基于轮廓波的小波域的图象去噪研究.pdfVIP

第十七届中国过程控制会议论文集 基于轮廓波的小波域的图象去噪 吴游 ，夏良正 （东南大学自动控制系，江苏 南京 210096） 摘要：第二代小代变换——轮廓波（contourlet）变换具有各向异性多方向选择性特征，在图象处理中得到 广泛的应用。该文重点讨论了基于轮廓波的图象去噪。通过与第一代小波变换的硬，软阈值去噪比较。第二 代小波不仅能够提高图象去噪的性能，而且能够更有效的保持图象的边缘和细节。 关键词：轮廓波；去噪；阈值 0 前 言 近年来，随着人们对小波研究的深入，小波理论的应用越来越广泛。小波变换的局部性，多尺度性和 压缩性使得它在去噪领域中有着非常好的效果。但是小波是表示具有点奇异性目标函数的最优基。基于张 量积的二维小波变换以“点”来捕捉图象的特征，不擅长表示图象中具有方向性的边缘和细节，为了解决 这一局限性，Candes和Donoho在小波变换的基础上发展起来第二代小波——轮廓波（contourlet），它具 有多分辨率、局部性、各向异性、对称性和多方向选择性等特征，非常有利于图象边缘的表示。contourlet 自 2002 年问世以来得到了相关研究者高度重视，在图象的处理和分析中有了很大的进展；尤其在图象去 噪，图象增强、图象融合、图象恢复等几个方面取得了很多的研究成果；同时，contourlet的边缘稀疏表 示的特性，让它在图象压缩领域有着很大的潜力[2]。 本文主要研究了 contourlet 的硬阈值，自适应软阈值去噪方法，通过与第一代小波变换去噪方法的 比较，第二代小波不仅能够提高 PSNR，而且能够更有效的保持图象的边缘和细节,提高图象的视觉效果。 1 轮廓波变换 Contourlet 变换可以看作是一种基于非分离型滤波器组实现的离散 Curvelet 变换。它是由拉普拉斯 塔式分解（LP, Laplacian pyramid）和方向滤波器组（DFB, directional filter banks）实现。图 1 为 contourlet变换的原理图。 LP DFB (π ,π ) Image ( − π , − π ) ω1 图 1 contourlet 变换的原理图 图2 contourlet 频带分割 拉普拉斯塔式分解把原始图象分解成低频子带和高频子带。其中低频子带是由原始图象通过二维低通 ° 滤波hn 和隔行隔列下抽样↓ m 产生的；低频子带经过上抽样↑ m 和低通滤波后形成与原始图象尺寸相同的 m 低频分量，原始图象减去这个低频分量形成高频子带。其分解结构可以表示为(m=2)[3]： ° 分解： n 其中 0 ≤ j ≤N − 1 (1) s =↓ 2 h ∗ s , s s j +1 2 j ° ∧ n 重构：s h =∗ ↑ 2s (2) j −1 2 j 高频子带再经过方向滤波器组分解成2i 个方向子带（i 为任意正