專利名稱：一種改進的小波ica去噪方法
技術領域：
本發(fā)明涉及圖像去噪技術領域，具體地講，涉及一種改進的小波ICA去噪方法。
背景技術：
目前比較流行的低通濾波器方法主要通過平滑方法達到去噪的目的，而平滑方法會造成目標邊緣模糊現(xiàn)象。在這些方法中，基于傅立葉變換的去噪方法主要工作在頻域，基于小波變換的方法在頻率和空間域上都有應用，但這兩種方法的數(shù)據(jù)都不具備適應性。而在圖像去噪過程中，如果濾波方法的數(shù)據(jù)具有適應性，會產生比較準確的結果，這主要是因為圖像的去噪算法依賴于含噪圖像的類型，因此算法的數(shù)據(jù)適應性在圖像去噪中起到關鍵作用，而ICA方法恰恰具備數(shù)據(jù)適應性的本質特點。在武器系統(tǒng)中，光學設備獲取的圖像通常被白高斯噪聲污染，這是不同的圖像捕捉方法造成的，該噪聲包含了可見光波段的所有頻率成分。如何用ICA方法來消除比較復雜的噪聲是目前研究界重點研究的問題，通常是對圖像噪聲的數(shù)量進行定量測量，先假設噪聲圖像的在特定范圍內的變化已知，或通過不同的計算方法和優(yōu)化方法得到。去噪算法通常對噪聲的數(shù)量以及圖像采樣窗口的大小依賴性較強。如果采樣窗口大，計算復雜度增加，算法的實施比較困難；反之，如果采樣窗口較小，計算復雜度會降低，算法比較容易實現(xiàn)。同時，采樣窗口的大小也會影響處理過程中引入的噪聲數(shù)量。雖然大部份的算法也比較去噪前后的圖像均方差BP以及信噪比SNR，但與視覺質量相比，這些定量計算的直觀性要差一些。目前比較流行的ICA方法主要包括以下幾種:(I)適應性PCA方法主成份分析是線性數(shù)據(jù)適應變換技術，大家比較熟悉的是Hotelling變換。假定數(shù)據(jù)的維數(shù)為m，變換子空間的維數(shù)為n，則需要確定正交向量Wi，(i = l，2，3-，n)。首先在上一步發(fā)現(xiàn)的方向上進行正交，然后找到數(shù)據(jù)最大差異的方向，再進行優(yōu)化獲得主成份，其數(shù)學表達式為:Wi = arg InaxwiE {(Wi1X)2} (I)最大差異查找的限制條件為:Wi1Wj = 0，j〈I (2)|wj |=1 (3)通過計算相關矩陣Cx=E {x XtI的特征向量來查找主成份方向矢量，該矩陣降低了相應特征值的序數(shù)，在這里特征值為特征向量方向上的差異。特征向量Xi表示為入！= E {(Wi1X)2} (4)通過得到的主成份向量Wi構造矩陣W，則向量WiT為矩陣W的第i行，此時PCA變換矩陣為W。該變換可以通過現(xiàn)成的應用軟件如計算無關向量、主成份降維等完成，從而作為ICA方法的預處理?？蛇m應PCA技術主要用來產生2D的基集，其內的向量沿著邊而不與其相交。選擇2D局部可適應性基集，2D基函數(shù)通過主成分方法在采樣窗口中產生，最大的特征向量在局部圖像的邊緣方向產生，通過局部適應主成份分析技術，經系數(shù)閾值過濾后，再進行逆變換重構降維后的圖像。在圖像的不同位置，局部基主成分需要重新計算。處理時首先估計圖像中存在的噪聲，噪聲圖像表示為:Y = X + η (5)其中，Y是噪聲圖像觀察數(shù)據(jù)，X為去噪后圖像或者來源圖像，η為圖像存在的噪聲，通常為零均值和方差為σ的白高斯噪聲，圖像被分割成重疊的塊，每個塊都包含訓練域，去噪后的域和重疊域如

圖1所示。Y的主要成份是局部適應基函數(shù)，Y是由局部噪聲圖像塊組成的觀測圖像塊，圖像塊的大小是M像素，即1=1，2，……Μ，矩陣Y中列數(shù)為ΜΧΜ，矩陣Y的整體維數(shù)為M2XN, N為塊的數(shù)量，主成份系數(shù)方差通過最大相似估計方法來計算。基降維比小波降維更高效，在可見光圖像中，算法擁有固定的轉換模式，若去噪幅度過大，即使用改善的PSNR算法，去噪后的圖像包含的噪聲也非常明顯。為了使噪聲在不同的區(qū)域均勻分布，通常使用重疊域進行處理。表I顯示四種方法在噪聲方差σ =50、25以及15時對四幅測試圖像的效果。表I不同噪聲方差的PSNR (dB)的比較
權利要求
1.一種改進的小波ICA去噪方法，其特征在于，包括如下步驟: (1)對含噪聲圖像進行小波降維； (2)對小波降維后的圖像進行小波ICA調整。
2.根據(jù)權利要求1所述改進的小波ICA去噪方法，其特征在于，所述步驟(I)包括如下步驟: (1.1)將含噪圖像標準化后進行輸入； (1.2)確定分解的層次η，η取自然數(shù)； (1.3)使用Morlet小波對輸入的含噪圖像進行η層分解； (1.4)對Morlet小波分解后的系數(shù)進行量化。
3.根據(jù)權利要求1所述改進的小波ICA去噪方法，其特征在于，所述步驟(2)包括如下步驟: (2.1)將小波系數(shù)進行線性變換，得到具有單位方差且線性無關的矩陣； (2.2)設置相關矩陣V; (2.3)計算正交矩陣B，得出代價函數(shù)的極大極小值； (2.4) 一維小波重構，通過低頻與高頻的小波系數(shù)對圖像進行重構。
全文摘要
本發(fā)明公開了一種改進的小波ICA去噪方法，其特征在于，包括如下步驟(1)對含噪聲圖像進行小波降維；(2)對小波降維后的圖像進行小波ICA調整。本發(fā)明提出了一種改進的小波ICA濾波器，從圖像源中將噪聲與信號分離，該方法使用小波降維，通過ICA規(guī)范化降維后的信號，從而發(fā)現(xiàn)獨立噪聲特征，使用Morlet小波來解決非正交問題，并通過實驗與PCA方法進行了對比，驗證了該方法的效率。結果顯示該方法降噪效果較PCA方法有大幅提高。
文檔編號G06T5/00GK103150706SQ20131000189
公開日2013年6月12日 申請日期2013年1月5日 優(yōu)先權日2013年1月5日
發(fā)明者劉惠山, 路孝君, 陳懷友 申請人:山東華戎信息產業(yè)有限公司