專利名稱：基于Contourlet域多狀態HMT模型的含噪圖像增強方法
技術領域：
本發明涉及在Contourlet域上，利用多狀態隱馬爾科夫樹HMT模型，對含噪圖像進行增強的方法，尤其是基于Contourlet域多狀態HMT模型的含噪圖像增強方法，該方法可用于圖像的預處理階段。
背景技術：
圖像增強是一項重要的圖像預處理技術。其目的在于改善圖像質量，突出圖像細節，以滿足后續圖像分析和圖像理解的需要。目前，圖像 增強已經廣泛地應用于礦藏資源勘探、軍事目標監視、醫學病灶診斷和交通監控等領域并發揮著重大作用。圖像在采集和傳輸的過程中，會不可避免地受到噪聲的干擾，如何有效地對含噪圖像進行增強是圖像處理領域亟待解決的關鍵問題之一。現有的圖像增強方法可以分為兩類。一類是基于空域的直方圖均衡化法和反銳化掩模法。該類方法對無噪圖像進行增強，會得到較為理想的增強結果。當待增強圖像中含有噪聲時，該類方法在增強圖像細節特征的同時，會不可避免地增強圖像中的噪聲，影響后續圖像處理的效果。對比于此類方法，有基于變換域的圖像增強方法。它們包括基于小波的方法和基于多尺度幾何分析工具的方法。這類方法通過選取合適的閾值來區分出含噪圖像中的噪聲并對其進行抑制。但由于有效的閾值難以獲取，使得增強后的圖像在均勻區域不夠平滑。而且由于部分變換方法缺乏平移不變性，還易在增強圖像中引入失真。多尺度幾何分析方法——Contourlet變換可以有效捕捉到圖像中的線狀和輪廓狀幾何信息，這些信息對于圖像的后續處理十分重要。相比于小波變換，Contourlet變換所捕捉到的細節信息更為豐富，部分細節信息并沒有明顯的類別屬性，處在既可以被歸類于噪聲成分，也可以被歸類于弱邊緣成分的中間地帶，或者既可以被歸類于弱邊緣成分，也可以被歸類于強邊緣成分的中間地帶。因此，有必要構建Contourlet域多狀態HMT模型，不僅可以模擬出Contourlet域噪聲、弱邊緣和強邊緣系數，還可以模擬出噪聲、弱邊緣和強邊緣系數之外的那些處于中間地帶的系數，并將其應用到含噪圖像增強，同時引入循環平移策略用于克服Contourlet變換缺乏平移不變性，期望獲得細節特征突出，均勻區域平滑的增強結果。
發明內容
本發明方法的目的在于克服現有技術的不足，即現有的圖像增強方法在對含噪圖像增強時會受到噪聲影響的問題，提出了一種基于Contourlet域多狀態HMT模型的含噪圖像增強方法，能夠改善含噪圖像的質量，利于后續圖像處理。一種基于Contourlet域多狀態HMT模型的含噪圖像增強方法，其特別之處，包括如下步驟(I)輸入大小為MXN的含噪圖像imQ(m，n)，其中I彡m彡M，I彡η彡N，M和N均為大于I的自然數，初始化計數量tem=0,行位移量u=l,列位移量v=l ；
(2)計數量遞增，即tem=tem+l,對含噪圖像imQ(m, η)進行(u, v)步循環平移，得到循環平移后的含噪圖像imtan(m，η)；(3)對循環平移后的含噪圖像imtem(m, η)進行L層Contourlet變換,得到低頻子帶系數￥八和高頻方向子帶系數5^，其中O彡I彡L-l，l彡k彡k1; kx表示在尺度2—1上的高頻方向子帶的數目，i e {I, 2, 3, . . . , Q}為Contourlet域系數四叉樹的索引標記，Q為Contourlet域系數四叉樹上待觀察系數的數目，L為3 5，L為自然數；(4)采用期望最大化算法對步驟(3)得到的高頻方向子帶系數Γ, ,進行訓練，得到
確定的 Contourlet 域多狀態HMT模型參數向量 O，
權利要求
1.一種基于Contourlet域多狀態HMT模型的含噪圖像增強方法，其特征在于，包括如下步驟 (1)輸入大小為MXN的含噪圖像imQ(m，n)，其中I彡m彡M，I彡η彡N，M和N均為大于I的自然數，初始化計數量tem=0,行位移量u=l,列位移量v=l ； (2)計數量遞增，即tem=tem+l，對含噪圖像imQ(m，η)進行(u，ν)步循環平移，得到循環平移后的含噪圖像η)； (3)對循環平移后的含噪圖像imtem(m，η)進行L層Contourlet變換，得到低頻子帶系數Ya和高頻方向子帶系數，其中O彡I彡L-1，I彡k彡Iipk1表示在尺度2—1上的高頻方向子帶的數目，i e {I, 2, 3,... ,Q}為Contourlet域系數四叉樹的索引標記,Q為Contourlet域系數四叉樹上待觀察系數的數目，L為3 5，L為自然數； (4)采用期望最大化算法對步驟(3)得到的高頻方向子帶系數}^進行訓練，得到確定的 