一种基于密度聚类与灰度变换的NSST域声呐图像去噪方法技术

一种基于密度聚类与灰度变换的NSST域声呐图像去噪方法，它属于声呐图像去噪技术领域。本发明专利技术解决了现有声呐图像去噪方法存在的去噪效果差、保持边缘特征能力差以及去噪效率低的问题。本发明专利技术能够针对声呐图像对比度低、噪声干扰严重的问题进行改善，通过NSST变换对含噪声呐图像进行分解、然后运用密度聚类去除高频系数中的噪声信号，保留细节信号，对低频系数进行灰度变换，提升图像对比度，最后进行NSST逆变换，得到去噪后的声呐图像。本发明专利技术方法可以应用于对声呐图像进行去噪。法可以应用于对声呐图像进行去噪。法可以应用于对声呐图像进行去噪。

【技术实现步骤摘要】
一种基于密度聚类与灰度变换的NSST域声呐图像去噪方法


[0001]本专利技术属于声呐图像去噪
，具体涉及一种基于密度聚类与灰度变换的NSST域声呐图像去噪方法。

技术介绍

[0002]由于受海风、洋流、水温、杂质以及成像设备等影响，使用声呐探测技术得到的图像中通常包含着各种类型的噪声，主要表现为颗粒状的斑点。斑点噪声的存在导致图像质量严重下降，对后续的图像处理产生不利影响。目前常用的去噪方法主要有空间域去噪法和变换域去噪法，空间域去噪法通常通过基于滑动窗口的方法直接修改图像像素值从而达到去噪的目的，忽略了像素本身固有的特性，导致去噪后图像细节信息丢失严重，去噪效果较差。在变换域去噪法中，如小波变换只能表示水平、垂直和对角三个方向，无法最优逼近高维数据的奇异点位置；脊波变换只能表示直线奇异特征，无法有效描述信号中的曲线奇异特征；曲波变换结构复杂，运算量大等，这些方法导致去噪时图像边缘特征无法得到准确捕捉、去噪效率低。
[0003]综上所述，现有的声呐图像去噪方法仍然存在去噪效果差、图像边缘特征保持能力差以及去噪效率低的问题。所以，如何在噪声干扰严重的情况下有效去除声呐图像中的噪声、提高边缘特征保持能力和去噪效率是亟需解决的问题。

