Contourlet分析及在图像去噪中的应用毕业答辩.pptVIP

Company Logo LOGO Contourlet分析及其在图像去噪中的应用 答辩人: 专业:通信工程 指导老师: 三峡大学2012届毕业生答辩 研究目的和意义 研究现状和发展趋势 课题主要内容 Contourlet变换原理 Contourlet变换用于图像去噪的研究 去噪方法的实现及结果分析 总结和改进 主要内容 研究目的和意义 图像在生成、获取和传输过程中不可避免地会受到各种不同程度噪声污染，导致图像质量损坏，影响后续更深层次的图像处理。因此，图像去噪的研究是图像处理重要环节，研究更有效的去噪方法是必要的。 Contourlet变换是一种崭新的多尺度几何分析工具，是一种真正意义上的图像二维表示方法，具有良好的多分辨率、局部化和方向性等优良特性。 Contourlet变换将小波分析的优点延伸到高维空间，能够更好地刻画高维信息的特性，更适合处理具有超平面奇异性的信息。 本课题主要探讨Contourlet分析的基本思想，并将其应用于含噪图像去噪，分析其降噪效果。 研究现状、发展趋势 小波变换具有时频“变焦距”特性，有利于信号的精细分析。 不同分辨率下，能反应出图像的不同结构特性，因而在处理突变信号时有较强的能力，适合于图像去噪。 对图像信号，可分离二维小波是一维小波的张量积，其小波基具有正方形的支撑区间；分辨率不同，其支撑区间为不同大小正方形，不满足各向异性。因此，二维小波逼近奇异曲线的过程最终表现为用点来逼近线的过程，即以点为单位来捕捉图像的特征。 图像光滑边界使得图像的不连续性更多表现为线奇异性，不仅是点奇异性。二维小波基具有有限个方向（水平、垂直，和对角线三方向），方向性的缺乏使得小波变换并不能充分利用图像本身的几何正则性。故二维张量积小波并不能实现图像曲线奇异性的稀疏表示。各向异性和方向性是获得图像稀疏表示的必要条件。研究者们提出了多尺度几何分析的图像分析方法。 课题主要内容 Contourlet变换原理（LP+DFB） 拉普拉斯分解与重构（LP） 方向滤波器组（DFB） 如何实现多方向分解 Contourlet图像分解 Contourlet变换用于图像去噪的研究 阈值图像去噪 邻域信息图像去噪 尺度间相关性图像去噪 1. 阈值图像去噪 阈值图像去噪 阈值图像去噪 阈值图像去噪 阈值图像去噪 结果分析 无论是在主观视觉效果还是客观评判标准上，硬阈值函数“3 准则”都比统一阈值函数去噪效果好。 尽管它可很好的保留图像边缘等局部特征，但处理的不连续性，反而给边缘信息丰富图像产生“人为”噪声。 本小节在“3 准则”上进行改进，采用软阈值，由实验结果可得出，本算法很好的保留了图像边缘特征，处理效果也相对平滑，取得比较好去噪效果。 2. 邻域信息图像去噪 邻域信息图像去噪 邻域信息图像去噪 邻域信息图像去噪 邻域信息图像去噪 结果分析 本节算法相对小波域，Contourlet域去噪PSNR更大； 本算法依据Contourlet系数邻域信息的不同，选取适当的窗口，用其窗口中contourlet系数的中值和均值替代，后使用阈值函数处理，兼具了阈值函数去噪算法优点，算法实现简单，同时可很好地保留图像边缘等局部特征，效果结果比较平滑。 均值处理效果优于中值，本小节Contourlet域均值处理的去噪算法图像的PSNS值均高于其他去噪方法。且PSNR值并没有随加入的噪声级别的增大而迅速减小，而是保持相对稳定。 3. 尺度间相关性图像去噪 尺度间相关性图像去噪 尺度间相关性图像去噪 尺度间相关性图像去噪 Company Logo LOGO