一種基于多元統(tǒng)計模型的分形小波自適應(yīng)圖像去噪方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及視頻處理技術(shù)領(lǐng)域，具體地，涉及一種基于多元統(tǒng)計模型的分形小波 自適應(yīng)圖像去噪方法。
【背景技術(shù)】
[0002] 足球比賽視頻中的行為識別是人工智能的前沿研宄方向，該方面的研宄具有重大 的經(jīng)濟意義和社會價值。
[0003] 足球比賽視頻中的多運動員行為識別的研宄現(xiàn)狀及存在的問題
[0004] 足球比賽視頻中的多運動員行為識別涉及特征提取、目標跟蹤與檢測、行為表示、 分類器的構(gòu)建及行為識別等具體研宄內(nèi)容。
[0005] 目標跟蹤與檢測技術(shù)的研宄
[0006] 足球比賽視頻中的多運動員行為識別過程中的目標跟蹤與檢測主要是對運動員 及球的跟蹤與檢測，屬于多目標跟蹤與檢測范疇。
[0007] 1. 2. 1. 1多運動員跟蹤與檢測技術(shù)的研宄
[0008] 過去20多年，多目標跟蹤與檢測問題得到了廣泛研宄，提出了許多目標檢測與跟 蹤算法，但是對學(xué)習(xí)和識別框架中的整個球隊的行為模式的跟蹤與檢測方面的研宄很少。 這些算法可以概括為四大類：①基于特征的；②基于模型的；③基于運動的；④基于數(shù)據(jù)關(guān) 聯(lián)的算法。表1. 1總結(jié)了從2000年1月到2011年12月為止的一些重要期刊和會議上發(fā) 表的有關(guān)行為跟蹤和識別使用特征統(tǒng)計。
[0009] 表1. 1人體行為識別使用特征統(tǒng)計分析（％ )
[0010]
【主權(quán)項】
1. 一種基于多元統(tǒng)計模型的分形小波自適應(yīng)圖像去噪方法，其特征在于，包括： a、 通過選用擴展的GGD模型MGGD模型建立的多元統(tǒng)計模型，利用分形小波變換，完成 圖像去噪； b、 通過最小化殘差&得到最接近仍(幻的朽(幻及自適應(yīng)調(diào)整參數(shù)《和后； c、 通過使用四叉樹分割，實現(xiàn)對噪聲圖像自適應(yīng)地預(yù)測分形小波無噪圖像編碼，達到 去噪目的。
2. 根據(jù)權(quán)利要求1所述的基于多元統(tǒng)計模型的分形小波自適應(yīng)圖像去噪方法，其特征 在于，所述步驟a，具體包括： ⑴多元統(tǒng)計模型的貝葉斯估計，設(shè)14為不帶噪聲自然圖像，IB為帶噪聲圖像，它們之間 的關(guān)系用式（2-14)來表示： IB=IA+〇C (2-14) 其中，C表示零均值高斯白噪聲，C~N(0, 1) ; 〇 2表示噪聲方差； ⑵對噪聲圖像、進行多分辨率分形小波分解后得到第j層第i個水平小波系數(shù) 垂直小波系數(shù)；^和對角小波系數(shù)由小波變換的線性關(guān)系，得出：
其中，<\ 4和<;分別表示圖像IA的水平、垂直和對角小波系數(shù)；心和 分別表示噪聲C的水平、垂直和對角小波系數(shù)。
3. 根據(jù)權(quán)利要求1或2所述的基于多元統(tǒng)計模型的分形小波自適應(yīng)圖像去噪方法，其 特征在于，所述步驟b，具體包括： ⑴設(shè)無是一個d維小波系數(shù)向量，7 = ;其中Xl是在圖像去噪過程中必須 考慮的小波系數(shù)，（x2，…，xd)是在圖像去噪過程中加予考慮的相關(guān)小波系數(shù)； 用單下標小波系數(shù)xk，yk，zk分別取代
和 (>，噪聲圖像和噪聲對應(yīng)的小波系數(shù)向量分別為和^則有：
⑵|的估計值的計算依賴于噪聲圖像、所對應(yīng)的小波系數(shù)向量y'，利用最大后驗概率MAP算子最大化概率/;(.7 |刃來估計i，通過（2-17)來計算：
式（2-17)中扒刃是一個已知常量；則在最小概率誤差下，通過扒刃幻和戶(幻估計i的最佳值。
