contourlet变换基础.pptVIP

* * contourlet变换 2003年 M.N.Do和 M. Vetterli 提出了又一种崭新的多尺度几何分析工具-contourlet变换。 contourlet变换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。它将小波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。实验证明,在大多数图像应用中,contourlet的效果都优于其它 MGA 分析工具。 contourlet理论 离散 contourlet变换的构造 contourlet理论首先完成的是离散域的contourlet 构建,随后 M.N.Do 和 M.Vetterl i使用多分辨分析的框架将 contourlet 由离散域扩展至连续域。离散contourlet变换可以分为两个独立的步骤 : ( l)使用 L p 滤波器(Iaplaeian pyramid Filters)对原图像进行子带分解 ,以捕获二维图像信号中存在的点奇异。 ( 2 )使用方向滤波器组(Directional Filter Bank D F B )进行方向变换(Directional Transform,DT)。 金字塔（LP)分解不具有方向性，而方向滤波器（DFB）对高频部分能很好分解，对低频部分不行。二者的结合恰好能弥补对方的不足，从而得到了很好的图像描述方式如图所示： contourlet变换具有比wavelet变换分解出更多的方向子带，分解具有更多的方向信息。而且，wavelet变换在每一尺度上只能分解出四个方向子带，而contourlet变换在每一尺度上所能分解的方向子带是可以自由选择的,分解更具灵活型，可以更具图像的纹理的特性选择合适的参数，从而能更有效的表示图像。contourlet变换和wavelet变换一样，两者都是一个迭代过程，因此可以容易地用递归的方法实现contourlet变换程序。这里需说明的是，当在某一尺度上需用DFB分解的方向子带数为0，则程序使用wavelet变换分解，获得三个方向（垂直，水平，对角线）和低通的子带。 contourlet频谱划分示意图 可以看出 ,在不同尺度和方向上 ,contourlet都具有长方形的支集。变换的最终 目的是将原始图像使用独立的类似于轮廓线段( co ntour )的基进行逼近 ,这也是我们之所以称其为 contoudet变换的原因。 离散Coutourlet的性质 1. 由于LP和DPF都是完全重构的，所以二者的结合PDFB也是完全重构的； 2. 如果LP和DPF都用正交滤波器组，那么PDFB提供了一个紧框架，框架界为1； 3. PDFB具有冗余性，冗余度为4 / 3； 4. 假设 层的DFB应用于LP 的j层( j=1，2，…J，而j=1对于最优尺度)，那么分解效果相当于基函数具有如下的支撑区间：width ≈ 2j，length ≈2j/2。 5. 用FIR滤波器，对N像素图像PDFB的算法复杂度为o(N) 。而且由于多尺度和多方向的结合，我们可以任意选择某一层次的分解方向数。 。 非线性逼近演示的轮廓 Wavelets和Contourlets 小波变换 Contourlet变换 图给出了2级contourlet变换的分解示意图。由图可知，对于原图像，在第一层进行的是小波分解，得到四个方向的信息子带，而在第二层进行8方向的DFB滤波，得到8个方向的子带信息。 图给出了2级contourlet变换的分解示意图。由图可知，对于原图像，在第一层进行的是小波分解，得到四个方向的信息子带，而在第二层进行8方向的DFB滤波，得到8个方向的子带信息。 基于Contourlet变换的图像 图给出了3级contourlet变换的分解示意图。图像经3级LP分解，最细致层上方向数为16（由于图片大小原因，最高级的分解图白线不清楚）。 (a)给出了在噪声强度等级为3的图像对比效果图，(b)为加噪图像，(c)为用小波变换去噪得到的图像，(d)为用Contourlet变换去噪后的图像。 基于Contourlet变换的图像 用Contourlet 变换实现的算法可以得到更高的SNR，这是因为Contourlet 变换比小波变换得到的系数能量更加集中，或者说Contourlet 变换具有更“稀疏”的表示，可见，在Contourlet 域中进行阈值去噪，能比小波阈值获得更好的效果。 * *