基于滑窗邻域数据选择的小波图像降噪方法技术

本发明专利技术涉及一种基于滑窗邻域数据选择的小波图像降噪方法，包括：步骤１将含噪图像经过小波变换处理，分解为各个子带；步骤２对每个子带中的小波系数按下列步骤处理：１）在每个子带中，以每个小波系数为中心，对每个邻域内的中心小波系数做阈值判断，比较该系数所在各邻域的相关度系数Θ，若最大相关度系数Θ大于经验值，则执行２）；若最大相关度系数Θ小于经验值，则直接进入步骤３；２）计算１）中选取的阈值处理窗口的贝叶斯自适应阈值，得到缩放因子；３）将窗口中心的小波系数按缩放因子进行收缩；步骤３依次对小波各个子带进行自适应滑动窗口邻域小波处理之后，再将小波系数重构，得到滤波之后的图像。本发明专利技术提供的小波图像降噪方法，具有较高的峰值信噪比和更好的图像边缘保护效果。

【技术实现步骤摘要】

本专利技术属于图像处理
，具体涉及一种小波图像降噪的方法。
技术介绍
目前小波图像去噪已经出现了许多方法，如软阈值和硬阈值去噪方法。其中 NeighCoeff和NeighBlock方法，将要处理的小波系数置于由周围系数所组成的方窗内， 由窗内所有的小波系数共同决定该小波系数的处理；而NeighShrink方法则根据邻域窗 口内所有小波系数的平方和的大小来决定处于该窗口中心的小波系数的处理。 NeighShrink方法在保留图像细节方面优于普通软硬阈值方法不过在去噪过程中，容易将 边缘数据当成噪声，使得边缘信息平滑化，导致图像模糊不清楚。
技术实现思路
本专利技术是针对现有技术的上述不足，提供了一种基于滑窗邻域数据选择的小波图像 降噪方法。该方法可以通过计算滑窗面积内图像系数间的相关度系数，取消对相关性低 于某个经验值的的窗口的处理，从而达到保护图像边缘的目的，改善对图像的去噪性能。本专利技术的，包括下列步骤(流程如图1所示)步骤1:将含噪图像经过小波变换处理；步骤2:对每个子带中的小波系数单独处理，处理步骤如下1)在每个子带中，以每个小波系数为中心，对各个滑动窗口内小波系数邻域的中心小波系数做阈值判断，通过O :比较该系数所在各邻域的相关度系数0，若最大相关度系数0大于经验值T，则执行2)，若最大相 关度系数0小于经验值T，则取消对所在滑窗的阈值处理，直接执行步骤3， 其中，(/，乃e滑窗所在的邻域，(/，"为滑窗的中心点，A2'"2化P朋为(《,X2,…,X")的相关系数矩阵,3=C0V(^，Z2)为相关系数,Cov(X!, JT2) = ￡{}为A,X2的协方差定义。2)设j^」是含噪图像小波后的系数的集合，对每一个小波系数^，"，设以它为中心的邻域窗口为，定义邻域U J)包含所有落在以当前阈值化小波系数为中心，半径为d的方阵内所有小波系数，"为水平或垂直方向上相邻小 波系数的间隔，计算l)中选取的阈值处理窗口的基于广义高斯模型的贝叶斯自适应阈值;1=^，其中，噪声标准差采用鲁棒性中值估计""H印，力l)斥力e—层对角高频子带，信号方差则按0.6745《=丄1",/ .....— — 、,— . "AK"xw,,y w_估计，得到縮放因子6^^L力=、/max (《- < 2,0其中《, = ￡《 ;3)将窗口中心的小波系数按縮放因子进行收縮；步骤3:依次对小波各个子带进行自适应滑动窗口邻域小波处理之后，再将小波系数 重构，得到滤波之后的图像。本专利技术提供的滑窗邻域数据选择技术的小波图像降噪方法，充分考虑了图像边缘的 因素，并且以此为据提供了一种以小波邻域相关系数为判断依据的滑窗邻域数据选择去 噪方法，达到较高的峰值信噪比，具有更好的图像边缘保护效果。附图说明图1本专利技术基于滑窗邻域数据选择的小波降噪方法的总体流程图。 图2小波系数3X3滑动窗口邻域示例。小圆圈表示小波系数，黑色圆圈为中心小 波系数，方框内系数为其邻域。图3本专利技术降噪处理样图。