Contourlet 域多狀態 HMT 模型參數向量 Θ，Θ =·[(S = r I^ =θ],式中PQ,k為Contourlet域系數四叉樹根節點的隱狀態概率密度向量，= H 為高頻方向子帶系數1^的隱狀態概率，S為隱狀態變量，隱狀態的類別數取為5，分別對應Contourlet域系數中的噪聲、近噪聲、弱邊緣、近強邊緣和強邊緣成分，有{S|S=r，r e {0,1,2,3,4}},Σρ(5 = Η^) = 1, ε ^為尺度I上第k個高頻方向子帶系數的狀態轉移概率矩陣，O1,kr=0和μ u分別為尺度I上第k個高頻方向子帶系數的標準差和均值向量； (5)利用步驟(4)得到Contourlet域多狀態HMT模型參數向量O，對高頻方向子帶系數進行增強； (6)對步驟(3)得到的低頻子帶系數Ya和步驟(5)得到增強后的高頻方向子帶系數進行Contourlet逆變換,得到含噪圖像imtem(m, η)的增強圖像; (7)對步驟(6)得到的含噪圖像imt (m，n)的增強圖像加匕(吼《琎行(u，v)步逆向循環平移，得到圖像，并對其進行存儲； (8)列位移量遞增，即v=v+l，如果v〈=8，轉步驟(2)，否則轉步驟(9)； (9)行位移量遞增，即u=u+l，如果u〈=8，轉步驟(2)，否則轉步驟(10)； (10)計算并得到輸出含噪圖像^(m，η)的增強圖像 I 64 irrto {m, η) = —Y Unfem (m, η)。
64 tem=]
2.如權利要求I所述的一種基于Contourlet域多狀態HMT模型的含噪圖像增強方法，其特征在于其中步驟(5)所述的利用Contourlet域多狀態HMT模型參數向量θ,對高頻方向子帶系數5^進行增強，具體按如下過程進行I)利用高頻方向子帶系數1^的隱狀態概率= r I Y^k)將: 區分為五種類別，有噪聲系數，如果P (S = OI ) = max { P P = r I ), r e {0,1,2，3，4}}近噪聲系數，如果p(S =IIFi^) = max{p(5' = H ；)),re{0,1，2，3，4}}Yik 是 j 弱邊緣系數，如果/7 (S = 21 私―)=max { P (S = H 私)，r e {0,1,2,3,4}};近強邊緣系數，如果/ (S=3I Y,[k) = mm{p(S = r\Y；t),re {0,1,2,3,4}}強邊緣系數，如果P (S = 41 私―)=max { / (S = r I 匕)，r e {0，1，2，3，4}}2)利用增益規則公式，對獲得了類別屬性的高頻方向子帶系數進行初始修正，即 α0·Υ；Λ,如果為噪聲系數 α, ·￥,[,,如果私_為近噪聲系數 X[k = < a2 (Y；ki /為) 為，如果Fi為弱邊緣系數 ’ a2 {Y,\kl Ai) ·為，如果為近強邊緣系數 O3 Y[k,如果為強邊緣系數 式中，Ai力L所在高頻方向子帶系數的最大模值，設置aQ=0，a=i, a3=2, a2 ( ·)為非線性增益函數，有 a2 (Yi,k I Α )~ 1 + < (- .!··Λ)/Λ 1 + f/*、l\ ，式中，參數t用于控制含噪圖像增強的程度，設置參數t=6，e為自然常數，e=2. 71828 ； 3)利用高頻方向子帶系數的隱狀態概率=和步驟2)中得到的高頻方向子帶系數吃4的初始修正結果，計算增強后高頻方向子帶系數，sp Kk =jP(S = r\ Yik) ·( )· Xiu ·,(°),k ) 式中,σ=是尺度I上第k個高頻方向子帶的噪聲系數的標準差，并且通過蒙特卡羅方法獲得。
全文摘要
本發明涉及在Contourlet域上，利用多狀態隱馬爾科夫樹HMT模型，對含噪圖像進行增強的方法，尤其是基于Contourlet域多狀態HMT模型的含噪圖像增強方法。本發明方法具有以下優點1.采用了非下采樣Contourlet變換，可以有效捕捉到含噪圖像中的線狀和輪廓狀幾何信息，有利于圖像的后續處理。2.引入了循環平移策略，可以有效避免因Contoutlet變換缺乏平移不變性，而易在增強后的圖像中產生的人工失真。3.通過構建Contourlet域HMT模型的多種隱狀態，進一步模擬出Contourlet域系數的近噪聲和近強邊緣成分，有利于獲得細節特征突出，均勻區域平滑的增強結果。
文檔編號G06T5/00GK102968771SQ20121050850
公開日2013年3月13日 申請日期2012年12月3日 優先權日2012年12月3日
發明者常霞, 高岳林, 黃永東, 馬自萍 申請人:北方民族大學