一種圖像組合降噪方法

專利名稱：一種圖像組合降噪方法
技術領域：
本發明涉及一種圖像組合降噪方法，該方法采用基于移不變Contourlet(輪廓小波)變換域降噪和維納(Wiener)濾波的圖像組合降噪方法，除去圖像中的噪聲，以提高圖像質量。在軍事領域和非軍事領域如光學成像、目標檢測、安全監控等系統中均有廣泛應用。
背景技術：
通常，我們得到的圖像都受到不同程度的噪聲污染，為了后續的進一步處理，很有必要進行降噪處理，濾出噪聲，并盡可能地保留圖像的所有特征信息，以提高圖像的恢復質量。目前，圖像降噪方法主要有空域濾波，如均值濾波和中值濾波等，以及變換域濾波，如低通濾波等。
近二十來，小波變換以其良好的時頻特性和多分辨率思想，在信號和圖像處理領域得到了廣泛的應用，并成功地應用到了圖像降噪領域。但是，由一維小波通過張量積形成的二維可分離小波變換只能有效地表示一維奇異信息即點奇異信息，而不能有效地描述圖像中的二維或高維奇異信息，如線、輪廓等重要信息，從而制約了小波降噪方法的性能。
Contourlet變換作為一種新的信號分析工具，解決了小波變換不能有效表示二維或更高維奇異性的缺點，能準確地將圖像中的邊緣捕獲到不同尺度、不同頻率、不同方向的子帶中。它不僅具有小波變換的多尺度特性，還具有小波變換不具有的方向性和各向異性，能更稀疏的表示圖像中的輪廓特征，因此能很好地應用于圖像處理中，包括圖像降噪方面。由于，Contourlet變換缺乏平移不變性，在降噪過程中會產生偽吉布斯(Gibbs)現象，循環平移(Cycle Spinning)方法可以用來抑制Contourlet域閾值降噪方法產生的偽Gibbs現象，降噪性能明顯優于小波閾值降噪方法，在很大程度上提高了降噪方法的性能。但是，實際情況表明，這種方法還不能完全去除噪聲，降噪圖像中仍然殘留少量噪聲，影響圖像質量，需要采取進一步的降噪處理。

發明內容
本發明的目的在于針對現有圖像降噪方法存在的不足，提出了一種圖像組合降噪方法，用于去除圖像中的噪聲，以提高圖像質量。
為了達到上述目的，本發明采用下述技術方案一種圖像組合降噪方法。其特征在于采用基于移不變Contourlet變換域降噪和Wiener濾波的圖像組合降噪方法，該方法是先在Contourlet域，根據系數服從廣義高斯分布，選取貝葉斯(Bayes)收縮閾值，提高圖像降噪的效果。然后，再對經過Contourlet域降噪后得到的預降噪圖像，采用Wiener濾波方法進行進一步的降噪處理，達到圖像降噪的目的。
假設觀測到的噪聲圖像為I＝f+n (1)其中f為原始圖像，n為獨立同分布的高斯白噪聲信號N(0，σ2)。
上述降噪方法的具體步驟如下1.始化設置。令i＝0，j＝0，設定行方向和列方向上的最大平移量N1和N2。同時設定Contourlet變換的中LP分解層數K和每層中的方向分解數Lk；2.對輸入的帶噪圖像I在行和列方向上進行有效位移量的循環平移，得到平移圖像Sij＝Ci，j(I)， (2)其中i∈(0，N1)和j∈(0，N2)分別為行方向和列方向上的平移量；3.對得到的平移圖像Sij進行多尺度、多方向的Contourlet稀疏分解，即[Slf,Shf(1,1),···,Shf(1,L1),Shf(2,1),···,Shf(K,Lk)]=T(Sij),---(3)]]>其中T(·)為Contourlet變換。從而得到一幅低頻子圖像Slf和一系列具有不同分辨率的高頻子圖像Shf(k，l)，其中k∈(1，K)和l∈(1，Lk)標明子圖像位于第k層LP(拉普拉斯塔式分解)的第l方向；4.對Contourlet變換后的高頻子圖像Shf(k，l)進行閾值降噪處理，得到降噪子圖像，SDhf(k,l)=Λ(Shf(k,l),TB),---(4)]]>其中，Λ(·)為閾值函數，TB為閾值參數。根據Contourlet域系數服從廣義高斯分布，選用Bayes閾值TB=σn2/σx;]]>5.