一种基于贝叶斯估计的双树复小波图像去噪算法.docVIP

一种基于贝叶斯估计的双树复小波图像去噪算法 　　摘 要：为了去除图像中的高斯噪声，本文根据贝叶斯最大后验概率估计，把双树复小波变换和拉普拉斯分布模型结合起来，提出了一种基于贝叶斯估计的图像去噪算法。实验表明，本文算法能明显的改善和提高主观视觉效果和峰值信噪比。 　　关键词：双树复小波；图像去噪；贝叶斯估计；拉普拉斯模型 　　中图分类号：TP391 　　去噪一直是图像处理中的经典问题，是图像预处理中的一个重要环节，为图像分割、图像融合和图像压缩等后续操作奠定基础。小波变换因其具有良好的局部化分析和多分辨率分析等特性，在图像去噪领域得到了广泛的应用和研究[1]。目前，基于小波变换的去噪方法是图像去噪的主流方法，主要有：小波阈值法、基于统计特性的贝叶斯估计法、基于奇异性检测的方法等。 　　传统的离散小波变换（DWT）虽然具有许多优异特性如：低熵性、去相关性、多分辨率分析、选基灵活性等，但也存在一定的局限性：（1）离散小波变换在采样时由于缺乏平移不变性，会导致图像出现伪吉布斯现象；（2）传统的离散小波变换只能分解成水平、垂直和对角三个方向，方向选择性有限；（3）震荡性；（4）频谱重叠性。这些缺点给小波变换在实际应用中带来了一些问题[3]。 　　Nick G. Kingsburg在1998年提出了双树复小波变换（DC-CWT）技术，DC-CWT保留了一般小波的优点，而且还具近似平移不变性、有限冗余性、良好的方向选择性和完全重构性等特点，很好的解决了上述离散小波变换存在的问题[5]。本文在DC-CWT的基础上，结合贝叶斯最大后验概率估计技术和拉普拉斯分布模型，提出了一种基于贝叶斯估计的双树复小波图像去噪算法。 　　1 双树复小波变换 　　双树复小波变换是在实小波理论的基础上发展起来的，使用过采用技术，是对离散小波变换的改进。它通过使用两个滤波器并行对输入信号进行处理，可以表示为：ψ（t）=ψh（t）+ψg（t）j （1） 　　其中ψh（t），ψg（t）分别为复小波的实部和虚部，是两个独立的实小波变换。在复小波变换中有两个平行的小波树：树A和树B，分别表示复小波的实部和虚部；树A对图像的行进行处理，树B对图像的列进行处理。和实小波一样，复小波每一级分解后都有低频和高频。 　　假设h0（n），h1（n）分别表示树A的低通和高通滤波器，g0（n），g1（n）分别表示树B的低通和高通滤波器。树A和树B在采样时，为了不丢掉树A和树B在采样时而舍弃的系数，树A和树B必须有一个采样周期的延时，这样就可以保证树B能采样到树A采样时丢弃的系数。 　　对一维双树复小波ψ（t）=ψh（t）+ψg（t）j，ψh（t），ψg（t）为近似的希尔伯特变换对，则二维双树复小波就是一维双树复小波的张量积，其式为： 　　ψ（x，y）= ψ（x）ψ（y） （2） 　　其中：ψ（x）= ψh（x）+ψg（x）j，ψ（y） =ψh（y）+ψg（y）j （3） 　　把式（3）代入式（2）中，就得： 　　ψ（x，y）= （ψh（x）+ψg（x）j）（ ψ（y） =ψh（y）+ψg（y）j）=（ψh（x） ψh（y）- ψg（x） ψg（y）+（ ψg（x） ψh（y）+ ψh（x） ψg（y））j （4） 　　双树复小波在分解二维信号时，一般用滤波器先对列后对行进行处理，这样就可以得到6个高频子带和2个子带，这6个高频子带分别对应图像中的6个方向（±75°、±45°、±15°），因此，双树复小波有更多的方向选择，可以提高和增强某个方向上的边缘和纹理特征信息。 　　2 基于贝叶斯估计的拉普拉斯模型图像去噪算法 　　2.1 拉普拉斯分布模型 　　把图像的小波系数建立为某种数学统计模型，可以提高和改善图像的处理效果。一般的小波系数统计模型分成三类：层内模型、层间模型和混合模型，拉普拉斯分布模型属于层内模型，模型中只有一个参数，计算量小，数学表达式简单，可以近似得到贝叶斯估计值。 　　对于受到加性高斯噪声ε（均值为0，服从N（0，σ2）分布）污染的观测图像 可以表示为：g=s+ε，s为真实干净的图像。对观测图像g进行双树复小波变换，就得：y=w+n，y，w，n，分别表示观测图像、真实干净图像和噪声的复小波系数。在观测图像g中去除噪声ε，就是在y中尽可能的恢复出w的估计值w′。 　　在拉普拉斯分布模型中，复小波系数的概率密度函数为： 　　2.2 贝叶斯最大后验概率估计（MAP） 　　加性高斯噪声ε经过双树复小波变换后，也是均值为0，服从N（0，σ2）分布，且与图像无关。因此，噪声的复小波系数n的概率密度函数为： 　　那么，根据贝叶斯最大后验概率估计，就得到w的近似值w′：2.3 贝叶斯估计去噪算法 　　在式（10）中，知道了复小波系数的