Tetrolet变换域结合PDE和GCV理论的图像去噪方法技术

本发明专利技术的目的是提供一种基于Tetrolet变换的图像去噪方法。该方法结合了偏微分方程和广义交叉验证，使图像的去噪效果更优。首先对含噪声图像进行Tetrolet变换，然后在变换域中利用GCV理论确定去噪最优阈值并进行阈值处理，再Tetrolet逆变换得到初步的去噪图像。由于Tetrolet变换会产生方块效应，所以再用PDE去噪模型平滑图像，以保持图像的边缘信息。PDE包括了PM1，PM2和TV这三种去噪模型。同时，与其他5种同类的基于多尺度变换方法的去噪结果对比，本方法去噪结果的PSNR（峰值信噪比）值较优，且图像视觉效果好，细节突出，进一步提高了去噪图像的主客观质量，为去噪后图像的后续工作起到了很大帮助。

【技术实现步骤摘要】
【专利摘要】本专利技术的目的是提供一种基于Tetrolet变换的图像去噪方法。该方法结合了偏微分方程和广义交叉验证，使图像的去噪效果更优。首先对含噪声图像进行Tetrolet变换，然后在变换域中利用GCV理论确定去噪最优阈值并进行阈值处理，再Tetrolet逆变换得到初步的去噪图像。由于Tetrolet变换会产生方块效应，所以再用PDE去噪模型平滑图像，以保持图像的边缘信息。PDE包括了PM1，PM2和TV这三种去噪模型。同时，与其他5种同类的基于多尺度变换方法的去噪结果对比，本方法去噪结果的PSNR（峰值信噪比）值较优，且图像视觉效果好，细节突出，进一步提高了去噪图像的主客观质量，为去噪后图像的后续工作起到了很大帮助。【专利说明】
本专利技术属于图像去噪领域。具体来说，涉及一种以提高由于噪声干扰的图像质量为目的的基于Tetrolet变换的图像去噪方法。
技术介绍
在视频图像的采集、处理和传输过程中常常会受到成像设备与外部环境噪声干扰等影响，导致图像质量的下降。随着小波分析理论的不断完善，小波分析在图像去噪中得到了广泛的应用。现有的小波去噪方法主要有:非线性小波变换阈值去噪法、树小波去噪法、多小波去噪法以及小波系数模型的去噪法。其中，Florian Luisier等人提出了一种基于Haar小波变换的快速算法消除图像的泊松噪声，其非冗余的尺度间小波阈值降噪方法优于最先进的多尺度方法。G.Chen等人提出了使用三尺度的双树复合小波变换法对图像去噪，具有良好的近似转换不变性和方向选择性。Tongzhou Zhao等人利用离散多小波变换对遥感图像去噪，减少了图像去噪过程中产生的光谱特性扭曲。Yanqiu Cui等人提出了一种基于马尔科夫随机场模型在小波域的贝叶斯去噪方法，提高了去噪性能，降低了计算复杂度。小波变换虽然具有多分辨率、局部性和小冗余的特点，但是不具备方向性和各向异性的特点。为了更加有效地表示和处理图像等高维空间数据，多尺度几何分析应运而生，其中Ridgelet、Curvelet、Contourlet以及Shearlet等变换在图像去噪表现出较强的潜力。Xin Wang提出了一种消除有限Randon变换缠绕效果的Ridgelet变换图像方法。AnilA Patil等人提出了一种基于局部方差估计的软阈值多分辨率图像去噪技术，利用2D快速离散 Curvelet 变换(2D Fast Discrete Curvelet Transform, 2D FDCT)提高了去噪图像的峰值信噪比(Peak Signal-to-Noise Ratio, PSNR)。Monika Godzwon 等人提出了一种基于Contourlet变换和Lee滤波器的图像去噪新方法,考虑了 Contourlet变换相邻点的不变特性，适合需要精确预处理的图像。Wang-Q Lim开发了离散Shearlet变换(DiscreteShearlet Transform, DST)，得出在去噪方面DST优于其他现有的变换方法。基于偏微分方程(Partial Differential Equations, PDE)的图像去噪方法可以实现图像的非线性去噪，在去除图像噪声的同时保留了图像的边缘等信息。虽然多尺度几何分析法对图像去噪快速有效，且能较好地保留图像的边缘及细节信息，但在图像收缩去噪的同时会存在着一定程度的Gibbs伪影。而基于TOE的方法根据图像的局部特征，各个方向采取不同程度的扩散去除噪声，具有较强的局部处理能力和方向适应性，可以有效地去除多尺度收缩去噪产生的Gibbs伪影，且很好地保持了边缘信息，但在保持纹理信息方面还有所不足。所以为了充分利用多尺度几何分析方法和基于PDE方法的去噪优势，克服各自的缺点，近年来很多学者尝试将多尺度几何分析方法与PDE相结合用于图像去噪。如Hongzhi Wang等人提出了一种基于Curvelet变换和全变差(Total Variation, TV)的去除图像高斯白噪声算法，获得了优于Curvelet变换的视觉质量和PSNR值。Weibin Zhang等人提出了一种结合自然Curvelet收缩与非线性各向异性扩散方程的去噪方法，图像去噪的性能优良。JIA Dong-xiao等人根据水下图像的特点,提出了一种基于非抽样的Contourlet变换(Nonsubsampled Contourlet Transform, NSCT)结合自适应的 TV 模型(AdaptiveTotal Variation, ATV)的算法对水下图像去噪，去噪的同时还很好地保留了目标的边缘和纹理特征。Li Ca1-1ian等人提出了一种利用PDE的Tetrolet变换图像去噪方法,减少了方块效应，更多地保留了图像的边缘和细节等局部特征。Ying Li等人提出了一种结合改进的全变差的Shearlet收缩去噪方法，保留了图像的边缘纹理，提高了图像的保真度。Jens Krommweh于2009年提出了 Tetrolet变换，它是一种新的稀疏图像表示的自适应Haar小波变换,理论简单有效。Tetrolet变换兼顾了 Curvelet等新方法的优点，能很好地表示图像几何结构特性，稀疏化程度非常高，系数能量非常集中，因而去噪能力强。缺点是对于图像纹理和细节比较丰富的图像，去噪后图像存在方块效应，视觉效果有待提高。此外，在去噪过程中常用的几种阈值选取方法都依赖于先验的噪声方差，但在实际去噪问题中噪声的确切统计特性一般都是未知的，广义交叉验证(Generalized CrossValidation, GCV)方法能解决这个问题。GCV已被证明是一个估计最优值的有效统计方法，能在只有输入数据却不知噪声方差的情况下求得去噪的(渐近)最优阈值，被广泛地应用到图像处理中。因此，本专利技术用PDE来改善Tetrolet变换后的去噪图像质量，并提出了采用GCV算法来确定各级尺度上的最优阈值。
技术实现思路
本专利技术的目的是提供一种基于Tetrolet变换的图像去噪方法。该方法结合了 I3DE和GCV，使图像的去噪效果更优。首先对含噪声图像进行Tetrolet变换，然后在变换域中利用GCV理论确定去噪最优阈值并进行阈值处理，再Tetrolet逆变换得到初步的去噪图像。由于Tetrolet变换会产生方块效应，所以再用PDE去噪模型平滑图像，以保持图像的边缘信息。PDE包括了 PM1，PM2和TV这三种去噪模型，其中应用PMl去噪模型的综合去噪效果最优，尤其是在噪声强度较大时，能更多地保留原始图像的边缘和细节等局部特征。该方法为去噪后图像的后续工作起到了很大帮助。为了达到所述目的，本专利技术，具体步骤如下:步骤I对加噪图像U。进行Tetrolet变换，得到低频系数、高频系数和覆盖分布矩阵；步骤2保留其低频系数和覆盖分布矩阵，而高频系数根据其各部分系数的分布特点，利用GCV函数，自适应地确定各自的最优去噪阈值并进行阈值处理；步骤3Tetrolet逆变换得到初步的去噪图像Uc ；步骤4对初步去噪图像和加噪图像作差,差值A u = Utl-Uc;进行PDE处理,得A u’ ；步骤5使u’ = uc+ A u’，若u’满足迭代终止条件，则终止PDE处理，输出去噪图像为U本文档来自技高网...

