專(zhuān)利名稱(chēng)：：小波與小曲模糊自適應(yīng)聯(lián)合的圖像去噪方法
技術(shù)領(lǐng)域：
：本發(fā)明涉及一種新型的聯(lián)合小波變換和小曲(Curvelet)變換的圖像去噪方法，屬于圖像處理領(lǐng)域。
背景技術(shù)：
：圖像在生成和傳輸?shù)倪^(guò)程中不可避免地受到噪聲的干擾。噪聲的存在導(dǎo)致了圖像質(zhì)量的降低和后期目標(biāo)識(shí)別等圖像分析工作難度的增大。因此，如何有效去除圖像噪聲一直是圖像處理領(lǐng)域中的重要研究課題之一。經(jīng)典的圖像去噪方法包括空域?yàn)V波法，頻域?yàn)V波法以及近年來(lái)比較常用的基于離散小波變換的去噪方法(簡(jiǎn)稱(chēng)為DWT法)。雖然它們已經(jīng)取得了較好的去噪效果，但始終無(wú)法完全解決去噪過(guò)程中噪聲的去除與邊緣的保持之間的沖突問(wèn)題。近期一種新的信號(hào)多尺度表達(dá)——小曲變換被引入了圖像處理領(lǐng)域，它以線段而不是點(diǎn)作為信號(hào)的基本表達(dá)單位，因此基于離散小曲變換的去噪方法(簡(jiǎn)稱(chēng)為DCT法)能夠比DWT法更有效地保留圖像的邊緣信息(J.L.Starck，E.J.Candes,andD.L.Donoho.TheCurvelettransformforimagedenoising[J].正EETrans.ImageProcessing,2002,vol.11:670-684.)。但同時(shí)DWT法在處理圖像邊緣較少區(qū)域時(shí)能夠比DCT法更好地去除噪聲。為綜合兩者互補(bǔ)的優(yōu)勢(shì)，小波與小曲變換聯(lián)合的圖像去噪方法應(yīng)運(yùn)而生。目前已出現(xiàn)的聯(lián)合去噪法有兩種，聯(lián)合濾波法和自適應(yīng)聯(lián)合法。前者采用混合最陡梯度算法為每次迭代圖像選擇合適的濾波算子用以逐漸逼近最優(yōu)解(J.L.Starck,M.K.Nguyen,andRMurtagh.WaveletsandCurveletsforimagedeconvolution:acombinedapproach[J].SignalProcessing,2003，vol.83:2279-2283.)。這種方法可以獲得比單獨(dú)使用的DCT法和DWT法更好的去噪效果，但因其迭代過(guò)程復(fù)雜而導(dǎo)致計(jì)算量非常大。而后者則根據(jù)圖像子塊的邊緣像素分布信息將其判斷為邊緣子塊或平坦子塊，據(jù)此對(duì)各子塊選用DCT法或DWT法去噪，對(duì)其結(jié)果進(jìn)行平滑窗處理，最終將處理后結(jié)果作為子塊的自適應(yīng)聯(lián)合去噪的結(jié)果(B.B.Saevarsson,J.R.Sveinsson,andJ.A.Benediktsson.CombinedWaveletandCurveletdenoisingofSARimages[C].GeoscienceandRemoteSensingSymposium,2004.IGARSS'04.Proceedings.2004IEEEInternational,2004,vol.6:4235-4238.)。與聯(lián)合濾波法相比，自適應(yīng)聯(lián)合法進(jìn)一步提高了去噪質(zhì)量且極大減少了運(yùn)算量，因此具有更好的實(shí)用價(jià)值。但它為解決塊效應(yīng)問(wèn)題而對(duì)各子塊進(jìn)行的強(qiáng)制性平滑處理必然會(huì)帶來(lái)邊緣的模糊，因此從根本上說(shuō)，它是以犧牲一定程度的邊緣保持效果為代價(jià)解決了塊效應(yīng)問(wèn)題。
