Contourlet一种有效方向多尺度变换分析方法.docVIP

Contourlet一种有效方向多尺度变换分析方法 　　摘要：Contourlet变换是对二维图像域内小波变换的一种新扩展，由不可分的方向滤波器组实现，该变换的基函数分布于多尺度、多方向上，可仅利用少量系数有效地捕捉图像中的光滑轮廓，而光滑轮廓正是自然图像的主要特征。讨论了Contourlet变换的发展背景、原理和数字实现与实际应用，分析了Contourlet变换存在的问题并指出了进一步研究的方向。 　　关键词：方向多尺度变换；Contourlet变换；Curvelet变换；小波变换 　　中图法分类号：TP317??4文献标识码：A 　　文章编号：1001－3695(2006)09－0018－05 　　 　　随着图像处理技术渗入人们的生活，有效的图像表示和处理受到了极大的重视。表示法的有效性是采用稀疏描述的方法捕捉图像中视觉信息的能力。自然图像的视觉信息主要包含在物体边界的几何特征中，因此利用几何特征表示和处理视觉信息成为很多图像处理任务（图像重建、压缩、去噪和特征提取等）的研究热点。?? 　　研究初期，人们认为倘若能预先知道图像中几何轮廓的分布就能稀疏地表示图像。基于该思想，人们提出了很多基于边缘的算法。Carlsson在1988年提出了基于边缘的图像表示[1]，这种方法首先检测图像中发生数值跳变的曲线即边缘，再通过描述相同的边缘和数值插值计算边缘间的图像灰度值来逼近原图像。基于相似的思想，还有许多其他采用不同的边缘检测方式和跳变模型来逼近原图像基于边缘的图像表示方法[2,3]，多尺度边缘表示的小波模极大值方法[4]和边缘自适应多分辨率方法[5]则对这些模型进行了改进。在重构主要边缘结构的过程中，人们还引入了非完备正交簇的Fovel小波和WaveletFootprint[6]等基于边缘的图像表示方法。这些方法都需预先计算图像的几何轮廓特征，再利用边缘信息调整算法来逼近原图像，因此是自适应的。目前，自适应表示法中最具代表性的是Pennec和Mallat提出的Bandlet[7]，据证明Bandlet在某种意义上可达到最优逼近。但所有基于边缘检测的算法都存在一个难题：图像的灰度值突变并不完全等价于边缘轮廓附近的灰度值突变。一方面，光学衍射产生的平均效果模糊了闭合边缘上灰度值的不连续性，物体的边缘可能不会有明显的灰度值突变；另一方面，许多灰度突变可能起源于纹理信息而不是几何轮廓，区分确定图像中灰度值突变的起因至今仍未有很有效的办法。因此，大部分基于边缘的自适应算法在实际应用中的逼近效果并不优于可分正交小波变换。?? 　　图像的非自适应表示法无须计算先验知识，在固定基或框架下逼近图像，与自适应算法相比具有算法简单可通用、计算效率高的优点。小波变换是目前广泛使用的非自适应方法，一维小波无须先验知道奇异点的分布，能对含点奇异的分段光滑函数达到最优逼近。一维信号的奇异表现为点奇异，而二维情况要复杂得多，奇异点往往不是孤立点，而是聚合成有某些几何特征的轮廓。二维可分小波是一维小波的简单张成，各向同性的性质导致方向选择性差，不能有效地捕捉轮廓信息，是一种“非稀疏”图像表示法，因此有必要寻求比小波更有效的方法。继可分小波变换后自适应图像表示法层出不穷，但是非自适应的稀疏表示法的研究却成效甚微，直到Candes和Donoho在1999年提出非自适应的Curvelet变换[8]，表明图像的非自适应稀疏表示是可能的。2002年Do和Vetterli在继承Curvelet思想的基础上构造了一种新的非自适应的方向多尺度变换――Contourlet变换[9]。本文讨论了图像稀疏表示的概念、Curvelet变换和Contourlet变换的基本原理以及数字Contourlet变换的构造过程和相关性质及其在图像处理中的应用，最后分析了Contourlet变换的前景和发展方向。?? 　　 　　1图像的稀疏表示?? 　　 　　在图像压缩、图像去噪、图像重建等图像处理任务中，图像表示法的稀疏性是关键。某种表示方法是“稀疏的”表明：一些数值较大的系数集中（浓缩）了图像的大部分能量和信息，这意味着使用少量的比特数就能达到表示图像的目的。?? 　　 　　1．1稀疏表示的要素?? 　　对一维分段光滑信号，如一幅图像的扫描线，小波已被证明在某种程度上达到最优表示。自然图像并非是一维光滑扫描线的堆积，由于物体的光滑边界，自然图像中的不连续点常以分段连续曲线的形式表现。二维可分小波是一维小波的简单张量积，其基函数具有方形的支撑域，表现出各向同性（Iso－tropy）的性质，仅能捕捉有限的方向信息（水平、垂直和对角线方向）。图1(a)给出了二维可分小波基逼近曲线奇异的过程。二维可分小波的多分辨率性质通过使用具有不同尺度方形支撑域的基函数来实现，随着分辨