directionlet变换在图像去噪中的应用分析word格式论文.docxVIP

第一章 绪论引言人类从自然界获取的信息主要来自视觉部分。相关资料表明，人类获取的信 息中，视觉信息约占 60%，听觉信息约占 20%，味觉、触觉等其它信息加起来 约占 20%。图像正是人类取得视觉信息的重要手段之一，例如医生利用 MRI 和 CT 等医学图像来诊断疾病；普通用户通过电视、互联网获得日常信息等等。人 类对视觉的依赖导致了人类不断寻找更有效的图像处理算法和应用。真正意义上的图像是存在于大空间上的局部信息及其特有的几何结构。因为 图像的几何特征（如边缘和轮廓）包含了最多的视觉信息，所以图像的几何特征 是区别真正的图像和随机图像的关键所在。例如图 1.1(b)是一幅随机图像而不能 称为真正意义上的图像。虽然几何特征的研究已经取得一定成果，但是目前处理 的图像大部分是离散的，故要求获取图像几何特征的方法能在离散空间中实现。 因此数据的离散性和算法的效率问题才是最主要的挑战。(b)图 1.1 真正的图像与随机图像的区别(a)真正意义上的图像 (b)随机图像Fig. 1.1 The difference between a real image and a random imageA real image (b) A random image图像处理的内容包括去噪、压缩和特征抽取等等，其基本难题都是寻找有效的图像表示方法。基于变换的图像表示方法要求具有稀疏性，也就是说，大量的 图像信息必须包含在少量的变换系数中。对于图像的表达，小波变换是目前广泛使用的方法之一，它具有算法简单， 计算效率高的特点。一维小波变换在过去的二十年内取得了很大成功，因为它为 一维的分段光滑信号[1][2]提供了很好的多分辨率表示。由于图像是二维信号，故 小波在图像处理上的应用需要设计二维的小波基。最普通的方法是直接通过一维 小波简单张成，这种方法概念简单，复杂度低，且所有的一维小波的理论都可以 继续使用。但是这样生成的二维小波是各向同性的，虽然可以检测到边缘点的不 连续性，却无法检测图像中物体边界的平滑性，所以不能有效地获取图像中的轮 廓信息。此外，二维可分小波只能获取图像中有限的方向信息，而方向信息正是 多维信号重要且独特的特征。基于标准二维小波变换在图像表示上的众多缺陷， 本文引入 Directionlet 变换[3]以实现对图像更有效的表达。1.2 国内外研究现状如 1.1 节所述，标准的二维小波变换不能为一维不连续处，如边缘或轮廓， 提供紧凑的表达。造成这种低效的主要原因是：标准二维小波的结构是空间各向 同性的，即在每个尺度中，水平和垂直方向上的滤波和采样操作完全相同。由于标准二维小波的滤波器在各个尺度上是各向同性的，所以其基函数的支 撑集可以看作是方形的。用标准二维小波向光滑曲线逼近，也就是用方形的支持 集来表示曲线，如图 2.1(a)所示。图中方形只有水平和垂直两个方向，不能随着 曲线的走向而改变方向。因为图像中的曲线是高度各向异性的，所以它们的几何 特性不能被各向同性的变换有效地捕捉。这些各向异性对象在进行标准小波变换 时会产生许多数值较大的小波系数。图 2.1(b)是各向异性的基函数对相同曲线的 逼近示意图，其基函数的支持集可以表示为一系列大小、方向都不一样的长条形， 且这些长条形的方向与它所表示的曲线区域的方向大致相同。我们可以很明显的 看到，图 2.1(a)中使用的方形要远多于图 2.1(b)中使用的长条形。也就是说，各 向同性的标准小波与各向异性变换相比，后者对图像的表达更加稀疏。近期的研究工作中，各向异性基函数已经通过自适应和非自适应结构提出 来；自适应结构如 bandelets[4][5]，非自适应结构如 edgelets 和 wedgelets[6][7]，curvelets[8][9]，contourlets[10][11]等等。这些各向异性基函数能给图像中的边缘或轮 廓提供稀疏表达，但每种变换都有其局限性。(b)图 1.2 各向同性和各向异性基函数的区别(a)各向同性基函数在不连续处产生大量系数 (b)各向异性基函数在不连续处产生少量系数Fig.1.2 The difference between two types of basis functions: isotropic and anisotropic (a)Isotropic basis functions produce a lot of coefficients around the discontinuityAnisotropic basis functions produce only a few coefficients around the discontinuity脊波变换是一种非自适应的高维函数表示方法，它对于图像中的连续或不连 续直线都有良