基于非局部自相似Shearlet自适应收缩图像去噪.docVIP

基于非局部自相似Shearlet自适应收缩图像去噪 　　摘要：针对Shearlet收缩去噪引入的Gibbs伪影和“裂痕”现象，提出一种结合非局部自相似的Shearlet自适应收缩图像去噪方法。首先，对噪声图像进行多方向多尺度的Shearlet分解；然后，基于高斯比例混合（GSM）模型的Shearlet系数分布建模，利用贝叶斯最小二乘估计对Shearlet系数进行自适应收缩去噪，重构得到初始去噪图像；最后，利用非局域自相似模型对初始去噪图像进行滤波处理，得到最终的去噪图像。 　　实验结果表明，所提方法在更好地保留边缘特征的同时，有效地去除噪声和收缩去噪引入的Gibbs伪影，该方法获得的峰值信噪比（PSNR）和结构自相似指标（SSIM）比基于非抽样剪切波变换（NSST）的硬阈值去噪方法提高1.41dB和0.08；比非抽样Shearlet域GSM模型去噪方法提高1.04dB和0.045；比基于三变量模型的剪切波去噪方法提高0.64dB和0.025。 　　实验结果表明，所提方法可以更好地保留边缘特征的同时，有效地去除噪声和收缩去噪引入的Gibbs伪影，该方法获得的峰值信噪比（PSNR）和结构自相似指标（SSIM）比基于非抽样剪切波变换（NSST）的硬阈值去噪方法、利用MSST域GSM模型去噪方法以及基于三变量模型的Shearlet去噪方法分别平均提高1.03dB和0.05中文摘要的