基于USFFT Curvelet变换图像去噪算法.docVIP

基于USFFT Curvelet变换图像去噪算法摘要： 为了更好地保留图像的高频细节信息，有效地避免图像重构中出现边缘扭曲现象。提出一种基于ＵＳＦＦＴ Ｃｕｒｖｅｌｅｔ变换的图像去噪算法。该方法首先对噪声图像进行ＵＳＦＦＴ Ｃｕｒｖｅｌｅｔ变换，在变换域计算噪声图像具有的全局阈值，然后采用窗口技术自适应地估计每个处理像素的萎缩因子，通过ＵＳＦＦＴ Ｃｕｒｖｅｌｅｔ反变换得到去噪后的图像信号。实验结果表明本文算法取得较高的信噪比，更好地保留了图像中存在的边缘，同时在视觉效果上也取得了较好的效果 关键词： 中图分类号： ＴＰ３９１．４１ 文献标识码：Ａ 文章编号：２０９５－２１６３（２０１１）０１－００１７－０４ ０引言 由于成像条件与成像设备的限制，图像在获取过程中不可避免地会受到噪声干扰，造成图像质量下降。尤其是在航空、医学图像与工业检测等领域，噪声的干扰直接影响到后续图像分割与识别的处理效果。因此如何去除原始图像中的噪声，解决噪声抑制与细节保护之间的矛盾是图像处理领域中的研究热点 传统的图像去噪方法可以分为空域平滑方法与频域滤波方法。其中，空域平滑方法主要包括各向异性线性滤波[１]、全变分滤波[２]与高斯滤波[３]等。这些方法的基本思想都是基于局部平滑技术，也就是利用局部窗口内像素灰度值的连续性对当前像素值进行更新，通过设计相应的滤波模板和权系数，计算当前像素点和模板周围点灰度的加权和。其中的各向异性的线性滤波器虽然能对图像的边缘有很好的保持，但是在图像的平滑区域却会出现块状分布，造成图像出现整体的不平整性，并且在去噪过程中损失了大量的图像信息。频域去噪中比较经典的方法为基于小波分析[４－６]的阈值去噪即软阈值与硬阈值方法。该方法认为图像噪声信号主要集中在高频子带内，因此对图像进行小波变换，然后对高频小波系数进行置零或者衰减来达到去噪的目的。基于小波的去噪方法具有内在的局限性，对图像进行二维小波变换后，即使在高尺度下，描述图像边缘的小波系数依然很大，这就意味着在进行图像重构的过程中必须保存大量的小波系数。同时由一维小波张成的可分离小波具有有限的方向，无法表示含线奇异或者面奇异的高维函数。为了克服上述提到的局限性，多尺度几何分析[７]将成为一种非常有用的技术，其代表就是Ｒｉｄｇｅｌｅｔ变换与Ｃｕｒｖｅｌｅｔ变换[８－１０]。其中，Ｃｕｒｖｅｌｅｔ变换是以Ｒｉｄｇｅｌｅｔ变换为基础，通过分块使曲线近似到每块中的直线，然后在每块中运用Ｒｉｄｇｅｌｅｔ分析其特性，其实现过程包括子带分解、平滑分块、正规化与脊波变换。由于在Ｃｕｒｖｅｌｅｔ变换中引入了一个方向参量，因此其支撑区间具有各向异性特征，同时对图像的边缘具有良好的表征能力 基于上述分析，本文提出了一种基于ＵＳＦＦＴ Ｃｕｒｖｅｌｅｔ变换的图像去噪算法，首先对图像进行二维Ｃｕｒｖｅｌｅｔ变换，通过引入窗口技术对Ｃｕｒｖｅｌｅｔ变换系数进行自适应阈值处理，估计出萎缩因子，然后保留较大的Ｃｕｒｖｅｌｅｔ系数，去除较小的系数，对处理后的Ｃｕｒｖｅｌｅｔ系数做反变换得到去除噪声后的图像信号。本文算法可以很好地解决抑制噪声与保护图像边缘细节信息的矛盾，避免出现图像模糊现象，同时本文算法需要的参数较少，实现简单并且具有较低的计算复杂度 １Ｃｕｒｖｅｌｅｔ变换基本理论 １．１Ｒｉｄｇｅｌｅｔ变换 Ｒｉｄｇｅｌｅｔ变换是用直线来剖分图像，用直线近似逼近曲线，其中Ｒｉｄｇｅｌｅｔ函数沿直线ｘ１ｃｏｓθ＋ｘ２ｓｉｎθ＝ｃ（常数）的方向是一条直线，而沿着θ方向则是一个小波 １．２Ｃｕｒｖｅｌｅｔ变换 Ｃｕｒｖｅｌｅｔ变换是在 Ｒｉｄｇｅｌｅｔ变换的基础上发展起来的，首先对图像进行子带分解，然后对不同子带的图像进行分块，在每个块内进行Ｒｉｄｇｅｌｅｔ分析。令子块的长度为Ｌ，子块的宽度为Ｗ，其中每个子块的支撑区间满足Ｗ＝Ｌ２。这使得Ｃｕｒｖｅｌｅｔ变换具有较强的各向异性，能够很好地体现图像的几何正则性。Ｃｕｒｖｅｌｅｔ变换对不同尺度子带的图像采用不同大小的分块来完成图像分解操作，该变换结合了Ｒｉｄｇｅｌｅｔ变换的各向异性特性与小波变换的多尺度特性 采用ＵＳＦＦＴ（ｕｎｅｑｕａｌｌｙ－ｓｐａｃｅ ｆａｓｔ Ｆｏｕｒｉｅｒ ｔｒａｎｓｆｏｒｍ）实现Ｃｕｒｖｅｌｅｔ 变换[１１]： （２）对每个尺度与方向参数（ｊ，ｌ），运用插值法对ｆ＇（ｘ１，ｘ２）进行重新采样得到：ｆ＇（ｘ１，ｘ２－ｘ１ｔａｎθ），其中ｘ１，０≤ｘ１＜ｘ１＋Ｌ１，ｘ２，０≤ｘ２＜ｘ２＋Ｌ２； （３）采用抛物窗Ｕｊ与ｆ＇（ｘ１，ｘ２－ｘ１ｔａｎθ），从而局部化ｆ＇ｊ，ｌ（ｘ１，ｘ２）＝ｆ＇（ｘ１，ｘ２－ｘ１ｔａｎθ）Ｕｊ（ｘ１，ｘ２）； （４）对ｆ＇ｊ，ｌ（ｘ１，ｘ２