對第4步中得到的所有降噪高頻子圖像SDhf(k，l)和第3步中得到的低頻子圖像Slf實施Contourlet逆變換，得到在行方向和列方向上分別平移i和j后的降噪圖像，Si,jnf=T-1(Slf,SDhf(1,1),···,SDhf(1,L1),SDhf(2,1),···,SDhf(K,Lk)),---(5)]]>其中，T-1(·)為Contourlet逆變換；6.對第5步中得到的圖像Si，jnf進行相應平移量的逆向循環平移，有Ii,jnf=C-i,-j(Si,jnf).---(6)]]>7.重復步驟2至6，直到i＝N1和j＝N2為止，停止重復；8.對得到的所有Ii，jnf(i＝0，…，N1；j＝0，…，N2)求平均，得到預降噪圖像f^CT=1N1N2Σi=0,j=0N1,N2Ii,jnf.---(7)]]>9.對上一步得到的預降噪圖像 進一步進行Wiener濾波處理，得到最終的降噪結果 上述的第4步驟中的TB值的具體估計步驟為①對于噪聲標準差σn，采用魯棒性的中值估計，σ^n=10.6745LKΣi=1LKmedian(|Shf(K,i)|),---(8)]]>其中Shf(K，i)(i＝1…LK)為最高頻率系數；②由σy2=σx2+σn2,]]>有σ^xmax(σ^y2-σ^n2,0),---(9)]]>其中，σ^y2=1MNΣm=1MΣn=1NShf(k,i)(m,n),]]>Shf(k，i)是所考慮的高頻系數；③因此可得，閾值參數TB=σn2/σx.]]>本發明方法與現有技術相比較，具有如下顯而易見的突出實質性特點和顯著優點該發明旨在提供一種圖像組合降噪方法，首先通過Contourlet變換對輸入的帶噪圖像進行多尺度、多方向的稀疏分解，然后根據Contourlet變換域系數服從廣義高斯分布，在Contourlet域進行Bayes收縮閾值法降噪，并通過Contourlet反變換得到預降噪圖像，最后，采用Wiener濾波法對預降噪圖像進行進一步降噪處理，以提高圖像的恢復精度。具體特點和優點為(1)針對現有最具有代表性的小波域閾值降噪方法中小波變換的缺點------不能有效地表示圖像中的二位或高維奇異性，將Contourlet變換應用到圖像降噪中，進行多尺度、多方向分解，為后續降噪過程提供稀疏的圖像描述系數。
(2)對現有圖像降噪技術存在的不足，提出了一種圖像組合降噪方法，即基于移不變Contourlet變換域降噪和Wiener濾波的圖像組合降噪方法。
(3)本發明方法在Contourlet變換域的圖像降噪階段，針對圖像的Contourlet域系數服從廣義高斯分布(GGD)，滿足Bayes估計方法的假定條件——信號服從廣義高斯分布，采用基于Bayes估計閾值，進行降噪，提高了降噪性能。
(4)本發明方法針對Contourlet變換域的圖像降噪方法不能完全去除噪聲，降噪圖像中仍然殘留少量噪聲，采取Wiener濾波法進一步降噪處理。
本發明提供的圖像降噪方法能提高降噪圖像的質量、提供更加全面、準確的目標和背景信息，達到較理想的降噪效果。在軍事領域和非軍事領域如光學成像、目標檢測、安全監控等系統中均有廣泛應用前景。


圖1為本發明一個實施例的圖像降噪方法框圖。
圖2是圖1示例降噪結果照片圖。圖中，(a)到(e)為輸入圖像受到不同噪聲污染情況下的降噪結果，噪聲強度分別為10、20、30、40和50。每一行中，第一幅圖為受噪聲污染的輸入，第二幅圖為采用一種Contourlet變換域的圖像降噪方法降噪后的降噪圖像，第三幅圖為采用本發明方法降噪后的降噪圖像。
具體實施例方式
本發明的一個優選實施例結合附圖祥述如下本發明旨在提供一種圖像組合降噪方法，如圖1所示。該方法先通過Contourlet變換對輸入的帶噪圖像進行多尺度、多方向的稀疏分解，然后根據Contourlet變換域系數服從廣義高斯分布，在Contourlet域進行Bayes收縮閾值法降噪，并通過Contourlet反變換得到預降噪圖像，最后，采用Wiener濾波法對預降噪圖像進行進一步降噪處理，得到最終的降噪圖像，達到圖像降噪的目的。
