一种全息图像噪声抑制方法与流程

本发明涉及全息技术领域，尤其是一种全息图像噪声抑制方法。

背景技术：

全息图像大都使用高度相干激光为光源，相干激光在粗糙物体表面反射时在空间相干叠加，会在全息记录中引入很多噪声，形成了空间强度随机分布的、颗粒状的激光散斑，使图像受到污染，在全息图记录过程中，如果受到散斑噪声的影响，会造成图像分辨率下降，而且会对再现图像的效果产生影响，由此如何处理全息技术中的散斑噪声有着极为重要的意义和应用价值。处理散斑噪声的主流方法有两种，第一种方法是采用部分或低相干度的光源，这种替代依赖性较强，会降低再现图像效果；第二种方法是利用数字图像处理的方法，分别在全息图生成和再现图像过程中，对散斑噪声进行抑制，例如中值滤波、小波变换等处理方法，但是效果并不令人满意。

技术实现要素：

本发明提出的一种全息图像噪声抑制方法，该方法能够在保持图像边缘的基础上，较好地实现散斑噪声去除。

本发明的技术方案是这样实现的：

一种全息图像噪声抑制方法，其特征在于，该方法包括以下步骤：

步骤1：读入全息图像，取灰度值对数，进行均值归一化；

步骤2：对图像进行NSCT变换；

步骤3：对粗尺度下的系数利用拉普拉斯分布进行拟合，选取需要估计的参数集θ₁，对细尺度下的系数利用高斯混合模型进行拟合，并选取需要估计的参数θ₂；

步骤4：对θ₁，θ₂利用EM算法结合贝叶斯估计进行参数估计；

步骤5：对处理过后的系数进行NSCT逆变换；进行均值补偿；

步骤6：对处理过后的图像取指数得到经过NSCT统计建模处理去噪后的数字全息图。

本发明通过提供的全息图像噪声抑制方法，其有益效果在于：不但能够很好地抑制散斑噪声，还能较好地保留细节和边缘，是一种行之有效的全息图散斑去噪的预处理方法。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明全息成像系统的构架图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

全息图像经过NSCT变换之后，各子带系数中少量绝对值较大，大部分绝对值较小，在直方图分布上表现为尖锋和拖尾。为了对分解系数进行建模，首先研究NSCT方向子带的系数的分布。如图1所示，(a)为全息图，(b)为NSCT两层分解下方向系数分布直方图。不难看出，曲线随着尺度从粗到细，总体呈平坦走势。因此，利用单一的系数统计模型难以完全拟合不同尺度下的系数分布特点，本实施例针对不同尺度下NSCT系数分布特点采用不同的模型来进行系数逼近。

最大似然估计(Maximum Likelihood，ML)是一种有效的参数估计方法。但由于隐状态未知，直接根据观测数据用ML方法估计参数可以发现行不通。而期望值最大(Expectation Maximization，EM)算法是求解不完全数据参数估计的一种重要方法。基于EM的模型参数估计算法的基本流程如下：

对于粗尺度下的拉普拉斯分布模型，在粗尺度下θ₁＝{μ；δ²}

(1)选择一个初始的模型参数θ₁⁰，设置迭代计数器l＝0；

(2)计算变量联合概率分布函数f(x,θ₁^l)；

(3)计算θ₁^l+1＝argmax_θ1E_S[ln f(x,θ₁^l)]；

(4)l＝l+1。当两次迭代之间的误差小于10^-5时，终止迭代，否则转向(2)；

(5)选择一个初始的模型参数θ₂⁰，设置迭代计数器l＝0；

(6)计算变量联合概率分布函数f(x,θ₂^l)(用于计算E_S[ln f(x,θ₂^l)]；

(7)计算θ₂^l+1＝argmax_θ2E_S[ln f(x,θ₂^l)]；

(8)l＝l+1。当两次迭代之间的误差小于10^-5时，终止迭代，否则转向(6)。

该方法包括以下步骤：

步骤1：读入全息图像，取灰度值对数，进行均值归一化；

步骤2：对图像进行NSCT变换；

步骤3：对粗尺度下的系数利用拉普拉斯分布进行拟合，选取需要估计的参数集θ₁，对细尺度下的系数利用高斯混合模型进行拟合，并选取需要估计的参数θ₂；

步骤4：对θ₁，θ₂利用EM算法结合贝叶斯估计进行参数估计；

步骤5：对处理过后的系数进行NSCT逆变换；进行均值补偿；

步骤6：对处理过后的图像取指数得到经过NSCT统计建模处理去噪后的数字全息图。

针对本章提出的基于NSCT和高斯混合模型的全息图去噪，采用大量的全息图像进行了散斑抑制实验。为了验证本方法的有效性，和Lee滤波、Kuan滤波、Frost滤波及Gamma Map滤波等4种经典散斑抑制方法以及小波变换高斯混合模型方法、Contourlet域高斯混合模型方法进行了比较。测试中，NSCT变换时进行2层分解，其中尺度为1方向子带分解为8个带通方向子带，尺度为2方向子带分解为8个带通方向子带。在使用Lee、Kuan、Frost 3种经典滤波方法进行滤波时，都默认L＝1。本实施测试结果是在Core i3处理器，2G内存和Matlab 7.6.0下测得。从实验结果中可以看出，Lee滤波和Kuan滤波对散斑噪声抑制程度较差，表现为滤波后等效视数提高较少。Frost滤波抑制散斑噪声效果较好，但是对于第二幅图像，其均值偏差太大，表现为滤波后图像均值明显偏低，且Frost滤波后图像的标准差较高。3种基于不同变换域统计模型的方法中，小波域方法得到的滤波结果图像边缘模糊，Contourlet域方法和NSCT域方法得到的滤波结果从主观视觉上看区别不明显，而从表1的客观衡量指标数据中可以发现，虽然Contourlet域方法和NSCT域方法两者的均值偏差接近，但NSCT域方法在等效视数和标准差比两方面均比Contourlet域方法优越。综上所述，本实施例提出的方法综合性能最优。

表1 7种方法的客观衡量指标比较

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。