小波域高斯混合模型与中值滤波的混合图像去噪研究.pdfVIP

第36卷第 12期 光 子 学 报 Vo1．36 No．12 2007年12月 ACTA PHOTONICA SINICA December 2007 小波域高斯混合模型与中值滤波的混合图像去噪研究 胡晓东，彭鑫 ，姚岚 (中国科学院西安光学精密机械研究所，西安 710119) (中国科学院研究生院，北京 100039) 摘 要：基于高斯混合模型的小波去噪方法并结合中值滤波法对脉冲噪音有较好滤除效果的特点， 将这两种方法结合起来，对含有高斯脉冲混合噪音图像进行去噪处理．该算法采用Matlab语言进 行仿真．实验结果表明，这种混合去噪方法的效果要优于单纯使用中值滤波或者小波去噪的效果． 关键词：图像去噪；高斯混合模型；小波去噪；中值滤波；Matlab算法仿真 中图分类号：TN9ll 文献标识码：A 文章编号：1004—4213(2007)12—2381～5 0 引言 1 小波系数高斯混合模型及其参量估 图像在采集，处理以及传输过程中，不可避免地 计在高斯白噪音去噪中的应用 会受到各种噪音的干扰，比如白噪音，散粒噪音，热 1．1 高斯混合模型 噪音等．这些噪音的存在影响了采集到的图像质量， Chipman等针对一维信号，将每个系数的概率 尤其是破坏了图像在结构、内容等方面像素之间的 密度函数视为两个均值为零、方差不同的正态分布 相关性，非常不利于进一步的图像分析．因此在应用 之和，提出了高斯混合模型[1]． 各种图像处理算法之前，必须要对数字图像信号进 对于二维图像，可借鉴一维的情况进行扩展，设 行预处理，去除这些噪音．近年来小波理论发展迅 Y[i， ]一XEi， ]+ [ ， ]，其中y[i，J]、XEi，J]、 速，基于小波的去噪算法成为一个重要的研究方向． [ ， ]分别代表观测到的含噪图像、真实图像以及噪 世界各国科学家提出各种不同小波域图像去噪方 音的小波系数．根据Chipman的思想，图像的每个 法，例如：Donoho提出的小波萎缩方法，其基本原理 系数也可以建模为两个均值为零、方差不同的正态 就是根据软、硬阈值方法滤除噪音；Simoncelli和 分布之和 “ Adelson利用广义拉普拉斯分布对小波系数建模， X[i，J]～P[i， ]×N(0， [ ，J])+ 用非线性小波萎缩方法滤除噪音；Chang与Vetterli (1～P[i，J])×N(0， ；[ ， ) (1) 将图像小波系数建模为广义高斯分布，并用邻域模 该模型中有三个参量： [ ，J]、 [ ，J]、P[ ，J]，其 型估计参量变量，对每个小波系数设置阈值进行去 中 [ ， ]、 [ ， ]表示X[i， ]的大小方差，P[i，J] 噪．由这几种方法的共同特点可以看出：图像小波系 表示xEi，J]的大方差概率，每个系数的参量随像素 数的模型参量估计与阈值的选择是小波域图像去噪 自适应调整． 的两个最关键的问题，将直接影响到去噪的精确性． 1．2 模型参量估计 图像噪音按照其来源可分为加性噪音，乘性噪 为了得到随像素自适应调整的模型参量，首先 音，量化噪音等，按噪音的性质可分为高斯白噪音和 对小波系数进行分类．Chang等在子带自适应 脉冲噪音两类．中值滤波可以很好地滤除脉冲噪音， BayesShrink阈值基础上提出了空间自适应阈值[3 但滤除高斯噪音的效果不理想．而小波变换可以较