【技术保护点】
Tetrolet变换域结合PDE和GCV理论的图像去噪方法，其特征在于：首先对含噪声图像进行Tetrolet变换，然后在变换域中利用GCV理论确定去噪的最优阈值并进行阈值处理，再Tetrolet逆变换得到初步的去噪图像，最后用PDE去噪模型平滑图像，以保持较好的图像边缘信息，具体包括以下步骤：步骤1对加噪图像u0进行Tetrolet变换，得到低频系数、高频系数和覆盖分布矩阵；步骤2保留其低频系数和覆盖分布矩阵，而高频系数根据其各部分系数的分布特点，利用GCV函数，自适应地确定各自的最优去噪阈值并进行阈值处理；步骤3Tetrolet逆变换得到初步的去噪图像uc；步骤4对初步去噪图像和加噪图像作差，差值Δu＝u0‑uc进行PDE处理，得Δu'；步骤5使u'＝uc+Δu'，若u'满足迭代终止条件，则终止PDE处理，输出去噪图像为u'；否则使u0＝u'，继续上一步的对差值作PDE处理，直到符合终止条件为止。

【技术特征摘要】

【专利技术属性】
技术研发人员：张长江，陈源，
申请(专利权)人：浙江师范大学，
类型：发明
国别省市：浙江;33