本发明专利技术属于图像处理技术领域，涉及一种基于邻域加窗的小波图像去噪方法，包括
下列步骤：将含噪图像f(x，y)经过单尺度小波变换处理，分别获得四个子带系数：低频
近似系数A1、水平细节系数H1、垂直细节系数V1和对角细节系数D1；将A1保持不变，对
水平细节系数H1、垂直细节系数V1和对角细节系数D1分别采用垂直线形滤波模板、水平
线形滤波模板和对角方向滤波模板进行均值滤波，滤波后为H1、V1、D1；将A1和去噪后
的高频子带H1、V1、D1进行重构，即可得到去噪后图像f，f＝A1+H1+V1+D1。本发
明提供的基于邻域加窗的小波图像去噪方法，能够达到较高的峰值信噪比，具有更好的
图像去噪效果。
【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。
技术介绍
目前图像去噪方法中，均值滤波是一种常用的图像滤波去噪方法，该方法运算简单， 对高斯噪声具有良好的去噪能力。但均值滤波在消除噪声的同时也会对图像的高频细节 成分造成破坏和损失，使图像模糊。为了解决均值滤波算法存在的图像模糊问题，也出 现了许多改进的算法，如K邻点平均法、梯度倒数加权平滑法、最大均匀性平滑法、小 斜面模型平滑法、自适应加权平滑法等，不过这些改进的均值滤波算法一般只是对某些 类型的图像具有较好的去噪效果，对于不同类型的图像则需要调整其形状和参数，不具 有普适性。
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。 该方法充分考虑了小波系数的层内相关性，并根据其特性为各子带系数选择不同的加窗 滤波模板，从而达到更好地恢复原图像，改善对图像的去噪性能。本专利技术的，包括下列步骤-步骤l:将含噪图像/7>， ^经过单尺度小波变换处理，分别获得四个子带系数低 频近似系数A、水平细节系数H,、垂直细节系数V^Q对角细节系数D,;步骤2:将4保持不变，对水平细节系数H,、垂直细节系数V,和对角细节系数D,分 别采用垂直线形滤波模板、水平线形滤波模板和对角方向滤波模板进行均值滤波，滤波后为A、《、A;步骤3:将A和去噪后的高频子带A、 A、 A进行重构，即可得到去噪后图像/， 上述的步骤2可以按照下列方法进行1) 首先分别根据水平细节系数H,、垂直细节系数Vi和对角细节系数"的频率特性分 别选择相应的均值滤波模板w《 C = H,r，D ;2) 为滤波模板分别进行加窗；3) 进行滤波操作= ^ 2 /(xj)mvw(")似(W)eS其中S是以(a》为中心的邻域中点的集合，M是S内的点数，《& j^为滤波后 子带系数。附图说明图1本专利技术的总体流程图。 图2本专利技术去噪处理样图。图2(a)为去噪处理样图原图；图2(b)为样图原图加噪 图像；图2(c广(g)为使用本专利技术去噪方法去噪处理后图像，其中，(c)窗口面积为5， 加矩形窗；(d)窗口面积为5，加汉宁窗；(e)窗口面积为5，加三角窗；(f)窗口面积 为5，加海明窗；(g)窗口面积为5，加布拉克曼窗。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1层，小波基为sym8小波。 数字图像/T义，W的二维离散小波分解Mallat快速算法可用公式表示为 《(m,") = /(附，m)《+1 (附，")=Z Z2m x &—2 x /)c/Z川(附,")=J] Z V2m x g/-2 X "乂 0c^+' (w， ") = Z J] X 4-2" X C4 0 (附,")=S Z g"2m X g/-2" X C4 A 0 i /式中7为分解尺度，"J和kJ分别是低通和高通滤波器，分别为标准正交尺度函数和小波函数的双尺度方程系数。J'尺度层图像。i/经一层小波分解后的结果为低频近似 系数cAw、水平细节系数C"w、垂直细节系数cK^和对角细节系数cZ^。由小波分解的低频近似系数和三个高频细节系数可以重构出原始图像信号，重构过 程可用公式表示为上述的步骤l)中，对于水平细节系数H,、垂直细节系数W和对角细节系数D,分别采用丄1* 、丄「1 i r i il 、丄o o 1* o o作为滤波模板。本专利技术提供的，充分考虑了小波系数的层内相关 性的特点，并且以此为据提供了一种基于小波分解的多加窗模板去噪方法，达到较高的 峰值信噪比，具有更好的图像去噪效果。