基于广义高斯分布的小波域的广义非局部平均的去噪研究.docVIP

基于广义高斯分布的小波域的广义非局部平均的去噪研究 摘　要　指出了图像小波系数的统计分布具有非高斯特性, 可以用广义高斯模型进行描述. 研究了用广义高斯分布(GGD) 对图像子带小波系数进行建模以及GGD 模型的参数估计问题, 其参数可以用来定义非局部平均权值的广义表达式，在此基础上设计了一种基于广义高斯分布的小波域的广义非局部平均的去噪算法, 通过仿真实验对该算法的去噪性能进行了讨论. 关键词　图像小波系数; 广义高斯分布;nonlocal mean算法; 图像去噪 A Generalized Nonlocal Mean Denoising Algorithm Based on Gaussian Distribution in Wavelet Domain Abstract　The statistics of image wavelet coefficients is non-Gaussian and can be described by generalized Gaussian distribution (GGD). The paper investigates the issues of GGD statistical model for wavelet coefficients in a subband and the corresponding parameters estimation.The estimated parameters are used to define a generalized non local mean which allows us to restore the original image.A nonlocal mean denoising algorithm in wavelet domain based GGD statistical model for wavelet coefficients in a subband is designed, and the performance of noise reduction of this algorithm is discussed according to simulation results. Keywords　image wavelet coefficients; generalized Gaussian distribution; nonlocal mean algorithm; image denoising 引言 数字图像处理是一个十分活跃的研究邻域。目前已有的图像去噪的许多方法大多是基于“局部平滑”。这些方法在空域以及频域上不能很好的保留图像的精细的结构，这是因为在自然图像中，很多精细的结构与噪声一样是震荡，它们在去噪的过程中基本上被视为噪声，从而导致在去噪过程中丢失真实的细节信息。考虑在大多数图像中出现的周期性式样，或是被延长的边界，研究者们意识到图像本身的自相似性可以运用到图像恢复中。Buades等人提出了非局部平均滤波算法(Nonlocal Mean Algorithm)[1]。该算法是对传统局部去噪模型的一个革新。充分利用自然图像中冗余信息为去噪服务，这是非局部平均滤波模型(以下简称NLM)的主要思想。NLM模型的主要特点是:该方法不是用图像中单个像素的灰度值进行比较，而是对该像素周围的整个灰度的分布状况进行比较，根据灰度分布的相似性来贡献权值。 在图像处理中对图像进行准确的建模, 往往是一件十分关键而又棘手的工作. 一个图像的统计先验模型, 即使只部分地描述了图像内部各像素点之间的某种相关性或规律, 也能够在很大程度上改善实际的图像处理效果。在图像去噪领域, 基于小波的阈值去噪法是典型的基于非参数模型的噪声抑制方法，具有稳健性好、计算简单和需要信号先验信息少的优点，因而被广泛采用。 通过研究图像小波系数的统计模型而得到优秀的去噪算法, 是近年来异常活跃的一个研究方向。大量的研究已证实了图像小波系数的统计特性不服从高斯分布, 在去噪领域中, 广义高斯分布(GGD) 是一种被经常使用的先验模型。Mallat最早将GGD 模型用于描述图像细节子带小波系数的直方图分布[2]之后，出现了许多新的基于GGD 模型的小波域图像去噪算法[3,4,5]。本文从理论上对广义高斯分布及其参数估计问题进行了分析, 给出了用GGD模型模拟图像小波系数直方图分布的实验结果； 结合图像去噪设计了一种基于广义高斯分布的小波域的非局部平均的去噪算法；对该算法和传统的小波阈值去噪方法以及小波域上使用Buades的NLM模型进行了仿真实验和去噪性能的比较. 非局部滤波去噪算法（NLM） 给定一个离散的噪声图像，表示像素的灰度值。设处理后像