基于变换系数统计特性的图像去噪方法
【专利摘要】本发明公开了一基于变换系数统计特性的图像去噪方法，提取含噪图像在非下采样Contourlet分解后的高频子带，利用Weibull分布刻画系数大小的统计特性，并结合平均圆锥比率进行建模，通过新型HMT充分利用非下采样Contourlet子带间的三种关系，对高频子带进行去噪处理。由于结合Weibull分布能更加准确的描述变换系数的统计特性，同时还利用了平均圆锥比率的联合测量作为隐状态以及利用系数尺度间、尺度内、方向间多种关系建立新型HMT，因此本发明能够更好的识别信息和噪声，明显地改善和提高了图像的视觉效果。
【专利说明】基于变换系数统计特性的图像去噪方法
【技术领域】
[0001] 本发明属于图像处理领域，尤其是一种去噪时间合理、去噪效果理想的基于变换 系数统计特性的图像去噪方法。
【背景技术】
[0002] 图像在传输和获取的过程中经常会受到各种噪声的污染，例如光学图像中的高斯 白噪声等。噪声的存在将大大降低原图像的分辨率，从而严重影响后续的高级图像处理，如 图像配准、图像分割、目标分类等。由此图像去噪始终是计算机视觉与图像处理领域的研究 重点，并已成为国际学术界研究的一个热点。
[0003] 图像去噪是将含有噪声干扰的图像进行一系列的分解变换后进行去噪处理，之后 对去噪后的子带进行重构即可得到去掉噪声后的图像，经过去噪处理后的图像即可较为清 晰呈现原有图像的本质特征。近年来，图像去噪技术研究取得了很大进展，并陆续提出了一 系列优秀的图像去噪方法，人们习惯上将其划分为双边滤波、非局部均值、条件随机场、各 向异性扩散和统计模型方法等。但遗憾的是，现有的去噪方法仍存在很多难以克服的问题， 例如双边滤波法不能处理Speckle噪声，并且常常使图像过于平滑；非局部均值法有两大 缺陷：第一，客观质量和视觉效果比其他去噪方法更差；第二，相对于其它去噪算法计算复 杂度为J，非局部算法的计算复杂度为〇(Z)，其中η为图像的大小；条件随机场法也有 两大缺陷：第一，条件随机场的能量函数计算必须是可行的，但是，在真实世界中，为大部分 能量函数找到全局最小值是一个NP难题；第二，很难在期望的解决方案中找到拥有全局最 小值的能量函数；各向异性扩散法过于平滑图像且边界过于尖锐，以至于丧失了很多纹理 信息。
【发明内容】
[0004] 本发明针对现有技术所存在的上述技术问题，提供一种去噪时间合理、去噪效果 理想的基于变换系数统计特性的图像去噪方法。
[0005] 本发明的技术方案是：一种基于变换系数统计特性的图像去噪方法，其特征在于 按如下步骤进行： 步骤1 :将含有噪声的预处理图像，进行非下采样Contourlet分解变换，得到一个低频 子带和若干个高频子带； 步骤2 :使用二阶和四阶累积量知识，估计高频子带的Weibull参数； 步骤3 :计算出系数大小的条件概率密度和系数尺度间平均圆锥比率的概率密度，并 获得两者的联合条件概率密度； 步骤4 :构建HMT树，拓展HMT树为多叉树，建立融合尺度间、尺度内、方向间多种关系 的HMT模型，使用步骤3的联合概率密度进行训练，获得模型参数； 步骤5 :使用贝叶斯去噪得到无噪系数，对去噪后系数进行非下采样Contourlet变换， 获得无噪图像。
[0006] 所述步骤1如下： 步骤11:分解变换采用的分解参数为[2 2 3 3]，即高频子带分解为四个尺度，第一， 二尺度分别为8个方向，第三，四个尺度分别为4个方向； 步骤12 :对原始图像进行非下采样Contourlet分解变换，得到若干个高频子带系数和 一个低频子带系数。
[0007] 所述步骤2如下： 步骤21 :含噪图像经过非下采样Contourlet分解变换后，高频子带系数的统计分布符 合参数为Θ= {γ:C1,丨的Weibull模型； 步骤22 :当有高斯噪声覆盖在原始图像上，即含噪图像，经过非下采样Contourlet分 解变换后，其高频子带系数的高阶统计特性并不会改变，使用二阶累积量和四阶累积量估 计高频子带系数的weibull分布参数PWPCf,其中= 是形状参数，Cf是 尺度参数，估计方法如下：
【权利要求】
1. 一种基于变换系数统计特性的图像去噪方法，其特征在于按如下步骤进行： 步骤1 :将含有噪声的预处理图像，进行非下采样Contourlet分解变换，得到一个低频 子带和若干个高频子带； 步骤2 :使用二阶和四阶累积量知识，估计高频子带的Weibull参数； 步骤3 :计算出系数大小的条件概率密度和系数尺度间平均圆锥比率的概率密度，并 获得两者的联合条件概率密度； 步骤4 :构建HMT树，拓展HMT树为多叉树，建立融合尺度间、尺度内、方向间多种关系 的HMT模型，使用步骤3的联合概率密度进行训练，获得模型参数； 步骤5 :使用贝叶斯去噪得到无噪系数，对去噪后系数进行非下采样Contourlet变换， 获得无噪图像。
2. 根据权利要求1所述的基于变换系数统计特性的图像去噪方法，其特征在于所述步 骤1如下： 步骤11:分解变换采用的分解参数为[2 2 3 3]，即高频子带分解为四个尺度，第一， 二尺度分别为8个方向，第三，四个尺度分别为4个方向； 步骤12 :对原始图像进行非下采样Contourlet分解变换，得到若干个高频子带和一个 低频子带。
3. 根据权利要求2所述的基于变换系数统计特性的图像去噪方法，其特征在于所述步 骤2如下： 步骤21 :含噪图像经过非下采样Contourlet分解变换后，高频子带系数的统计分布符 合参数为? = 丨的Weibull模型； 步骤22 :使用二阶累积量和四阶累积量估计高频子带系数的weibull分布参数和
其中，<是二阶中心矩，由4是四阶中心矩，A是子带系数的总数，乞是二阶累积量，￡-4 是四阶累积量，是噪声方差，是含噪系数协方差，是噪声系数协方差，dx是无噪系 数协方差； 步骤23 :通过步骤22可以得到r的无偏估计：
其中，JH是噪声方差，令￡i:z| =r，可以估i叶
C采用最大似然估讨 J
4. 根据权利要求3所述的基于变换系数统计特性的图像去噪方法，其特征在于所述步
步骤52 :获得不含噪声图像对f进行非下采样Contourlet逆变换，得到不含噪声图 像。
【文档编号】G06T5/00GK104484863SQ201410844888
【公开日】2015年4月1日 申请日期:2014年12月31日 优先权日:2014年12月31日
【发明者】王向阳, 张娜, 牛盼盼 申请人:辽宁师范大学