图3(a)为降噪处理样图原图；图3(b)为样图原图加噪图 像；图3(c)为滑窗大小为3X3时使用本专利技术降噪方法降噪处理后图像；图3(d)为滑窗大 小为5X5时使用本专利技术降噪方法降噪处理后图像；图3(e)为滑窗大小为7X7时使用本 专利技术降噪方法降噪处理后图像；图3(f)为滑窗大小为9X9时使用本专利技术降噪方法降噪处 理后图像。具体实施例方式下面通过附图和实施例对本专利技术做进一步详述。 1.图像变换将加噪图像进行小波变换，得到小波系数矩阵，分解到4层，小波基为sym8小波， 经验值T为0.2。小波变换推导如下设一维多分辨分析^J的两尺度方程和小波方程为J A、 A其中^"为实滤波器，^、* 。则类似一维正交多分辨分析的推导，由力+1"力=1>0川^ =!>"^,^4,m 可以计算二维Mallat算法如下分解算法《w=y' u"—2fflc/"《，m = y^/lgM—2mC/" J - /, 《'm = Zg/-2jA—2mC/:"《m = y《/—2tg"—2mC/" ' /，《重构算法"/:1 = f VA—2 《2二—2 《A-2 《+^>"2,g —2 《对于低频部分一i复二维小波变'fe，最后可以得lk"的多极小波'i换。相应的，也可以得到,+^，"的多分辨表示。2.分子带阈值处理小波变换可以通过同一子带的低频系数递归地使用低通和高通滤波器实现，意味着 在一个小邻域内小波系数是相关的，称为小波系数的层内相关性。在一个值较大的小波 系数的邻域内，可能会有一组较大的小波系数。对每个子带中的小波系数单独处理，处理步骤如下51)在每个子带中，以每个小波系数为中心，对每个邻域内的中心小波系数做阈值判Ski 1>,S|断，通过相关度系数0 = ^^ + ^^比较该系数所在各邻域的相关度系数0，其中(/,/)e滑窗所在的邻域，("》为滑窗的中心点。若最大相关度系数 大于经验值T，则执行2);若最大相关度系数0小于经验值T，则取消对所在滑窗的阈值处理，直接进 入3.图像重构。2) A,X2的协方差定义为On;(《,Z2)^(卜通过协方差可以了解两个随机变量之间的关系正的协方差表示两个随机变量倾向于同时取得较 大值或较小值；负的协方差表示两个随机变量有相反方向的变化趋势。两个随机变量的 变化趋势是在平均意义上而言的。相关系数记为p,'A = , Cov",A)，相关系数p^^和协方差Qn;(X"X2)之间存在数量关系，/^,2是标准尺度下的协方差。协方差单位依赖于《，;^的度量单位，a早2P早2较小说明x，，z，可以更好的反映I,，X,之间的关系，而不受所用度量单位的影响。的线性关系联系较差，反之亦然。《维随机向量(《，12,…,Xj ，记On;(X,,X》=《《-￡(X,)][X7， ,,/ = 1,2，...，"，由协方差和相关系数的关 系可以得到矩阵"'"2Am为(A，Xw,Xn)的相关系数矩阵。通过计算滑窗面积内图像数据的相关系数矩阵，可以得到当前阈值化小波 系数和其邻域内数据的关系。通过比较相关度系数^和经验值T的大小，来判断矩阵内当前阈值化小波系数和其余系数的关联程度，取消关联程度小的滑窗的处理。通过相关系数的判别，可以很好的 起到去噪和保护边缘的目的。3)计算贝叶斯自适应阈值，得到縮放系数。假设{《， }是含噪图像小波后的系数的集合，在各个子带上，小波系数服从广义高斯分布GGD。对每一个小波系数《，n，设以它为中心的邻域窗口为『，。定义邻域U力包含所有落在以当前阈值化小波系数为中心，半径为"的方阵内所有小波系数。"为水 平或垂直方向上相邻小波系数的间隔。对阈值化的小波系数，用《^二《，""，进行收缩，其中收缩因子定义为 1=卜二 ，《 =Z《"当此收縮因子为负时，置为零；否则，保持不变。这里的阈值2用基于广义高斯模型的Bayes估计的自适应阈值义 其中噪声标准差采用鲁棒性中值估计^^靴^"(l巧，4) h ，即一层对角高频子带，信号方差则按0.6745 , 、，" 1估计:其中，广义高斯分布也称为广义拉普拉斯分布，定义为GG^(jc卜C( ，/ )exp卜^该分布有两个参数 为信号的方差，控制密度函数的扩本文档来自技高网...