4.根據(jù)權(quán)利要求3所述的基于多元統(tǒng)計模型的分形小波自適應(yīng)圖像去噪方法，其特征 在于，所述通過M刃幻和扒幻估計f的最佳值的操作，進一步包括： 首先，由于高斯噪聲的每個向量是獨立且相等分布的，乃滿足多元高斯分布
>因此，lnp〇5|f)通過（2-18)來計算：
其次，為M.7)建立合適的統(tǒng)計模型，選用擴展的GGD模型的MGGD模型表示為：
其中，a和0為模型的球形參數(shù)；v是a、0和協(xié)方差矩陣
的歸一化常數(shù)； 如果把式（2-17)中的In定義為未知函數(shù)/(幻，則由（2-17)和（2-18)得到：
其中，八幻為方括號內(nèi)的部分；假設(shè)F(幻連續(xù)、可微，如果存在$滿足
則最大化F(f)改由（2-21)來計算。
最后，利用（2-21)對（2-20)進行化簡得到：
這樣，假設(shè)U=〇,利用MGGD模型得出（2-22)的更明確的計算為：
由（2-22)和（2-23)得到：
通過定義a、0及協(xié)方差矩陣
為預(yù)設(shè)的特殊值或數(shù)值，求解（2-24);采用最小二 乘法來自適應(yīng)求解參數(shù)a和]3。
5. 根據(jù)權(quán)利要求1或2所述的基于多元統(tǒng)計模型的分形小波自適應(yīng)圖像去噪方法，其 特征在于，所述步驟c，具體包括： Step1 :對含噪圖像進行同態(tài)變換，通過同態(tài)變換，含乘性噪聲的原圖像IB轉(zhuǎn)換為只含 加性噪聲的圖像IB' ； Step2 :先對含噪信號f(k)進行分形小波變換，選擇合適的小波基和小波分解層數(shù)j， 得到相應(yīng)的小波系數(shù)； Step3:選擇MGGD多元統(tǒng)計模型自適應(yīng)求解參數(shù)a和0 ;在對自然圖像的小波系數(shù) 分布情況進行分析后，獲得最適合的參數(shù)值a和0 ; Step4 :對分解得到的小波系數(shù)f和旁，利用分形小波編碼方法對噪聲圖像進行無噪 預(yù)測編碼； St印5 :利用！和|，進行小波重構(gòu)，得到估計信號毛和虧'，即為去噪后的圖像信號。
6. 根據(jù)權(quán)利要求5所述的基于多元統(tǒng)計模型的分形小波自適應(yīng)圖像去噪方法，其特征 在于，所述獲得最適合的參數(shù)值a和0的操作，進一步包括： 選用20幅大小為512X512的測試圖像進行樣本系數(shù)提?。? 在分析過程中，利用Daubechies20濾波器對圖像集進行分形小波分解，尋找最接近 每個子帶分析的MGGD多元統(tǒng)計模型； 考慮兩個分布函數(shù)均方差，殘差的L2范數(shù)用（2-25)式來定義：
利用Matlab的優(yōu)化工具箱lsqcurvefit()函數(shù)來分析，通過最小化&得到最接近A(幻的ft(幻及其參數(shù)a、0 ; 定義對數(shù)殘差的L2范數(shù)為：
【專利摘要】本發(fā)明公開了一種基于多元統(tǒng)計模型的分形小波自適應(yīng)圖像去噪方法，包括：通過選用擴展的GGD模型MGGD模型建立的多元統(tǒng)計模型，利用分形小波變換，完成圖像去噪；通過最小化殘差 得到最接近的及自適應(yīng)調(diào)整參數(shù)和；通過使用四叉樹分割，實現(xiàn)對噪聲圖像自適應(yīng)地預(yù)測分形小波無噪圖像編碼，達到去噪目的。本發(fā)明所述基于多元統(tǒng)計模型的分形小波自適應(yīng)圖像去噪方法，可以克服現(xiàn)有技術(shù)中操作過程復(fù)雜、花費時間長和可靠性低等缺陷，以實現(xiàn)操作過程簡單、花費時間短和可靠性高的優(yōu)點。
【IPC分類】G06T5-00
【公開號】CN104778670
【申請?zhí)枴緾N201510185545
【發(fā)明人】王智文, 劉美珍, 羅功坤, 陽樹洪, 歐陽浩, 蔣聯(lián)源, 李春貴, 夏冬雪
【申請人】廣西科技大學(xué)
【公開日】2015年7月15日
【申請日】2015年4月17日