【技术实现步骤摘要】
基于自适应维纳滤波和2D
‑
VMD的声呐图像去噪方法及设备
[0001]本专利技术属于声呐图像去噪
,具体涉及一种基于自适应维纳滤波和2D
‑
VMD(二维变分模态分解)的声呐图像去噪方法及设备。
技术介绍
[0002]声呐是反馈海洋信息的最主要方式,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所受的噪声干扰远比光学图像更严重,通常包含着各种类型的噪声,主要表现为颗粒状的斑点。斑点噪声是乘性噪声,因此导致图像模糊,边缘细节丢失等问题,图像质量严重下降,对后续的图像分割,图像识别等产生不利影响。近几年对于声呐图像去噪处理常使用的算法有:小波变换、脊波变换和曲波变换等,小波去噪并不能很好的得到边缘及轮廓特征;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,导致细节特征丢失;曲波变换结构复杂,运算量大。综上所述,这些方法存在去噪时图像边缘及细节特征无法得到准确捕捉,去噪效率低,而且去噪效果差的问题。
[0003]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、提高边缘及细节特征保持能力,同时提高去噪的效率是目前亟需解决的问题。
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边缘及细节特征保持能力差、去噪效率低以及去噪效果差的问题,而提出的一种基于自适应维纳滤波和2D
‑
VMD的声呐图像去噪方法。
[0005]本专利技术为解决上述技术问题所采取的技术方
【技术保护点】
【技术特征摘要】
1.基于自适应维纳滤波和2D
‑
VMD的声呐图像去噪方法,其特征在于,所述方法具体包括以下步骤:步骤一、对采集的原始声呐图像进行模态分解,将原始声呐图像分解为K个模态分量;步骤二、从步骤一中获得的K个模态分量中筛选出有效模态分量;步骤三、对步骤二中筛选出的有效模态分量进行滤波处理,得到滤波后的有效模态分量;步骤四、将滤波后的有效模态分量重构得到去噪后的声呐图像。2.根据权利要求1所述的基于自适应维纳滤波和2D
‑
VMD的声呐图像去噪方法,其特征在于,所述对采集的原始声呐图像进行模态分解采用的是2D
‑
VMD,分解得到的K个模态分量的中心频率各不相同。3.根据权利要求1所述的基于自适应维纳滤波和2D
‑
VMD的声呐图像去噪方法,其特征在于,所述步骤二的具体过程为:步骤二一、对于任一模态分量,将该模态分量对应的灰度图像记为图像A,将原始声呐图像对应的灰度图像记为图像B;步骤二二、计算图像A与图像B的相似系数:其中,A
mn
代表图像A中第m行第n列像素的灰度值,B
mn
代表图像B中第m行第n列像素的灰度值,m=1,2,
…
,M,n=1,2,
…
,N,M代表图像A的宽度,N代表图像A的高度,代表图像A中的像素灰度的平均值,代表图像B中的像素灰度的平均值,CC为图像A与图像B的相关系数;步骤二三、计算图像A与图像B的结构相似性;步骤二三一、图像A与图像B的亮度关系L(X,Y)为:其中,μ
X
为图像A中像素亮度的平均值,μ
Y
为图像B中像素亮度的平均值,C1为常数;步骤二三二、图像A与图像B的对比度关系C(X,Y)为:其中,C2为常数,σ
X
为图像A像素的标准差,σ
Y
为图像B像素的标准差,σ
XY
为图像A和图像B之间的互协方差;步骤二三三、图像A与图像B的结构关系S(X,Y)为:其中,C3为常数;
步骤二三四、则图像A与图像B的结构相似性SSIM(X,Y)为:SSIM(X,Y)=[L(X,Y)]
·
[C(X,Y)]
·
[S(X,Y)]步骤二四、对于步骤一中获得的每个模态分量,均执行步骤二一至步骤二三的过程;步骤二五、根据计算出的相似系数和结构相似性,从步骤一中获得的K个模态分量中选择出1个有效模态分量;所述有效模态分量满足:有效模态分量对应的相似系数大于其它任意一个模态分量对应的相似系数,且有效模态分量对应的结构相似性大于其它任意一个模态分量对应的结构相似性。4.根据权利要求1所述的基于自适应维纳滤波和2D
‑
VMD的声呐图像去噪方法,其特征在于,所述步骤二的具体过程为:步骤二一、对于任一模态分量,将该模态分量所对应的灰度图像记为图像A,将原始声呐图像对应的灰度图像记为图像B;呐图像对应的灰度图像记为图像B;其中,A
mn
是图像A中第m行第n列像素的灰度值,B
mn
是图像B中第m行第n列像素的灰度值,M是图像A的宽度,N是图像A的高度,||
·
||代表2范数,PSNR是峰值信噪比;步骤二二、对于步骤一中获得的每个模态分量,均执行步骤二一的过程;步骤二三、根据每个模态分量对应的峰值信噪比,从步骤一中获得的K个模态分量中选择出1个有效模态分量;所述有效模态分量满足:有效模态分量对应的峰值信噪比大于其它任意一个模态分量对应的峰值信噪比。5.根据权利要求1所述的基于自适应维纳滤波和2D
‑
VMD的声呐图像去噪方法,其特征在于,所述步骤二的具体过程为:步骤二一、对于任一模态分量,将该模态分量所对应的灰度图像记为图像A,将原始声呐图像对应的灰度图像记为图像B;其中,EPI代表边缘保持指数,A
m,n
代表图像A中第m行第n列像素的灰度值,A
(m
‑
1,n
‑
1)
代表图像A中第m
‑
1行第n
‑
1列像素的灰度值,A
(m
‑
1,n)
代表图像A中第m
‑
1行第n列像素的灰度值,A
(m
‑
1,n+1)
代表图像A中第m
‑
1行第n+1列像素的...
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。