在小波域利用进化规划进行图像去噪和增强的方法技术

本发明专利技术提出在小波域利用进化规划进行图像去噪和增强的方法，目的是为了在小波域利用进化规划对无人机图像进行去噪和增强。该算法包括以下步骤：利用双树离散小波将图像变换到小波域；在小波域使用进化规划估算去噪阈值，对高频子带中的高分辨率系数进行软阈值去噪；在小波域使用进化规划估计增强参数，对高频子带中的低分辨率系数进行增强；进行小波逆变换，获得重构图像。本发明专利技术通过在小波域使用进化规划对无人机进行去噪和增强，设计的算法不仅能够得到视觉质量非常优秀的去噪图像，而且能够很好的保留边缘和纹理细节信息。

【技术实现步骤摘要】
【专利摘要】本专利技术提出，目的是为了在小波域利用进化规划对无人机图像进行去噪和增强。该算法包括以下步骤：利用双树离散小波将图像变换到小波域；在小波域使用进化规划估算去噪阈值，对高频子带中的高分辨率系数进行软阈值去噪；在小波域使用进化规划估计增强参数，对高频子带中的低分辨率系数进行增强；进行小波逆变换，获得重构图像。本专利技术通过在小波域使用进化规划对无人机进行去噪和增强，设计的算法不仅能够得到视觉质量非常优秀的去噪图像，而且能够很好的保留边缘和纹理细节信息。【专利说明】
本专利技术涉及图像处理
和智能计算领域，特别涉及一种基于双树离散小波包和进化规划相结合的自适应图像去噪和增强方法。
技术介绍
在无人机图像去噪中多尺度特征分析是非常重要的，同时小波处理也是非常必要的。基于小波的图像去噪和增强的基本方案如下:1)小波分解；2)在不同尺度对小波系数修正；3)根据修正的小波系数复原图像。现在一些图像增强方法仅考虑细节增强，而忽略噪声削减或者抑制。一些图像增强方法仅考虑减少噪声而忽略细节增强。一些图像增强方法既考虑噪声削减也注重细节增强。然而，他们大部分使用噪声的静态属性来估算去噪阈值。实际上，这是非常困难的，因为精确的噪声静态属性不能被提前知道或者精确预计。此外，他们大部分通过用户干预增强细节以便能获得好的结果。这将限制他们在实际图像增强中的广泛应用。
技术实现思路
本专利技术的目的旨在解决上述技术缺陷，改善双树离散小波去噪算法的效果以及更好地保护图像的边缘和细节信息。为了达到上述目的，本专利技术提出一种基于双树离散小波和进化规划相结合的自适应双树离散小波包的 图像去噪和增强方法，包括以下几个步骤:S1:采用双树离散小波对含有噪声的图像g进行L层分解，获得第L分解层的低频子带(即近似系数矩阵)和第I~L分解层的高频子带(即细节系数矩阵)，其中细节系数矩阵又分为高分辨率系数矩阵和低分辨率系数矩阵；S2:针对高分辨率系数矩阵采用小波阈值去噪方法进行处理，获得去噪后的高分辨率系数矩阵，具体如下:S2.1:利用进化规划估算各高分辨率系数矩阵对应的最优去噪阈值。S2.1.1:把各高分辨率系数矩阵对应的初始去噪阈值作为初始群体的个体，随机初始化群体并对所有的个体进行适应度计算，获得每个个体的适应度，其中，第s个分解层、第I个个体的适应度计算公式如下:【权利要求】1.，其特征在于包括以下步骤: 51:采用双树离散小波对含有噪声的图像g进行L层分解，获得第L分解层的低频子带，即近似系数矩阵和第I~L分解层的高频子带，即细节系数矩阵，其中细节系数矩阵又分为高分辨率系数矩阵和低分辨率系数矩阵； 52:针对高分辨率系数矩阵采用小波阈值去噪方法进行处理，获得去噪后的高分辨率系数矩阵，具体如下: S2.1:利用进化规划估算各高分辨率系数矩阵对应的最优去噪阈值； S2.1.1:把各高分辨率系数矩阵对应的初始去噪阈值作为初始群体的个体，随机初始化群体并对所有的个体进行适应度计算，获得每个个体的适应度，其中，第s个分解层、第I个个体的适应度计算公式如下: 2.根据权利要求1所述的，其特征在于，步骤S2.1中所用参数cF_表示第j代种群的中心位置，其计算公式如下: 【文档编号】G06T5/00GK103903232SQ201410144096【公开日】2014年7月2日 申请日期:2014年4月10日 优先权日:2014年4月10日 【专利技术者】刘芳, 付凤之, 邓志仁, 马玉磊 申请人:北京工业大学本文档来自技高网...