o o o o 1o o o 1 o0 0*100o 1 o o o1 o o o o___115、一 1 I42)为滤波模板进行加窗；为改善模板的滤波性能，对滤波模板进行加窗，这里选择矩形窗、汉宁窗、三角窗、 海明窗和布莱克曼窗。各种窗函数》^/^的特性如下-1 0 0 0 1' 0 0 0 1(式5)1 1l承 1 11 0 0 0 00 10 0 0o o r o o0 0 0 1 00 0 0 0 1ZS&—2i x V" x《+1 (t0 + ZZU x xc /)式中A"、 "w 、 「w和z^分别为低频近似系数和三个高频细节系数。这里对图像/Tx, W进行小波变换，分解到l层，分别得到低频近似系数A和高频细节系数"、K和A。2.邻域加窗滤波小波变换可以通过对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l)将A保持不变，分别根据"、K和A的频率特性选择相应的均值滤波模板，滤波后为^、《、A。其中"包含了图像信号水平方向的低频信息和垂直方向的高频信息，而高斯噪声在高频区噪声能量所占比例较大，所以选择了垂直线形滤波模板进行滤波， 如式(2)，这样既消除了垂直方向的噪声信号，又较大程度地保留了图像的边缘信息； K则包含了图像信号水平方向的高频信息和垂直方向的低频信息，因此选用了水平线形 滤波模板，如式(4);包含了对角方向的高频信息，因此采用了对角方向滤波模板，如式 (6)所示。(式2)(式3) 丄 (式4)(式1)(式6);111 I 31 31 51 5矩形窗(Rectangular Window)时域形式可以表示为v^)-^(w):fl， 0S"JV-1 0，其他频域特性为sin Isin I汉宁窗时域形式可以表示为 ) = 0.51 1 —cos| 2jt频域特性为『(")=<jo,5『s(0) + O.25r 2兀) r『。I &)--I +『。I w + -其中,K(w)为矩形窗函数的幅度频率特性函数。 三角窗三角窗是最简单的频谱函数W(e"为非负的一种窗函数。. 表示为当"为奇数时:角窗函数的时域形式可以2A:w + 12(w — A: + l)w + 1w + 1当"为偶数时—122(M —A+l) w2频域特性为W —1sin(H)、2sin海明窗函数 时域形式可以表示为w(" = 0.54— 0.46cosI 2兀W — lhi,2，…，w频域特性为，)=0.54『wO) + 0.23『。2兀 ] f 2tt --I +『J + -TV —16其中，K(w)为矩形窗函数的幅度频率特性函数。 布莱克曼窗函数 时域形式可以表示为<formula>formula see original document page 7</formula>频域特性为W<formula>formula see original document page 7</formula>其中，K—)为矩形窗函数的幅度频率特性函数。4兀、3)进行滤波操作。使用相应的滤波模板对各子带进行滤波操作。*，力=去Z /(w>vH") 《=仏「，"其中S是以(x，力为中心的邻域中点的集合，M是S内的点数，^为滤波后 子带系数。3. 图像重构将^和A、 g、 A进行重构，即可得到去噪后图像/本文档来自技高网...
【技术保护点】
一种基于邻域加窗的小波图像去噪方法，包括下列步骤： 步骤１：将含噪图像ｆ（ｘ，ｙ）经过单尺度小波变换处理，分别获得四个子带系数：低频近似系数Ａ↓［１］、水平细节系数Ｈ↓［１］、垂直细节系数Ｖ↓［１］和对角细节系数Ｄ↓［１］； 步 骤２：将Ａ↓［１］保持不变，对水平细节系数Ｈ↓［１］、垂直细节系数Ｖ↓［１］和对角细节系数Ｄ↓［１］分别采用垂直线形滤波模板、水平线形滤波模板和对角方向滤波模板进行均值滤波，滤波后为＊↓［１］、＊↓［１］、＊↓［１］； 步骤３：将Ａ↓ ［１］和去噪后的高频子带＊↓［１］、＊↓［１］、＊↓［１］进行重构，即可得到去噪后图像＊，＊＝Ａ↓［１］＋＊↓［１］＋＊↓［１］＋＊↓［１］。
【技术特征摘要】
【专利技术属性】
技术研发人员：宫霄霖，毛瑞全，刘开华，于洁潇，
申请(专利权)人：天津大学，
类型：发明
国别省市：12
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。