發(fā)明內(nèi)容本發(fā)明的目的在于針對(duì)現(xiàn)有技術(shù)的不足，提出一種將小波變換與小曲變換聯(lián)合應(yīng)用于圖像去噪的新方法。它可以更靈活地綜合小波變換和小曲變換分別在處理圖像平坦區(qū)域和邊緣區(qū)域時(shí)的優(yōu)勢(shì)，從而更完美地解決去噪過(guò)程中噪聲去除和邊緣保持之間的沖突問(wèn)題，進(jìn)一步提高去噪圖像的質(zhì)量。為實(shí)現(xiàn)這樣的目的，本發(fā)明基于模糊計(jì)算和圖像融合技術(shù)，在自適應(yīng)聯(lián)合法的基礎(chǔ)上，提出了小波與小曲模糊自適應(yīng)聯(lián)合的圖像去噪方法。不同與自適應(yīng)聯(lián)合法將子塊一刀切地判斷為平坦或邊緣區(qū)域，模糊自適應(yīng)聯(lián)合法構(gòu)造了子塊的平坦度隸屬函數(shù)用以模糊表達(dá)子塊中的邊緣信息含量，并以該隸屬函數(shù)作為權(quán)重系數(shù)對(duì)各子塊分別采用DWT法與DCT法去噪的結(jié)果進(jìn)行融合處理。本發(fā)明所提出的模糊自適應(yīng)聯(lián)合法包括分塊,計(jì)算子塊的平坦度隸屬函數(shù)值，融合子塊采用DWT法與DCT法去噪的結(jié)果及合并塊四個(gè)步驟。1.分塊將加噪圖像l分成一組6x6的子塊A，且行，列相鄰子塊有6/2><6個(gè)像素的重疊。2.計(jì)算子塊的平坦度隸屬函數(shù)值首先計(jì)算各子塊的平坦度指標(biāo)，其定義為其中K為A中V個(gè)像素灰度值的標(biāo)準(zhǔn)差，o"為/噪聲標(biāo)準(zhǔn)差的估計(jì)值。由^得到A的平坦度隸屬函數(shù)A，其為關(guān)于^的降半嶺形分布的隸屬函數(shù)<formula>formulaseeoriginaldocumentpage4</formula>其中q和0^的取值區(qū)間均為[1，2]。3.融合子塊采用DWT法與DCT法去噪的結(jié)果。用DWT法和DCT法分別對(duì)J降噪，并得到對(duì)應(yīng)的降噪結(jié)果^和位置子塊5"，^2的融合數(shù)據(jù)作為采用模糊自適應(yīng)聯(lián)合法降噪的結(jié)果^對(duì)于任意A,以^和^對(duì)應(yīng)A內(nèi)任意像素的灰度值可按融合規(guī)則計(jì)算得到，其中A^"]，5*力"]分別代表5"，^2對(duì)應(yīng)位置像素的灰度值。子塊中包含的邊緣越少，子塊對(duì)應(yīng)的平坦度隸屬函數(shù)值越接近1，則DWT法的去噪結(jié)果在融合結(jié)果中所占比重就會(huì)越高；反之，子塊中包含邊緣越豐富，DCT法的去噪結(jié)果在融合結(jié)果中所占比重就越高。4.合并塊按照與分塊相逆的步驟將A合并至原圖尺寸。本發(fā)明的有益效果為通過(guò)對(duì)DWT法和DCT法的去噪結(jié)果自適應(yīng)性的融合綜合了兩者分別在處理圖像平坦區(qū)域和邊緣區(qū)域的優(yōu)勢(shì)，可以比單獨(dú)使用的DWT法和DCT法實(shí)現(xiàn)更好的去噪質(zhì)量；通過(guò)模糊化數(shù)據(jù)融合的方式取代了自適應(yīng)聯(lián)合法中的強(qiáng)制性平滑處理步驟，因此在更徹底地解決塊效應(yīng)問(wèn)題的同時(shí)比自適應(yīng)聯(lián)合法保留了更多的圖像邊緣信息，從而比自適應(yīng)聯(lián)合法實(shí)現(xiàn)了更好的去噪質(zhì)量。圖1為本發(fā)明小波和小曲模糊自適應(yīng)聯(lián)合的圖像去噪方法的流程框圖。圖2為平坦度隸屬函數(shù)A(&)的分布圖。圖3為本發(fā)明實(shí)施例中加噪Lena圖像與其去噪結(jié)果。具體實(shí)施例方式本發(fā)明的具體實(shí)施步驟如卜1.分塊對(duì)256X256的無(wú)噪光學(xué)圖像Lena添加均值為0，方差為0.02的高斯白噪聲(高斯白噪聲為最常用的噪聲模型)以生成加噪圖像l并對(duì)其分塊，分塊尺寸6取為16X16。2.計(jì)算子塊的平坦度隸屬函數(shù)值q和o^分別取值l和1.5。3.融合子塊采用DWT法與DCT法去噪的結(jié)果DWT法的實(shí)現(xiàn)選擇小波函數(shù)coif2對(duì)/進(jìn)行三層分解，采用軟閾值法處理DWT系數(shù)；DCT法的實(shí)現(xiàn)中，離散小曲變換的實(shí)現(xiàn)通過(guò)將圖像分為三層子帶進(jìn)行，最小分塊尺寸取為16，利用軟閾值法處理DCT系數(shù)。4.合并塊將處理后子塊重整合并至256x256尺寸。