一種全息圖像噪聲抑制方法與流程

本發明涉及全息技術領域，尤其是一種全息圖像噪聲抑制方法。

背景技術：

全息圖像大都使用高度相干激光為光源，相干激光在粗糙物體表面反射時在空間相干疊加，會在全息記錄中引入很多噪聲，形成了空間強度隨機分布的、顆粒狀的激光散斑，使圖像受到污染，在全息圖記錄過程中，如果受到散斑噪聲的影響，會造成圖像分辨率下降，而且會對再現圖像的效果產生影響，由此如何處理全息技術中的散斑噪聲有著極為重要的意義和應用價值。處理散斑噪聲的主流方法有兩種，第一種方法是采用部分或低相干度的光源，這種替代依賴性較強，會降低再現圖像效果；第二種方法是利用數字圖像處理的方法，分別在全息圖生成和再現圖像過程中，對散斑噪聲進行抑制，例如中值濾波、小波變換等處理方法，但是效果并不令人滿意。

技術實現要素：

本發明提出的一種全息圖像噪聲抑制方法，該方法能夠在保持圖像邊緣的基礎上，較好地實現散斑噪聲去除。

本發明的技術方案是這樣實現的：

一種全息圖像噪聲抑制方法，其特征在于，該方法包括以下步驟：

步驟1：讀入全息圖像，取灰度值對數，進行均值歸一化；

步驟2：對圖像進行NSCT變換；

步驟3：對粗尺度下的系數利用拉普拉斯分布進行擬合，選取需要估計的參數集θ₁，對細尺度下的系數利用高斯混合模型進行擬合，并選取需要估計的參數θ₂；

步驟4：對θ₁，θ₂利用EM算法結合貝葉斯估計進行參數估計；

步驟5：對處理過后的系數進行NSCT逆變換；進行均值補償；

步驟6：對處理過后的圖像取指數得到經過NSCT統計建模處理去噪后的數字全息圖。

本發明通過提供的全息圖像噪聲抑制方法，其有益效果在于：不但能夠很好地抑制散斑噪聲，還能較好地保留細節和邊緣，是一種行之有效的全息圖散斑去噪的預處理方法。

附圖說明

為了更清楚地說明本發明實施例或現有技術中的技術方案，下面將對實施例或現有技術描述中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖僅僅是本發明的一些實施例，對于本領域普通技術人員來講，在不付出創造性勞動性的前提下，還可以根據這些附圖獲得其他的附圖。

圖1為本發明全息成像系統的構架圖。

具體實施方式

下面將結合本發明實施例中的附圖，對本發明實施例中的技術方案進行清楚、完整地描述，顯然，所描述的實施例僅僅是本發明一部分實施例，而不是全部的實施例。基于本發明中的實施例，本領域普通技術人員在沒有做出創造性勞動前提下所獲得的所有其他實施例，都屬于本發明保護的范圍。

全息圖像經過NSCT變換之后，各子帶系數中少量絕對值較大，大部分絕對值較小，在直方圖分布上表現為尖鋒和拖尾。為了對分解系數進行建模，首先研究NSCT方向子帶的系數的分布。如圖1所示，(a)為全息圖，(b)為NSCT兩層分解下方向系數分布直方圖。不難看出，曲線隨著尺度從粗到細，總體呈平坦走勢。因此，利用單一的系數統計模型難以完全擬合不同尺度下的系數分布特點，本實施例針對不同尺度下NSCT系數分布特點采用不同的模型來進行系數逼近。

最大似然估計(Maximum Likelihood，ML)是一種有效的參數估計方法。但由于隱狀態未知，直接根據觀測數據用ML方法估計參數可以發現行不通。而期望值最大(Expectation Maximization，EM)算法是求解不完全數據參數估計的一種重要方法。基于EM的模型參數估計算法的基本流程如下：

對于粗尺度下的拉普拉斯分布模型，在粗尺度下θ₁＝{μ；δ²}

(1)選擇一個初始的模型參數θ₁⁰，設置迭代計數器l＝0；

(2)計算變量聯合概率分布函數f(x,θ₁^l)；

(3)計算θ₁^l+1＝argmax_θ1E_S[ln f(x,θ₁^l)]；

(4)l＝l+1。當兩次迭代之間的誤差小于10^-5時，終止迭代，否則轉向(2)；

(5)選擇一個初始的模型參數θ₂⁰，設置迭代計數器l＝0；

(6)計算變量聯合概率分布函數f(x,θ₂^l)(用于計算E_S[ln f(x,θ₂^l)]；

(7)計算θ₂^l+1＝argmax_θ2E_S[ln f(x,θ₂^l)]；

(8)l＝l+1。當兩次迭代之間的誤差小于10^-5時，終止迭代，否則轉向(6)。

該方法包括以下步驟：

步驟1：讀入全息圖像，取灰度值對數，進行均值歸一化；

步驟2：對圖像進行NSCT變換；

步驟3：對粗尺度下的系數利用拉普拉斯分布進行擬合，選取需要估計的參數集θ₁，對細尺度下的系數利用高斯混合模型進行擬合，并選取需要估計的參數θ₂；

步驟4：對θ₁，θ₂利用EM算法結合貝葉斯估計進行參數估計；

步驟5：對處理過后的系數進行NSCT逆變換；進行均值補償；

步驟6：對處理過后的圖像取指數得到經過NSCT統計建模處理去噪后的數字全息圖。

針對本章提出的基于NSCT和高斯混合模型的全息圖去噪，采用大量的全息圖像進行了散斑抑制實驗。為了驗證本方法的有效性，和Lee濾波、Kuan濾波、Frost濾波及Gamma Map濾波等4種經典散斑抑制方法以及小波變換高斯混合模型方法、Contourlet域高斯混合模型方法進行了比較。測試中，NSCT變換時進行2層分解，其中尺度為1方向子帶分解為8個帶通方向子帶，尺度為2方向子帶分解為8個帶通方向子帶。在使用Lee、Kuan、Frost 3種經典濾波方法進行濾波時，都默認L＝1。本實施測試結果是在Core i3處理器，2G內存和Matlab 7.6.0下測得。從實驗結果中可以看出，Lee濾波和Kuan濾波對散斑噪聲抑制程度較差，表現為濾波后等效視數提高較少。Frost濾波抑制散斑噪聲效果較好，但是對于第二幅圖像，其均值偏差太大，表現為濾波后圖像均值明顯偏低，且Frost濾波后圖像的標準差較高。3種基于不同變換域統計模型的方法中，小波域方法得到的濾波結果圖像邊緣模糊，Contourlet域方法和NSCT域方法得到的濾波結果從主觀視覺上看區別不明顯，而從表1的客觀衡量指標數據中可以發現，雖然Contourlet域方法和NSCT域方法兩者的均值偏差接近，但NSCT域方法在等效視數和標準差比兩方面均比Contourlet域方法優越。綜上所述，本實施例提出的方法綜合性能最優。

表1 7種方法的客觀衡量指標比較

以上所述僅為本發明的較佳實施例而已，并不用以限制本發明，凡在本發明的精神和原則之內，所作的任何修改、等同替換、改進等，均應包含在本發明的保護范圍之內。