具體步驟為1.初始化設置。令i＝0，j＝0，設定行方向和列方向上的最大平移量N1和N2。同時設定Contourlet變換的中LP分解層數K和每層中的方向分解數Lk；2.對輸入的帶噪圖像I在行和列方向上進行有效位移量的循環平移，得到平移圖像Sij＝Ci，j(I)，其中i∈(0，N1)和j∈(0，N2)分別為行方向和列方向上的平移量；3.對得到的平移圖像Sij進行多尺度、多方向的Contourlet稀疏分解，即[Slf,Shf(1,1),···,Shf(1,L1),Shf(2,1),···,Shf(K,Lk)]=T(Sij),]]>其中T(·)為Contourlet變換。從而得到一幅低頻子圖像Slf和一系列具有不同分辨率的高頻子圖像Shf(k，l)，其中k∈(1，K)和l∈(1，Lk)標明子圖像位于第k層LP(拉普拉斯塔式分解)的第l方向；4.對Contourlet變換后的高頻子圖像Shf(k，l)進行閾值降噪處理，得到降噪子圖像，SDhf(k,l)=Λ(Shf(k,l),TB),]]>其中，Λ(·)為閾值函數，TB為閾值參數。根據Contourlet域系數服從廣義高斯分布，因此，本實施例選用Bayes閾值TB=σn2/σx.]]>具體估計步驟為①對于噪聲標準差σn，采用魯棒性的中值估計，σ^n=10.6745LKΣi=1LKmedian(|Shf(K,i)|),]]>其中Shf(K，i)(i＝1…LK)為最高頻率系數；②由σy2=σx2+σn2,]]>有σ^xmax(σ^y2-σ^n2,0),]]>其中，σ^y2=1MNΣm=1MΣn=1NShf(k,i)(m,n),]]>Shf(k，i)是所考慮的高頻系數；
③因此可得，閾值TB=σn2/σx.]]>5.對第4步中得到的所有降噪高頻子圖像SDhf(k，l)和第3步中得到的低頻子圖像Slf實施Contourlet逆變換，得到在行方向和列方向上分別平移i和j后的降噪圖像，Si,jnf=T-1(Slf,SDhf(1,1),···,SDhf(1,L1),SDhf(2,1),···,SDhf(K,Lk)),]]>其中，T-1(·)為Contourlet逆變換；6.對第5步中得到的圖像Si，jnf進行相應平移量的逆向循環平移，有Ii,jnf=C-i,-j(Si,jnf).]]>7.重復步驟2至6，直到i＝N1和j＝N2為止，停止重復；8.對得到的所有Ii，jnf(i＝0，…，N1；j＝0，…，N2)求平均，得到預降噪圖像f^CT=1N1N2Σi=0,j=0N1,N2Ii,jnf.]]>9.對上一步得到的預降噪圖像 進一步進行Wiener濾波處理，得到最終的降噪結果 從圖2可以看出，從視覺效果上看，本發明方法明顯優于基于移不變Contourlet變換域的Bayes收縮閾值法。在降噪的過程中，后者只是對經過Contourlet變換后得到的高頻系數進行Bayes閾值去噪，而沒有考慮低頻部分，故降噪后的圖像仍然殘留少量噪聲。而本發明方法在此基礎之上進一步采用具有MSE意義下最優的估計器——Wiener濾波器實施濾波，從而在保護圖像細節信息的同時，進一步提高了降噪圖像的PSNR，進一步降低了降噪圖像的MSE。
表1給出了本發明降噪方法降噪結果的客觀評價指標。
表中，方法1指基于移不變Contourlet變換域的Bayes收縮閾值降噪方法采用了峰值信噪比(PSNR)和最小均方誤差(MSE)來衡量降噪圖像的質量，進而評價降噪方法的優劣。
從表中可以看出，本圖像降噪方法無論是在PSNR方面，還是在MSE方面，均能取得很好的降噪效果，有效地降低圖像中的噪聲信號，提高圖像質量。
另外，從表中不難發現，隨著噪聲水平的升高，經本發明方法降噪后得到的降噪圖像指標(PSNR和MSE)較基于移不變Contourlet變換域的Bayes收縮閾值法提高幅度不斷增大，表明本發明降噪方法的優勢越發明顯。在視覺效果方面，也能從圖2得出相同的結論。
總之，無論是從人眼視覺效果，還是從客觀評價指標，均表明本發明方法更好地降低圖像中的噪聲信號，保護了圖像中的重要細節信息，提高了圖像的質量。
表1不同噪聲水平下降噪結果的評價指標比較

權利要求
