基于Contourlet变换图像非局部Bayes阈值去噪方法.docVIP

基于Contourlet变换图像非局部Bayes阈值去噪方法 　　摘 要：轮廓波是一种有效的图像多尺度变换工具，由于其包含更多的有效信息，并能更好地刻画图像细节，因而被广泛应用于图像去噪领域。对非下采样轮廓波变换后的噪声系数进行统计，分析了不同强度噪声图像经轮廓波分解后，噪声系数在各方向子带间的分布特点，提出了非局部贝叶斯阈值去噪方法。首先，最外层各个子带进行以模板为单位的自适应Bayes阈值选取操作，并对相应噪声点进行预处理；其次，对预处理后的分块图像进行重构；最后，对重构图像进行非局部均值滤波处理。实验结果表明，该方法无论在视觉去噪效果还是客观评价指标上都明显优于传统的硬阈值去噪方法，并且较传统的非局部均值滤波也有所提高。 　　关键词：轮廓波变换；自适应 Bayes阈值法；非局部均值滤波；硬阈值法 　　DOIDOI：10.11907/rjdk.171802 　　中图分类号：TP317.4 　　文献标识码：A 文章编号：1672-7800（2017）007-0195-04 　　0 引言 　　现实中的大多数图像都带有噪声，这是因为图像在采集、处理、传输等过程中会不可避免地受到外部环境和内部系统的干扰。图像噪声会给后期图像特征提取、模式识别等更高层次的图像处理带来消极影响。因此，图像去噪成为图像预处理阶段的重要任务之一。多年来，人们一直致力于寻找一种行之有效的去噪方法。 　　Contourlet变换是2002年M N Do和Vetterli M[2，4]提出的一种新的图像二维表示方法，具有多分辨率、局部定位、多方向性、近邻界采样和各向异性等特性。由于其基函数分布于多尺度、多方向上，所以能有效捕捉到图像中边缘轮廓等重要信息，是经典小波变换的一种改进。Contourlet变换的基本思想从数学角度可以理解为使用类似线段的基函数逼近原始图像，从而实现图像的稀疏表示。进行Contourlet变换首先要对图像进行多尺度分解，以便于检测边缘处奇异点，其次再将各尺度子带进行多方向分解，进一步将奇异点信息转化为Contourlet系数，然后在变换域上完成对图像的去噪处理，最后进行Contourlet逆变换。 　　基于Contourlet变换的图像去噪方法通常采用硬阈值法。硬阈值法由Bruce和Gao提出，它虽然在一定程度上很好地保留了图像边缘等细节特征，但是硬阈值函数在频域上不连续，而且其并未涉及系数间的相关性，导致重构图像出现局部振铃和伪吉布斯效应等现象。SG Chang等根据图像小波系数基于广义高斯分布的特点提出了一种较为理想的阈值确定方法，即Bayes阈值估计法。该阈值确定方法建立在小波系数的分布特性基础上，可以有效地弥补硬阈值忽视系数相关性的不足。但它仍然存在许多局限性，比如估计的噪声方差很难适用于子带中的每一个窗口，并且较硬阈值法计算复杂度高等。 　　对于图像去噪，硬阈值法和Bayes阈值法都是在频域上对变换系数进行处理，而由Buades提出的非局部均值滤波（Non-Local Means，NLM）是在空间域上对像素进行处理。该方法扩展了像素的局部相关性，认为目标像素不仅与周围像素存在相关性，而且与整幅图像的像素相关。对于任一个目标块，NLM在较大的邻域范围内为其搜索对比块并计算权值，通过对比块的加权线性组合，获得了比局部滤波更好的去噪效果，但是存在过平滑，以及增大搜索范围后计算复杂度与时间复杂度过高的缺点。 　　鉴于Contourlet变换能多尺度、多方向地捕捉图像边缘信息和基于系数相关性的Bayes阈值估计以及非局部均值滤波相对彻底的去噪效果，本文提出一种基于轮廓波变换的非局部Bayes阈值去噪方法。实验结果表明，该方法去噪效果明显优于硬阈值法和传统的Bayes阈值法，另外较非局部均值滤波也取得了更高PSNR的去噪效果。 　　1 Contourlet 变换原理与噪声系数分布特性分析 　　1.1 Contourlet 变换原理 　　Contourlet变换由M N Do和Vetterli M[4]于2002年提出。Contourlet变换的原理在数学上被描述为函数逼近，这是因为Contourlet包含了2的n次幂（n为正整数）个方向上的基函数，可以最大限度地逼近任一维光滑的轮廓曲线。图1（a）为小波变换对轮廓曲线的表示，不同分辨率下的二维小波基具有不同尺寸的正方形支撑区间，说明二维小波是用“点”来逼近轮廓曲线的。图1（b）为Contourlet变换对轮廓曲线的表示，Contourlet的基具有长方形的支撑区间，可以用最少的系数逼近轮廓曲线，最终用类似于轮廓段的基结构线性地逼近原图像[6，9]，可见Contourlet变换是小波变换的一种改进。 　　Contourlet变换是用金字塔多方向滤波器组PDFB