【技术保护点】
一种基于滑窗邻域数据选择的小波图像降噪方法，包括下列步骤：　步骤１：将含噪图像经过小波变换处理；　步骤２：对每个子带中的小波系数单独处理，处理步骤如下：　１）在每个子带中，以每个小波系数为中心，对各个滑动窗口内小波系数邻域 的中心小波系数做阈值判断，通过Θ＝＊｜ρ↓［ｉｊ］｜／ｎ＋＊｜ρ↓［ｉｓ］｜／ｎ比较该系数所在各邻域的相关度系数Θ，若最大相关度系数Θ大于经验值Ｔ，则执行２），若最大相关度系数Θ小于经验值Ｔ，则取消对所在滑窗的阈值处理，直接执行步骤３，其中，（ｉ，ｊ）∈滑窗所在的邻域，（ｔ，ｓ）为滑窗的中心点，　（ρ↓［ｉｊ］）↓［ｎ×ｎ］＝＊＊＊为（Ｘ↓［１］，Ｘ↓［２］，…，Ｘｎ）的相关系数矩阵，　ρ↓［Ｘ↓［１］Ｘ↓［２］］＝Ｃｏｖ（Ｘ↓［１］，Ｘ↓［２］）／＊＊＊为相关系 数，　Ｃｏｖ（Ｘ↓［１］，Ｘ↓［２］）＝Ｅ｛［Ｘ↓［１］－Ｅ（Ｘ↓［１］）］［Ｘ↓［２］－Ｅ（Ｘ↓［２］）］｝为Ｘ↓［１］，Ｘ↓［２］的协方差定义。　２）设｛ｄ↓［ｍ，ｎ］｝是含噪图像小波后的系数的集合，对每一个小波系数ｄ↓［ｍ ，ｎ］，设以它为中心的邻域窗口为Ｗ↓［ｍ，ｎ］，定义邻域Ｎ↓［ｍ，ｎ］（ｄ）包含所有落在以当前阈值化小波系数为中心，半径为ｄ的方阵内所有小波系数，ｄ为水平或垂直方向上相邻小波系数的间隔，计算１）中选取的阈值处理窗口的基于广义高斯模型的贝叶斯自适应阈值＊＊＊，其中，噪声标准差采用鲁棒性中值估计　＊＝ｍｅｄｉａｎ（｜Ｙ（ｉ，ｊ）｜）／０．６７４５，Ｙ（ｉ，ｊ）∈一层对角高频子带，　信号方差则按＊＊＊估计，得到缩放因子α↓［ｍ，ｎ］＝１－（ｎλ／Ｓ↓［ｍ，ｎ］）↑［２］ ，其中Ｓ↓［ｍ，ｎ］↑［２］＝＊ｄ↓［ｍ，ｎ］↑［２］；　３）将窗口中心的小波系数按缩放因子进行收缩；　步骤３：依次对小波各个子带进行自适应滑动窗口邻域小波处理之后，再将小波系数重构，得到滤波之后的图像。...

【技术特征摘要】

【专利技术属性】
技术研发人员：宫霄霖，刘开华，毛瑞全，于洁潇，
申请(专利权)人：天津大学，
类型：发明
国别省市：12[中国|天津]