【技术保护点】
1.在小波域利用进化规划进行图像去噪和增强的方法，其特征在于包括以下步骤：S1：采用双树离散小波对含有噪声的图像g进行L层分解，获得第L分解层的低频子带，即近似系数矩阵和第1～L分解层的高频子带，即细节系数矩阵，其中细节系数矩阵又分为高分辨率系数矩阵和低分辨率系数矩阵；S2：针对高分辨率系数矩阵采用小波阈值去噪方法进行处理，获得去噪后的高分辨率系数矩阵，具体如下：S2.1：利用进化规划估算各高分辨率系数矩阵对应的最优去噪阈值；S2.1.1：把各高分辨率系数矩阵对应的初始去噪阈值作为初始群体的个体，随机初始化群体并对所有的个体进行适应度计算，获得每个个体的适应度，其中，第s个分解层、第l个个体的适应度计算公式如下：function(λsl)=N||Wsl-λsl||2(N0)2]]>其中，是第s个分解层、第l个高分辨率系数矩阵的小波系数，N是小波系数的数目，是第s个分解层、第l个高分辨率系数矩阵对应的初始去噪阈值，N0是小于的小波系数的数目，||·||是一个在函数空间的范数；S2.1.2：利用重新设计的变异规则对群体进行变异，得到下一代子代，其中变异规则如下：（1）如果|dj-dj-1|≥a，则xj+1(k)=xj(k)+(dj-dj-1)*|N(0,1)|,agej+1(k)=1（2）如果Xmax,j-Xmin,j≥b，则xj+1(k)=xj(k)+(Xmax,j-Xmin,j)*N(0,1),agej+1(k)=1（3）如果不满足（1）（2），则xj+1(k)=xj(k)+agej(k)*c*N(0,1),agej+1(k)=agej(k)+1其中，N(0,1)表示均值为0、方差为1的一维随机正态分布，Xmax,j为第j代种群内的最大值，Xmin,j为第j代种群内的最小值，xj(k)表示第j代群体中第k个个体的值，dj表示第j代种群的中心位置，agej(k)用来记录到第j代时第k个个体的变异停滞次数，a、b和c为可调参数，根据实验选取；S2.1.3：计算每个子代的适应度，并且将父代和子代个体的适应度进行两两比较，利用随机q竞争选择方法，即锦标赛选择模式，q≥1是选择算法的参数，选出最成功个体成作为下一代的父代；S2.1.4：重复步骤S2.1.2和步骤S2.1.3，直到满足终止条件，得到各高分辨率系数矩阵的最优去噪阈值；S2.2：利用软阈值函数对高分辨率系数矩阵进行去噪，得到去噪后的高分辨率系数矩阵，其中软阈值函数如下：wλs′l=[sign(wsl)](|wsl|-λs′l),|wsl|≥λs′l0,|ws′l|<λs′l]]>其中，是第s个分解层、第l个高分辨率系数矩阵阈值量化后的小波系数，是第s个分解层、第l个高分辨率系数矩阵的小波系数，是第s个分解层、第l个高分辨率系数矩阵对应的最优去噪阈值；S3：针对低分辨率系数矩阵进行小波增强，得到增强后的低分辨率系数矩阵，具体如下：S3.1：参见S2.1中的步骤，利用进化规划估算出各分解层的最优增强阈值;S3.2：利用S3.1得到的各分解层的最优增强阈值，增强低分辨率系数矩阵，得到增强后的低分辨率系数矩阵，其中，第s个分解层、第r个子带中第i行、第j列的小波系数增强公式如下：gsr[i,j]=fsr[i,j],|fsr[i,j]|<Ts′raa*maxfsr[i,j]{sign[cc(ysr[i,j]-bb)]-sign[-cc(ysr[i,j]+bb)]},|fsr[i,j]|≥Ts′r]]>其中，是增强后的第s个分解层、第r个子带中第i行、第j列的小波系数，是在第s个分解层、第r个子带中第i行、第j列的小波系数，是第s个分解层、第r个子带的最优增强阈值，max是在中所有小波系数的最大值，是将归一化后的值，它的取值范围是[-1,1]，并且s=1,2,…,L，r=1,2,3,4，aa，bb，cc是可调参数，可以根据实验选取；S4：利用近似系数矩阵和去噪后的高分辨率系数矩阵以及增强后的低分辨率系数矩阵，对图像进行小波重构，获得去噪和增强后的图像。...

【技术特征摘要】

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