基于小波域高斯混合模型与中值滤波的图像去噪研究术.pdfVIP

图像 ImageProcessingandMultimediaTechnology 基 于 小波 域 高 斯 混合 模 型 与 中值 滤 波 的 图像 去 噪研 究 术 杨 辉 ，彭 良玉 ，陆世专 (1．湖南师范大学 物理与信息科学学院，湖南 长沙 410081； 2．北京航空航天大学 仪器科学与光 电工程学院，北京 100083； 3．南京大学 物理学系 ，江苏 南京 210093) 摘 要 ：分析 了基于高斯混合模型 的小波去噪方法，并结合 中值滤波提 出一种新的图像去噪方 法。仿真实验表 明，将两种方法结合起来用于含混合噪声的图像去噪，比单独使用 中值滤波或小波去 噪 的效果更好 。 关键词 ：图像去噪 高斯混合模 型 小波去噪 中值滤波 图像去噪在 图像处理中具有重要意义 。随着小波理 1图像小波系数的高斯混合模型及其参数估计 论 的发展 ，基于小波 的去噪算法成为一个重要 的研究方 1．1高斯混合模型 向。世界各 国科学家提出各种不 同小波域 图像去噪的方 Chipman等针对一维信号 ，将每个系数 的概率密度 法 ：Donoho提 出的小波萎缩方法是小波去 噪研 究 中非常 函数视为两个均值为零 、方差不 同的正态分布之和 ，提 重要 的理论 ，它 的基本原理就是根据软、硬 阈值方法滤 出了高斯混合模型 ¨l。 除噪声 ；Xu利用不 同尺度 间小波系数 的相关性来 区别 对二维 图像 ，设 Y[i，j]=xfi，】+I，[，J】，Y[i，J】、x[i√】、 噪声 与原始信 号 ，通 过 阈值 来 滤 除 噪声 ；Malfait和 v[i，J．】分别代表观测到的含噪图像 、真实图像 以及噪声 Roose在 贝 叶斯概率分布框架下利用马 尔科夫随机模 的小波系数 。借鉴 Chipman的思想 ，图像 的每个系数也 型对噪声 图像建模 ，进行噪声抑制 ；Simoncelli和 Adelson 可 以建模为两个均值为零 、方差不 同的正态分布之和[21： 利用广义拉普拉斯分布对小波系数建模 ，用非线性小 x[i，j]-P[i，j]xN(0，O-i2[，J】)+ 波萎缩方法滤 除噪声 ；Miheak提 出一种 图像去 噪空间 (1一尸i【，J】)xN(0，o-g[i，J1) (1) 自适应统计模型 ，小波系数被视为高度相关 的高斯随 该模 型 中有 三个参 数 ：-[i，J】、 [i，J】、X[i，J】，其 中 机分布变量 ，同时估计噪声与原始信号的方差参数 ，用 - [，J】、O-o~[i，Jl表示 x[i，J】的大小方差 ，P[i，Jl表示 x[i，J】 最小均方差估计 (MMSE)来恢复图像小波系数 ；Chang与 的大方差的概率 ，每个系数的参数随像素 自适应调整。 Vetterli将 图像小波系数建模为广义高斯分布 ，并用邻 1．2模型参数估计 域模型估计参数变量 ，对每个小波系数设置阈值进行 为 了得到随像素 自适应调整 的模型参数 ，首先对小 去噪。根据 以上关于小波域 图像去 噪研究的分析 ，图 波系数进行分类 。Chang等在子带 自适应 BayesShrink阈 像 的精确统计模型是很关键 的，图像小波系数 的模型 值基础上提 出了空间 自适应 阈值 l： 参数估计 与阈值 的选择将直接影响到去噪的精确性 。 一 2 ， (2) 图像噪声按性质可分为高斯噪声 (白噪声)和脉 冲噪 声两类 。中值滤波可 以很好地滤除脉冲噪声 ，但滤除高 式中， 代表噪声方差 ，o-[i，jl代表当前系数 的标准差。 斯噪声效果不