本发明专利技术公开了基于多元统计模型的分形小波自适应图像去噪方法，包括以下步骤：步骤1：对含噪图像进行同态变换；通过同态变换，含乘性噪声的原图像IB转换为只含加性噪声的图像IB′；步骤2：先对含噪信号f(k)进行分形小波变换，选择小波基和小波分解层数j，得到相应的小波系数和步骤3：选择MGGD多元统计模型自适应求解参数α和β；在对自然图像的小波系数分布情况进行分析后，获得最适合的参数值α和β；步骤4：对分解得到的小波系数和利用分形小波编码方法对噪声图像进行无噪预测编码；步骤5：利用和进行小波重构，得到估计信号和即为去噪后的图像信号。与其它算法相比较，具有更好的去噪效果和更强的边缘保持能力，特别适用于消除高斯和脉冲混合噪声。
【技术实现步骤摘要】
本专利技术涉及 图像处理
，尤其涉及的是。
技术介绍
由于图像信号在获取、传输和存储过程中，不可避免地受到噪声的干扰，噪声降低了图像质量，淹没了图像的边缘和细节特征，给图像分析和后续处理带来困难。图像噪声的消除是图像处理中的一个重要研究内容，能否有效地滤除噪声直接影响着图像处理后续工作的进行。在进一步进行边缘检测、图像分割、特征提取和模式识别等处理之前，采用适当的方法去除噪声是一个非常重要的预处理步骤。如何在有效去除噪声的同时保持图像细节的清晰度和图像的对比度成了人们研究的热点。传统的图像去噪算法是根据图像频谱分布规律，从频率上将图像中的有用信息与噪声分开，例如小波方法去噪。这些方法一般认为噪声的能量集中于图像的高频部分，而图像的有用信息的频谱则分布于图像低频部分的一个有限区域内。然而，在许多情况下，图像的有用信息中也有分布于图像的高频部分的，例如图像边缘，所以采用这些方法在去除噪声的同时也损失了部分有用信息，即缺乏特征保持性。一些改进方法采用了如Contourlet等其它变换代替小波变换，取得了更好的效果，但其基本假设不变。而噪声在图像的低频部分也有一定的分量，简单地滤除图像的高频成分无法去除这部分噪声分量，即没有有效地将图像有用信息与噪声数据区分开来。如中值滤波去噪是对图像中所有的像素进行滤波，改变了图像中未被脉冲噪声污染的像素点，所以在有效滤除脉冲噪声的同时，会出现对图像的边缘细节和纹理部分过度平滑，造成去噪后的图像清晰度较低。中值滤波算法在去除噪声时仅考虑了邻域内像素的排序信息，忽略了像素的时序信息，因此会在边缘处产生抖动并会删除一些重要的图像细节。空域去噪中的高斯滤波能有效地去除图像平滑区域的噪声，但由于高斯滤波器是各向同性的，对边缘和细节不加区分，因此该方法容易造成图像边缘和细节模糊。采用软阈值去噪时很难确定一种对所有图像都适用的阈值选取方法，且容易产生图像的伪吉普斯现象。近年来很多研究工作集中于保留图像细节上，但大多方法仍然假设图像分段平滑，这样虽然能保留边缘信息，但对纹理细节的保留贡献不大。如TV及其改进算法通过最小化图像全变分得到分段平滑图像。现有的算法通常将图像各部分分为平滑与边缘两种模式，通过滤除平滑模式图像中的高频分量进行去噪，既将其处理为理想的平滑模式。当图像含有纹理时，纹理也会被当作以上两种模式处理，所以会损失部分细节信息。为了保留图像的纹理信息，一些学者提出了针对纹理自相似性的图像去噪方法。如分形小波去噪算法利用图像分形小波变换中块自相似性来调整尺度因子。通过分形小波预测编码来达到图像去噪的目的。虽然该方法能取得比较良好的去噪效果，但是该方法在图像去噪过程中边缘细节的保持方面还有待于加强。非局部均值方法通过假设相邻区域具有自相似性，搜索领域内的相似图像区域并进行加权平均实现图像去噪。基于混合线性模型的去噪方法不假设图像分段平滑，仅假设图像具有自相似性，利用图像的相似性区分图像信号与噪声。通用离散图像去噪算法假设图像具有平稳分布，用非参数估计方法统计图像块的分布，再用最小代价准则来实现图像去噪。静态小波变换(SWT)利用时间不变性来实现图像去噪。基于TOE的非线性扩散滤波方法(P-M)是一种非线性的各向异性去噪方法，各向异性的去噪模型根据图像的梯度值确定扩散的速度，能够兼顾噪声消除和边缘保持两方面的要求。尽管P-M方法在抑制噪声与保留图像重要特征方面取得了一定的效果，但却表现出病态且不稳定。参考文献 A. Pizurica,W. Philips. Estimating the probability ofthe presence of asignal of interest in multiresolution single andmultiband image denoising.IEEE Trans. Image Proces.