技术实现思路

[0004]本专利技术的目的是为解决现有声呐图像去噪方法存在的去噪效果差、保持边缘特征能力差以及去噪效率低的问题，而提出的一种基于密度聚类与灰度变换的NSST域声呐图像去噪方法。
[0005]本专利技术为解决上述技术问题所采取的技术方案是：一种基于密度聚类与灰度变换的NSST域声呐图像去噪方法，所述方法具体包括以下步骤：
[0006]步骤一、对获取的水下含噪声呐图像进行分解，得到高频子带图像和低频子带图像，并分别计算高频子带图像和低频子带图像的NSST系数；
[0007]步骤二、分别对各层高频子带图像的NSST系数进行聚类处理，将各层高频子带图像的NSST系数中代表噪声信号的NSST系数去除，分别得到各层高频子带图像的NSST系数中代表细节信号的NSST系数；
[0008]步骤三、分别对各层高频子带图像对应的代表细节信号的NSST系数进行处理，得到各层高频子带图像对应的处理后NSST系数；
[0009]步骤四、利用灰度变换对低频子带图像的NSST系数进行灰度拉伸，获得低频子带图像对应的灰度拉伸后NSST系数；
[0010]步骤五、利用NSST逆变换对步骤三中处理后的NSST系数以及步骤四中灰度拉伸后的NSST系数进行重构，得到去噪后的声呐图像。
[0011]进一步地，所述步骤一中，对获取的水下含噪声呐图像进行分解，得到高频子带图
像和低频子带图像，并分别计算高频子带图像和低频子带图像的NSST系数；所采用的方法是NSST变换。
[0012]进一步地，所述步骤一的具体过程为：
[0013]步骤一一、对拉普拉斯金字塔滤波器组进行上采样操作构造二通道非下采样拉普拉斯金字塔滤波器组；
[0014]步骤一二、在剪切波的基础上，利用二通道非下采样拉普拉斯金字塔滤波器组将获取的水下含噪声呐图像分解为1层低频子带图像和4层高频子带图像，并分别对低频子带图像和各层高频子带图像进行离散傅里叶变换；
[0015]步骤一三、在伪极化网格坐标系中构建剪切滤波器W；
[0016]步骤一四、将剪切滤波器W从伪极化网格坐标系映射到笛卡尔坐标系中，得到新的剪切滤波器W
′
；
[0017]步骤一五、将新的剪切滤波器W
′
分别作用到步骤一二中获得的离散傅里叶变换后的4层高频子带图像中，分别得到每层高频子带图像的方向子带；
[0018]步骤一六、分别对每层高频子带图像对应的方向子带进行逆离散傅里叶变换，得到每层高频子带图像对应的NSST系数；
[0019]对低频子带图像进行逆离散傅里叶变换，得到低频子带图像对应的NSST系数。
[0020]进一步地，所述剪切波为合成小波。
[0021]进一步地，所述合成小波为：
[0022][0023]其中，ψ
j，k，l
(x)为合成小波，x为输入信号，A和B均为二维可逆矩阵，|det A|为矩阵A的行列式的值，j为尺度参数，l为几何参数，k为平移参数，Z代表整数，A
j
为矩阵A的j次方，B
l
为矩阵B的l次方。
[0024]进一步地，所述合成小波ψ
j，k，l
(x)满足条件：ψ
j，k，l
(x)∈L2(R2)且对于均保证其中，L2(R2)代表函数能量有限条件，||
·
||代表范数，<
·
>代表求内积。
[0025]进一步地，所述矩阵矩阵
[0026]进一步地，所述步骤二中，聚类处理采用的是DBSCAN密度聚类方法。
[0027]进一步地，所述步骤三中，分别对各层高频子带图像对应的代表细节信号的NSST系数进行处理，处理方式为阈值处理，通过阈值处理去掉代表细节信号的NSST系数中小于阈值的系数；所述步骤四中的灰度变换采用分段函数。
[0028]更进一步地，所述步骤五的具体过程为：
[0029]步骤五一、对第i层高频子带图像对应的处理后NSST系数进行离散傅里叶变换，得到第i层高频子带图像在各个方向的分量，i＝1，2，3，4；
[0030]步骤五二、对第i层高频子带图像在各个方向的分量进行逆带通滤波操作，得到逆带通滤波结果i＝1，2，3，4；
[0031]步骤五三、对逆带通滤波结果进行逆离散傅里叶变换，得到高通图像i＝
1，2，3，4；
[0032]步骤五四、对低频子带图像对应的灰度拉伸后NSST系数进行离散傅里叶变换，得到低频子带图像分量；
[0033]步骤五五、对低频子带图像分量进行逆离散傅里叶变换，得到各层低通图像i＝1，2，3，4；
[0034]步骤五六、利用非下采样拉普拉斯金字塔重构算法对高通图像和低通图像i＝1，2，3，4进行重构，得到去噪后的声呐图像。
[0035]本专利技术的有益效果是：
[0036]本专利技术将DBSCAN密度聚类、灰度变换和NSST变换相结合，可最大限度地提高声呐图像的去噪效果、边缘特征保持能力和去噪效率。本专利技术能够针对声呐图像对比度低、噪声干扰严重的问题进行改善，通过NSST变换对含噪声呐图像进行分解、然后运用密度聚类去除高频系数中的噪声信号，保留细节信号，对低频系数进行灰度变换，提升图像对比度，最后进行NSST逆变换，得到去噪后的声呐图像。
附图说明
[0037]图1为本专利技术的一种基于密度聚类与灰度变换的NSST域声呐图像去噪方法的流程图；
[0038]图2为NSST分解示意图；
[0039]图3为DBSCAN密度聚类工作原理图；
[0040]图4为灰度变换的示意图；
[00本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于密度聚类与灰度变换的NSST域声呐图像去噪方法，其特征在于，所述方法具体包括以下步骤：步骤一、对获取的水下含噪声呐图像进行分解，得到高频子带图像和低频子带图像，并分别计算高频子带图像和低频子带图像的NSST系数；步骤二、分别对各层高频子带图像的NSST系数进行聚类处理，将各层高频子带图像的NSST系数中代表噪声信号的NSST系数去除，分别得到各层高频子带图像的NSST系数中代表细节信号的NSST系数；步骤三、分别对各层高频子带图像对应的代表细节信号的NSST系数进行处理，得到各层高频子带图像对应的处理后NSST系数；步骤四、利用灰度变换对低频子带图像的NSST系数进行灰度拉伸，获得低频子带图像对应的灰度拉伸后NSST系数；步骤五、利用NSST逆变换对步骤三中处理后的NSST系数以及步骤四中灰度拉伸后的NSST系数进行重构，得到去噪后的声呐图像。2.根据权利要求1所述的一种基于密度聚类与灰度变换的NSST域声呐图像去噪方法，其特征在于，所述步骤一中，对获取的水下含噪声呐图像进行分解，得到高频子带图像和低频子带图像，并分别计算高频子带图像和低频子带图像的NSST系数；所采用的方法是NSST变换。3.根据权利要求2所述的一种基于密度聚类与灰度变换的NSST域声呐图像去噪方法，其特征在于，所述步骤一的具体过程为：步骤一一、对拉普拉斯金字塔滤波器组进行上采样操作构造二通道非下采样拉普拉斯金字塔滤波器组；步骤一二、在剪切波的基础上，利用二通道非下采样拉普拉斯金字塔滤波器组将获取的水下含噪声呐图像分解为1层低频子带图像和4层高频子带图像，并分别对低频子带图像和各层高频子带图像进行离散傅里叶变换；步骤一三、在伪极化网格坐标系中构建剪切滤波器W；步骤一四、将剪切滤波器W从伪极化网格坐标系映射到笛卡尔坐标系中，得到新的剪切滤波器W
′
；步骤一五、将新的剪切滤波器W
′
分别作用到步骤一二中获得的离散傅里叶变换后的4层高频子带图像中，分别得到每层高频子带图像的方向子带；步骤一六、分别对每层高频子带图像对应的方向子带进行逆离散傅里叶变换，得到每层高频子带图像对应的NSST系数；对低频子带图像进行逆离散傅里叶变换，得到低频子带图像对应的NSST系数。4.根据权利要求3所述的一种基于密度聚类与灰度变换的NSST域声呐图像去噪方法，其特征在于，所述剪切波为合成小波。5.根据权利要...

【专利技术属性】
技术研发人员：刘光宇，曾志勇，赵恩铭，杨燕婷，朱晓栋，胡嘉鑫，苍岩，
申请(专利权)人：大理大学，
类型：发明
国别省市：