一种改进小波阈值去噪方法.docVIP

一种改进的小波阈值去噪方法 　　摘 要： 在原有的小波阈值去噪方法的基础上，提出了一种改进的图像去噪方法FastICA?MPSO?WTD。该方法将快速独立主元分析（FastICA）和WTD相结合进行图像去噪，为了使小波阈值去噪效果更好，使用改进粒子群算法（MPSO）优化小波阈值参数。为了证明该方法的有效性，选择测试图像进行去噪对比实验，实验使用峰值信噪比（PSNR）评价去噪效果，实验结果表明改进方法FastICA?MPSO?WTD能够有效地提高去噪效果。 　　关键词： 图像去噪； FastICA； MPSO； 小波阈值 　　中图分类号： TN919?34； TP391 文献标识码： A 文章编号： 1004?373X（2016）17?0020?03 　　0 引 言 　　随着现代计算机技术的发展，数字图像获取和传输越来越广泛，比如面部识别、视频监控等。然而噪声时刻伴随着图像，严重影响图像后期处理，所以图像处理成为必然趋势[1?2]。图像去噪是图像处理的一个方面，本文涉及到的去噪方法有独立主元分析（ICA）、改进粒子群算法（MPSO）和小波阈值去噪（Wavelet Threshold Denoising，WTD）方法。 　　ICA是近年来发展起来的信号处理方法，ICA是以非高斯信号为研究对象，进行信号的盲源分离。经过多年的发展，ICA被广泛地用于图像处理、生物医学信号处理、语音信号处理、工业生产等领域[3?4]。快速独立主元分析（FastICA）是一种改进的ICA算法，具有收敛速度更快地优势[5]。 　　由于小波变换具有很好的时域和频域特性，所以小波阈值去噪能够更多地保留有用图高频部分。因此近些年，小波阈值去噪成为图像去噪领域研究的一个热点，得到了很大的发展，很多学者还提出很多改进的小波去噪算法[6?7]，以及小波阈值去噪算法和其他算法结合提高去噪性能[8?9]。为了使小波阈值更优良，本文使用MPSO优化阈值参数。 　　综上所述，为了更好地提高去噪效果，结合FastICA和WTD阈值去噪各自的优点，以及MPSO优化参数的能力，提出了FastICA?MPSO?WTD去噪方法，最后在Matlab平台上，通过对比实验证明该去噪方法的有效性。 　　1 快速独立主元分析 　　FastICA是在ICA的基础上进行改进的算法。 　　ICA是一种盲源分离技术，基本思想是从混合信号中分离出独立的源信号，其原理如图1所示。 　　如果混合信号为[X=[x1，x2，…，xn]T∈Rl×n，]独立源信号为[S=[s1，s2…，sm]∈Rm×n，]其中[n]为采样点数。由图1可以写出下式： 　　3 小波阈值去噪方法 　　对小波系数进行阈值处理的基本思想来源于Donoho理论[11?12]，Donoho首次给出了基于正交小波变换通用的阈值去噪公式，并从最小、最大意义上论证了给出的通用阈值具有渐进最优性。 　　图像本身和噪声经过小波变化后具有不同的分布特性。图像本身主要集中在低频部分，这部分小波系数较大；而噪声主要集中在高频部分，这部分小波系数较小。所以依据这个特点，可以设置一个合适的阈值，阈值以上的小波系数保留，阈值以下的小波系数置零，然后使用阈值处理后的系数再重构图像，就可以大幅度的去除噪声。小波阈值去噪步骤如下： 　　（1） 选择合适的小波，对图像信号进行小波变换，得到尺度系数和小波系数； 　　（2） 选择合适的阈值，对小波系数进行阈值处理； 　　（3） 使用新的小波系数和尺度系数重构图像。 　　4 FastICA?MPSO?WTD去噪方法 　　噪声数据和图像本身数据大多是相互独立的。而小波去噪方法是将图像本身和噪声数据一起进行小波变换，这种做法固然可行，但是会使得去噪效果受到影响。所以可以利用ICA提取独立分量的特性，将噪声数据和图像本身分离开，然后再使用小波阈值去除变换为高频部分的噪声数据。这样可以在更大程度上保留有用图像，提高去噪效果。 　　FastICA?MPSO?WTD去噪方法步骤如下： 　　（1） 输入加噪图像数据并使用FastICA算法提取特征分量； 　　（2） 对提取出的特征分量进行小波变换； 　　（3） 选择合适的阈值进行阈值处理； 　　（4） 使用处理后的小波系数重构特征分量； 　　（5） 使用新的特征分量重构图像。 　　5 实验与分析 　　5.1 选取图像 　　实验在Matlab 2008仿真平台上进行，使用db5小波进行图像去噪。选取170×170的Lena图像进行实验，源图像如图2（a）所示。 　　5.2 对比实验 　　将源图像加入白噪声后进行去噪试验，使用WTD，PSO?WTD，FastICA?PSO?WTD和FastICA?MPSO?WTD方法进行图像去噪后的效果