包含低频成分，所以双树离散小波能非常紧致地表示这一类信号。但是，许多信号如自然图像、遥感图像、生物医学图像等，不仅包含显著的低频分量，同时也包含了大量的高频信号，双树离散小波难以高效地表达这类信号。为了克服双树离散小波这一缺点，考虑将小波包方法和双树离散小波方法结合起来，对高频子带和低频子带都进行分解。与双树离散小波相比，双树离散小波包能够提供更精细的频域表示，继承了双树离散小波的方向选择性，并增加了小波方向的数目，同时能够根据输入信号的特性自适应地优选分解结构。对含噪声的图像进行双树离散小波分解，获得第一层多个子带以及各子带对应的小波系数，具体地，先采用q-shift滤波器将含噪图像分解为方向子带后，再采用普通滤波器进行各向异性分解，从而保证所得的小波具有方向选择性。由于在各向异性分解中，DDWT(DistributedDiscreteWaveletTransform分散式离散小波变换)子带作为复子带进行分解，因此虚部和实部具有相同的分解结构。由于各DDWT子带独立地进行自适应各向异性分解，因此ADDWP(adaptivedual-treediscretewaveletpacket自适应双树离散小波包)在基函数优选中需要搜索的分解结构数目为各DDWT子带分解结构数目之和：...

【技术保护点】
基于双树离散小波包和信噪比估计的图像去噪方法，其特征在于，包括以下步骤：S1：对含噪声的图像进行双树离散小波分解，获得第一层多个子带以及各子带对应的小波系数；S2：估计各个子带的小波系数的信噪比；S3：利用小波系数的信噪比构造多层双树离散小波包结构，具体包括：从第一层小波子带开始，判断每一个小波子带是否需要继续分解，如果小波子带信噪比小于所设阈值，则对该小波子带继续进行小波包分解，获得下一层双树离散小波包，否则不分解；依此类推获得多层双树离散小波包；S4：采用最优阈值选择算法对获得的多层双树离散小波包中所有高频子带小波系数进行阈值选取，根据阈值选取后的小波系数进行图像重构，得到去噪后的图像；所述的最优阈值选择算法选取子带小波系数的计算公式如下：其中，是含噪图像的第i层j子带的第k个小波系数，是修正后的含噪图像的第i层j子带的第k个小波系数；对于含噪图像的第i层j子带的自适应阈值βi,j的计算方法如下：βi,j=a*b*i*j*Ri,j*σi,jη其中Ri,j是含噪图像的第i层j子带的信噪比，σi,jη是含噪图像的第i层j子带的噪声标准差，参数a由分解级数决定，参数b由相应层级的子带决定。...

【技术特征摘要】
1.基于双树离散小波包和信噪比估计的图像去噪方法，其特征在于，包括以下步骤：S1：对含噪声的图像进行双树离散小波分解，获得第一层多个子带以及各子带对应的小波系数；S2：估计各个子带的小波系数的信噪比；S3：利用小波系数的信噪比构造多层双树离散小波包结构，具体包括：从第一层小波子带开始，判断每一个小波子带是否需要继续分解，如果小波子带信噪比小于所设阈值，则对该小波子带继续进行小波包分解，获得下一层双树离散小波包，否则不分解；依此类推获得多层双树离散小波包；S4：采用最优阈值选择算法对获得的多层双树离散小波包中所有高频子带小波系数进行阈值选取，根据阈值选取后的小波系数进行图像重构，得到去噪后的图像；所述的最优阈值选择算法选取子带小波系数的计算公式如下：其中，是含噪图像的第i层j子带的第k个小波系数，是修正后的含噪图像的第i层j子带的第k个小波系数；对于含噪图像的第i层j子带的自适应阈值βi,j的计算方法如下：βi,j＝a*b*i*j*Ri,j*σi,jη其中Ri,j是含噪图像的第i层j子带的信噪比，σi,jη是含噪图像的第i层j子带的噪声标准差，参数a由分解级数决定，参数b由相应层级的子带决定。2.根据权利要求1所述的方法，其特征在于，所述步骤S1进一步包括：使用q-shift方案构造所述双树离散小波；以及使用q-shift滤波器将所述含噪图像...

【专利技术属性】
技术研发人员：刘芳，马玉磊，邓志仁，付凤之，
申请(专利权)人：北京工业大学，
类型：发明
国别省市：北京;11