1.一種圖像組合降噪方法，其特征在于采用基于移不變Contourlet變換域降噪和Wiener濾波的圖像組合降噪方法，該方法是先通過Contourlet變換對輸入的帶噪圖像進行多尺度、多方向的稀疏分解，然后根據Contourlet變換域系數服從廣義高斯分布，在Contourlet域進行Bayes收縮閾值法降噪，并通過Contourlet反變換得到預降噪圖像，最后，采用Wiener濾波法對預降噪圖像進行進一步降噪處理，得到最終的降噪圖像，達到圖像降噪的目的。
2.根據權利要求1所述的圖像組合降噪方法，其特征在于具體步驟為1)初始化設置。令i＝0，j＝0，設定行方向和列方向上的最大平移量N1和N2。同時設定Contourlet變換的中LP分解層數K和每層中的方向分解數Lk；2)對輸入的帶噪圖像I在行和列方向上進行有效位移量的循環平移，得到平移圖像Sij＝Ci，j(I)，其中i∈(0，N1)和j∈(0，N2)分別為行方向和列方向上的平移量；3)對得到的平移圖像Sij進行多尺度、多方向的Contourlet稀疏分解，即[Slf,Shf(1,1),···,Shf(1,L1),Shf(2,1),···,Shf(K,Lk)]=T(Sij),]]>其中T(·)為Contourlet變換；從而得到一幅低頻子圖像Slf和一系列具有不同分辨率的高頻子圖像Shf(k，l)，其中k∈(1，K)和l∈(1，Lk)標明子圖像位于第k層拉普拉斯塔式分解(LP)的第l方向；4)對Contourlet變換后的高頻子圖像Shf(k，l)進行閾值降噪處理，得到降噪子圖像，SDhf(k,l)=Λ(Shf(k,l),Thr),]]>其中，Λ(·)為閾值函數，Thr為閾值，根據Contourlet變換域系數服從廣義高斯分布，選用Bayes閾值TB=σn2/σx;]]>5)對第4)步驟中得到的所有降噪高頻子圖像SDhf(k，l)和第3)步驟中得到的低頻子圖像Slf實施Contourlet逆變換，得到再行方向和列方向上分別平移i和j后的降噪圖像，Si,jnf=T-1(Slf,SD hf(1,1),···,SD hf(1,L1),SD hf(2,1),···,SD hf(K,Lk)),]]>其中，T-1(·)為Contourlet逆變換；6)對第5)步驟中得到的圖像Si，jnf進行相應平移量的逆向循環平移，有Ii,jnf=C-i,-j(Si,jnf);]]>7)重復步驟2)至6)，直到i＝N1和j＝N2為止，停止重復；8)對得到的所有Ii，jnf(i＝0，…，N1；j＝0，…，N2)求平均，得到預降噪圖像f^CT=1N1N2Σi=0,j=0N1,N2Ii,jnf;]]>9)對第8)步驟得到的預降噪圖像 進一步進行Wiener濾波處理，得到最終的降噪結果
3.根據權利要求2所述的圖像組合降噪方法，其特征在于所述的第4)步驟中的閾值TB具體估計步驟如下①對于噪聲標準差σn，采用魯棒性的中值估計，σ^n=10.6745LkΣi=1LKmedian(|Shf(K,i)|),]]>其中Shf(K，i)(i＝1…Lk)為最高頻率系數；②由σy2=σx2+σn2,]]>有σ^x=max(σ^y2-σ^n2,0),]]>其中，σ^y2=1MNΣm=1MΣn=1NShf(k,i)(m,n),]]>Shf(k，j)是所考慮的高頻系數；③因此可得，閾值參數TB=σn2/σx.]]>
全文摘要
本發明涉及一種圖像組合降噪方法。本方法先通過Contourlet變換對輸入的帶噪圖像進行多尺度、多方向的稀疏分解，然后根據Contourlet變換域系數服從廣義高斯分布，在Contourlet域進行Bayes收縮閾值法降噪，并通過Contourlet反變換得到預降噪圖像，最后，采用Wiener濾波法對預降噪圖像進行進一步降噪處理，得到最終的降噪圖像，達到圖像降噪目的。采用本方法除去圖像中的噪聲，可提高圖像質量，本發明可廣泛應用于軍事領域或非軍事領域的光學成像、目標檢測和安全監控等系統中。
文檔編號H04N5/217GK1917577SQ20061003074
公開日2007年2月21日 申請日期2006年9月1日 優先權日2006年9月1日
發明者方勇, 劉盛鵬 申請人:上海大學