基于NSCT自适应阈值图像去噪算法.docVIP

基于NSCT自适应阈值图像去噪算法 　　摘 要：为了有效的去除图像中的噪声，保护图像细节，在研究了非采样下Contourlet（NSCT）变换和贝叶斯阈值的基础上，综合考虑NSCT变换后系数尺度间和尺度内的相关性，提出了一种新算法。该算法结合NSCT系数的相关性和贝叶斯风险最小准则估计区域自适应贝叶斯阈值，再利用硬阈值函数去噪，最后通过最小均方误差准则进行比例萎缩，得到真实系数估计。对于被高斯白噪声污染的图像，实验将该算法与经典算法相比较，结果表明在绝大多数情况下，该算法在峰值信噪比和视觉效果上都优于经典算法。 　　关键词：非下采样Contourlet变换 贝叶斯阈值 区域自适应 比例萎缩 　　中图分类号：TP391 文献标识码：A 文章编号：1674-098X（2015）01（b）-0057-02 　　图像在获取与传输过程中常常受到噪声的污染，噪声会对人类视觉感官和图像的后续处理产生影响，因此图像去噪已经成为图像预处理的重要方法。1994年，Donoho等人提出了非线性小波阈值去噪[1]。由于小波变换多尺度、多分辨率的思想，更好的保护了图像的边缘及细节信息，抑制了噪声，但其存在方向信息少和伪吉布斯现象的问题。为解决此问题，Minh N. Do和Martin Vetterli提出了Contourlet（CT）变换[2]。此变换不但继承了小波变换的多分辨率的时频分析特征，还解决了良好的方向各异性，但由于其下采样的原因导致缺乏平移不变性，伪吉布斯仍然存在。在此基础上，Cunha和Minh N.Do提出NSCT变换[3]，解决了伪吉布斯的问题，并将其用于图像去噪，取得了较好的效果。 　　1 相关理论 　　1.1 NSCT变换 　　CT变换是由拉普拉斯塔式分解（LP）和方向滤波器组（DFB）实现，而NSCT变换借鉴atrous的思想，取消了LP和DFB中的下采样操作，因而具有平移不变性，所以不存在伪吉布斯现象；NSCT采样冗余的表示方法，丰富了基函数，其滤波器的设计更加灵活；NSCT变换满足图像的完美重构条件，因此其具有更好的方向选择性，更容易提取图像的特征。 　　1.2 贝叶斯阈值 　　贝叶斯阈值是在贝叶斯准则下得到的，贝叶斯风险函数如下： 　　（1） 　　则在贝叶斯风险最小条件下得到的理想阈值： 　　（2） 　　求解（2）式中的具体表达式和计算过程过于繁琐，所以我们利用数值方法求其近似解： 　　（3） 　　其中为噪声方差，为信号标准差。从（3）式中我们可以看，噪声方差增大时，阈值增大，噪声方差减小时，阈值减小，从而在去噪的同时保留更多的细节，具有一定的自适应性。 　　2 算法实现 　　原始图像NSCT分解后的高能量区域主要对应剧烈变化的图像特征，如边缘和纹理，而低能量区域主要对应平滑区域，如噪声。基于这样的思想，对贝叶斯阈值进行改进，作法是各NSCT系数的阈值由基于该位置的图像方差自适应选择，即将贝叶斯阈值替换为： 　　（4） 　　其中表示尺度，表示方向，（）表示空间位置。 　　从（4）式中可以看到，阈值只与噪声方差和信号方差有关。NSCT子带的噪声方差在尺度间和尺度内是相关的，在NSCT变换中，小尺度为高频系数，噪声方差大，大尺度为低频系数，噪声方差小。根据文献[4]，不同尺度的噪声方差沿着分解层次近似为指数分布，而同一个尺度内各方向的噪声方差基本相等。从而得到的噪声方差模型来估计不同尺度的噪声方差： 　　最小尺度的噪声方差估计采用经典的鲁棒中值方法[5]： 　　（5） 　　其中为子带系数，Median为求系数中值。 　　NSCT系数邻域系数的方差有很强的相关性，所以的最大似然估计： 　　（6） 　　其中的选择采用以为中心的窗口，M是邻域内象素的个数，的设定直接影响信号方差的估计，对去噪效果的影响大，需要人为设定，常用的为5×5和7×7的正方形窗口。 　　因为NSCT变换的冗余性，所以该文采取硬阈值处理。 　　经过阈值去噪后得到的“大”系数再经过最小均方误差估计得到： 　　（7） 　　其中，为（6）所求，为（5）式所求。 　　算法的流程如下： 　　将含噪图像进过NSCT分解。 　　根据（4）-（6）式求各子带系数贝叶斯阈值。 　　将各子带系数硬阈值去噪。 　　根据（7）式进行比例萎缩。 　　NSCT反变换求得去噪图像。 　　仿真结果及分析 　　该文仿真实验选取2张512*512的标准测试图像Lena、Barbara进行测试分析，分别加入均值为0，方差不等的高斯白噪声。为了验证本算法的有效性，选取其他两种经典去噪算法进行对比，小波全局阈值去噪和小波贝叶斯去噪。去噪结果的客观评价标准用峰值信噪比PSNR衡量。 　　从表1中可以看出，该文算法在噪声较大时明