基于非下采样轮廓波变换红外热图去噪方法.docVIP

基于非下采样轮廓波变换红外热图去噪方法 　　摘 要： 红外热图去噪不仅可以去除红外热图的噪声，还能提高图像的清晰度，具有很强的实用性。在此提出一种基于非下采样轮廓波变换的Bayes自适应去噪算法，并且结合变换后的每一层子带的各个方向间的能量分布规律，对不同的方向子带自适应地设置阈值，对相应的子带系数进行软阈值去噪，保留了更多的原始图像的纹理和边缘等细节信息。在Matlab环境下的仿真结果表明，该算法不仅去噪效果优异，而且处理后的图像更加接近原图像的视觉效果。 关键词： 红外热图去噪； NSCT变换； Bayes估计； 软阈值 中图分类号： TN919?34； TP391 文献标识码： A 文章编号： 1004?373X（2013）16?0071?03 0 引 言 红外热像技术是利用红外探测器与光学成像物镜将物体发出的不可见红外线转变为热图像。由于红外热像的获取装置是一个窄带光谱辐射测温系统，并且是根据测到的辐射能计算出来的。因此，在实际测量时，不免会引进一些噪声，对这些噪声的清除将大大改善红外热像仪的视觉效果，更进一步提高红外热像技术的使用前景。 2002年DOMN和Vetterlim共同提出了Contourlet变换[1?2]，这是一种结合了多分辨率分析和多方向滤波的小波变换，它不仅具有小波变换所具体的多尺度、时频局域性，而且还具有多方向、各向异性等特征。但由于Contourlet变换不具有平移不变性，A.L.Cunha等人于2005年提出了非下采样的Contourlet变换（Nonsubsampled Contourlet Transform，NSCT[3]），该算法不仅得到了灵活的多分辨率、多方向性，而且还具有平移不变性。该算法包括无下采样的金字塔分解和无下采样的方向滤波器组，不仅得到了灵活的多分辨率、多方向性，而且还具有平移不变性。 本文提出的基于NSCT变换的去噪方法根据不同方向子带的Bayes估计原始图像信号的噪声，结合能量分布自适应的调整相应的阈值，避免了统一阈值的截断式处理可能造成的图像细节丢失。 1 理论基础 1.1 非下采样金字塔 A.L.Cunha等人于2005年提出了NSCT变换，该算法分为两部分：无下采样的LP[4]（Laplacian Pyramid）分解和无下采样的DFB（Directional Filter Bank）分解。 无下采样的LP分解不同于Contourlet变换中的LP分解。在NSCT变换中采用à trous算法的思想，对低通滤波器和高通滤波器分别进行上采样（对于第j尺度上的分解，在相邻两个滤波器系数间同时插入[2j-1]个零），然后对上一尺度滤波后的低频图像用上采样后的低通滤波器进行低通滤波，得到低频图像，对上一尺度滤波后的高频图像用上采样[5]后的高通滤波器进行高通滤波，得到LP分解后的高频图像。无下采样的LP分解过程（见图1）。 图中， [xj+1]表示无下采样的第[j+1]尺度上的低频信号，[yj+1]表示无下采样的第[j+1]尺度上的高频信号。[Hj]，[Gj]分别表示[H0]，[G0]的[2j]尺度膨胀（即在相邻两个滤波器系数之间同时插入[2j-1]个零）。 1.2 非下采样方向分解 对于NSCT中的无下采样的DFB分解而言，在第一级分解中，采用标准的扇形滤波器，来获得图像频谱的“水平”分量和“垂直”分量。在第二级分解中，对扇形滤波器采用梅花形矩阵进行上采样，得到的插值扇形滤波器有棋盘状的频域支撑，称为象限滤波器。如图2所示。 1.3 NSCT变换的性质总结 以上分析可知，NSCT并不对LP分解后的分量和DFB分解后的分量进行下采样，而是分别对滤波器进行上采样，由此获得了平移不变性，消除了图像恢复过程中的伪Gibbs失真，同时增强了图像的NSCT的方向选择性，使后期去噪合成的图像能够更加逼近原始图像。 2 阈值去噪 2.1 噪声信号模型 图像噪声信号模型为g=s+n，其中s为图像信号的真实值，n为图像信号中夹杂的噪声，g为图像信号观测值。对应NSCT模型的噪声信号为： [gmkk= smkk+ nmkk] （1） 式中[gmkk]是噪声图像经NSCT分解后的第k（当前分解层数）层第[mk]（当前的方向数）方向的分解系数，[smkk]是原图像信号经NSCT变换分解后的第k层第[mk]方向的分解系数，[nmkk]是噪声信号经NSCT变换分解后的第k层第d方向的分解系数。 2.2 去噪算法 阈值去噪的思路是：对含噪图像进行NSCT后，得到的系数只有少量的较大幅值系数表示图像的纹理和边缘等图像细节信息，其他大部分小幅值系数代表图像的噪声信号或平滑分量。对小