基于小波子带系数能量优化权值降噪.docVIP

基于小波子带系数能量优化权值降噪 　　摘 要：针对小波阈值降噪中阈值函数选取的关键问题，为解决常规阈值函数存在的不连续性以及估计得到的小波系数存在较大偏差的问题，提出一种在整个小波域都连续的自适应阈值函数。该阈值函数充分考虑了各尺度不同方向子带内小波系数的特征，将不同尺度多个方向的子带系数的能量作为该阈值函数的初始权重因子，采用区间进退法和黄金分割法迭代求解其优化的权值，自适应提高估计的小波系数与分解的小波系数的逼近程度。实验结果表明，该方法在去除噪声的同时保留了图像的边缘和细节信息，在不同的噪声标准差下取得了较高的峰值信噪比（PSNR）。 关键词：图像去噪；小波变换；阈值去噪；多尺度分解；阈值函数 中图分类号： TP391 文献标志码：A 0 引言 图像去噪是图像处理和计算机视觉领域的一项基本而重要的问题，是基础性和关键性的技术。现在的去噪方法主要有基于线性和非线性滤波、偏微分方程和变分法去噪、概率论和统计方法、频谱和小波分析等[1-2]。其中基于空域去噪的方法有线性滤波、高斯滤波、均值滤波、中值滤波等[3]。空域去噪的方法主要是利用图像的局部窗口内的灰度信息分布来调整当前像素的灰度值。偏微分方程去噪是利用非线性各向异性扩散方程在保持状态量结构不变的前提下去除噪声的一种方法，该方法在去除噪声的同时能保持图像边缘，但该方法在大噪声背景下对图像的平滑效果不是很理想[4]。变换域中的小波变换具有多分辨率、低熵性、稀疏性、去相关性、小波基选择灵活等特点，在充分抑制噪声的同时能有效保留图像的细节和纹理特征[5-7]。其中，小波阈值去噪因其计算简明、运算效率高成为小波去噪中的经典方法。小波阈值去噪主要是利用信号（图像）经过小波变换后，在小波变换域内数量较少、数值较大的小波系数包含了信号（图像）的主要能量，而其他小波系数则包含了很少的信号能量；同时噪声由于其随机性能量分布于整个小波域内，且信号的小波系数幅值要大于噪声的小波系数幅值。因此，采用非线性小波阈值去噪就是利用信号和噪声在小波域内具有的不同特性，选择一个合适的阈值抑制噪声对应的小波系数，同时最大限度保留信号对应的小波系数。 Donoho于1995年提出了具有代表性的基于 Stein的无偏风险估计（Steins Unbiased Risk Estimate， SURE）的小波收缩式软、硬阈值函数 [8]，引起了广泛的关注；文献[9]提出了一种用遗传算法优化阈值关键参数的自适应去噪方法；Chang等[10]提出了基于贝叶斯框架的BayesShrink收缩阈值函数；Gao等[11]结合软硬阈值函数的优点提出了一种软硬阈值折中法，即半软阈值函数；文献[12]提出了一种迭代寻优的自适应收缩阈值方法，克服了传统全局收缩阈值方法适应性差的缺点；文献[13]提出了一种高阶可导的阈值函数，该阈值函数的表达式及去噪效果需要通过人为调整其参数来保证；文献[14]提出了一种结合平稳小波相位不变性，利用小波系数的层内相关性及基于形态学对边缘信息的估计，在子带内对相似的区域采用阈值去噪；文献[15]提出了一种基于阈值神经网络优化其阈值的方法，该阈值函数必须设置一个常数因子且不能随分解尺度的变化而自适应调整；文献[16]利用尺度间小波系数的相关性，提出一种基于尺度间小波系数乘积的去噪方法。这些方法在一定程度上提高了小波去噪的性能，但对所有分解尺度不同方向上子带小波系数特征的分析略有不足，且其阈值函数固定不变，不能随分解尺度的变化而自适应调整。 本文根据不同尺度方向子带内小波系数的特点，提出了一种基于小波多尺度的子带自适应高阶连续可导阈值函数，通过区间进退法[17]和黄金分割法[18]确定各尺度子带内的优化小波阈值，提出的阈值函数随尺度变化能自适应灵活调整与分解的小波系数的逼近程度。 1 小波阈值去噪原理及离散小波变换 小波是一类具有衰减性的能进行伸缩和平移操作的紧支函数，而小波变换就是以小波函数为变换核通过其伸缩和平移在多个尺度下表征信号的局部化分析方法。多尺度指多个分辨率，不同的尺度对应了不同分辨率下信号（图像）的表示。小波域是指将信号（图像）经过小波变换后得到的小波系数的尺度—空间定义域，也即是小波系数的定义域。 4 结语 本文提出了一种在整个小波域都连续的阈值函数，依据各尺度上高频子带小波系数能量权值来分析各尺度上不同方向子带小波系数的特性，自适应调整估计的小波系数与分解小波系数的逼近程度。通过优化算法快速的迭代自适应选取最优权值，避免了全局阈值对小波系数估计的过扼杀和估计不足等缺点。实验结果表明，该算法在去除噪声的同时，能有效保留图像的细节特征和边缘信息，具有较高的信噪比，去噪效果明显。 参考文献： [1]LIU