，2006，15 (3) :654-665.A. Chambolle，R. A. DeVore, N. Lee，et al. Nonlinear wavelet imageprocessing :variational problems compression andnoise removal through waveletshrinkage. IEEE Trans. Image Process.，1998，7(3) :319-335. S. G. Chang, B. Yu, M. Vetterli. Adaptive wavelet thresholding for imagedenoising and compression. IEEE Trans. Image Process.，2000，9 (9) :1532-1546.I. Johnstone, B. Silverman. Empirical Bayes selection ofwaveletthresholds, Ann.Stat.，2005，33(4) :1700-1752.H. Othman, S. E. Qian. Noise reduction of hyperspectral imagery usinghyb rid spatial-spectral derivative-domain waveletshrinkage. IEEE Trans.Geosci. Remote，2006，44 (2) :397-408.Z. F. Zhou, P. L. Shui. Contourlet based image denoising algorithm usingdirectional windows. Electronics Letters，2007，43(2) :92-93.T.C. Lin. A new adaptive center weighted median filter for suppressingimpulsive noise in images · InformationSciences，2007，177 (4) :1073-1087. S. Q. Yuan, Y. H. Tan. The solutions of equation based noise detector foran adaptive median filter · Pattern Recognition，2006，39 (11) :2252-2257.S. M. Mahbubur Rahman,Md. KamruI Hasan,Wavelet-domain iterative centerweighted median filter for imagedenoising. Signal Processing，2003，83 (5)1001-1012.K. R. Castleman. Digital image processing. New Jersey Prentice-Hall,1979.K. Q. Huang, Z. Y. Wu, G. S. K. Fung, et al. Color image denoising withwavelet thresholdin本文档来自技高网...
【技术保护点】
一种基于多元统计模型的分形小波自适应图像去噪方法，其特征在于，包括以下步骤：步骤1：对含噪图像进行同态变换；通过同态变换，含乘性噪声的原图像IB转换为只含加性噪声的图像IB′；步骤2：先对含噪信号f(k)进行分形小波变换，选择小波基和小波分解层数j，得到相应的小波系数和步骤3：选择MGGD多元统计模型自适应求解参数α和β；在对自然图像的小波系数分布情况进行分析后，获得最适合的参数值α和β；步骤4：对分解得到的小波系数和利用分形小波编码方法对噪声图像进行无噪预测编码；步骤5：利用和进行小波重构，得到估计信号和即为去噪后的图像信号。FSA00000804297600011.tif,FSA00000804297600012.tif,FSA00000804297600013.tif,FSA00000804297600014.tif,FSA00000804297600015.tif,FSA00000804297600016.tif,FSA00000804297600017.tif,FSA00000804297600018.tif
【技术特征摘要】
【专利技术属性】
技术研发人员：王智文，刘美珍，夏冬雪，唐新来，阳树洪，罗功坤，蔡启先，刘智，徐奕奕，
申请(专利权)人：广西工学院，
类型：发明
国别省市：
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。