如附圖3所示，其中(1)，(2)，(3)，(4)，(5)，(6)依次為原始Lena圖像，加噪Lena圖像與對(duì)加噪Lena分別采用DWT法，DCT法，自適應(yīng)聯(lián)合法和模糊自適應(yīng)聯(lián)合法去噪的結(jié)果。直觀對(duì)比可知，自適應(yīng)聯(lián)合法和模糊自適應(yīng)聯(lián)合法的去噪結(jié)果明顯更接近于原始Lena圖像，且其中模糊自適應(yīng)聯(lián)合法的去噪結(jié)果在保留圖像邊緣細(xì)節(jié)如Lena的頭發(fā)，帽飾等方面明顯優(yōu)于自適應(yīng)聯(lián)合法，因此視覺(jué)效果最好。同時(shí)，我們采用通用標(biāo)準(zhǔn)——峰值信噪比(PSNR)客觀衡量去噪質(zhì)量。去噪結(jié)果的PSNR值越大，說(shuō)明其越接近理想去噪結(jié)果，對(duì)應(yīng)的去噪方法越有效。表1為對(duì)分別添加了均值0，方差為0.01,0.02,0.03，0.05,0.07的高斯白噪聲的Lena圖像與其分別采用DWT法，DCT法，自適應(yīng)聯(lián)合法和模糊自適應(yīng)聯(lián)合法去噪結(jié)果的PSNR值?？v向?qū)Ρ瓤芍：赃m應(yīng)聯(lián)合法對(duì)應(yīng)去噪結(jié)果的PSNR普遍高于另外三種方法的對(duì)應(yīng)值，這證明了本發(fā)明模糊自適應(yīng)聯(lián)合法能夠比單獨(dú)使用的DWT法，DCT法和自適應(yīng)聯(lián)合法更有效地去除圖像噪聲。<table>tableseeoriginaldocumentpage5</column></row><table>表l.加噪Lena與其去噪結(jié)果的PSNR值權(quán)利要求1.一種小波與小曲模糊自適應(yīng)聯(lián)合的圖像去噪方法，其特征為構(gòu)造了子塊的平坦度隸屬函數(shù)用以模糊表達(dá)子塊中的邊緣信息含量，并以該隸屬函數(shù)作為權(quán)重系數(shù)對(duì)各子塊分別采用小波變換與小曲變換去噪的結(jié)果進(jìn)行數(shù)據(jù)融合。2.權(quán)利要求l中所述的平坦度隸屬函數(shù)為關(guān)于平坦度指標(biāo)的降半嶺形分布函數(shù)，其表達(dá)式為111.;r,cr7+o;—sin-(r廣22<r2-oj02《&2其中A，^分別為子塊S^的平坦度隸屬函數(shù)和平坦度指標(biāo)，q和0^的取值區(qū)間均為[1，2]。3.權(quán)利要求1中所述的對(duì)各子塊分別采用小波變換與小曲變換去噪的結(jié)果進(jìn)行數(shù)據(jù)融合的規(guī)則為其中》"，&2分別為子塊^采用小波變換和小曲變換去噪的結(jié)果，&為&的平坦度隸屬函數(shù)。4.權(quán)利要求2中所述的子塊的平坦度指標(biāo)^的計(jì)算公式為^V一其中^為子塊5*中像素灰度值的標(biāo)準(zhǔn)差，°"為加噪圖像噪聲標(biāo)準(zhǔn)差的估計(jì)值。全文摘要本發(fā)明系一種將小波變換和小曲變換模糊自適應(yīng)聯(lián)合用于圖像去噪的新方法。去噪是圖像處理中重要研究課題之一，但已有去噪方法無(wú)法完全解決去噪中噪聲去除與邊緣保持的沖突問(wèn)題。本發(fā)明的目的在于針對(duì)現(xiàn)有技術(shù)的不足，提出小波與小曲模糊自適應(yīng)聯(lián)合的圖像去噪方法。它構(gòu)造了子塊的平坦度隸屬函數(shù)用以模糊表達(dá)子塊中的邊緣信息含量，并以其作為權(quán)重系數(shù)對(duì)各子塊分別采用小波變換與小曲變換去噪的結(jié)果進(jìn)行數(shù)據(jù)融合。其有益效果為以數(shù)據(jù)融合取代了自適應(yīng)聯(lián)合法的強(qiáng)制性平滑處理，更徹底地解決塊效應(yīng)問(wèn)題且保留更多邊緣細(xì)節(jié)；通過(guò)模糊化數(shù)據(jù)融合更靈活地綜合了小波與小曲的去噪優(yōu)勢(shì)，進(jìn)一步提高了去噪質(zhì)量。文檔編號(hào)H04N5/14GK101296312SQ20071002170公開(kāi)日2008年10月29日申請(qǐng)日期2007年4月26日優(yōu)先權(quán)日2007年4月26日發(fā)明者冉安,楠王申請(qǐng)人:安冉;王楠