该文仿真尝试选取2张512*512的尺度测试图像Lena、Barbara举办测试阐明,别离插手均值为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举办比拟,小波全局阈值去噪和小波贝叶斯去噪。去噪功效的客观评价尺度用峰值信噪比PSNR权衡。
个中为噪声方差,为信号尺度差。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存更多的细节,具有必然的自适应性。
NSCT系数邻域系数的方差有很强的相关性,所以的最大似然预计:
NSCT反调动求得去噪图像。
(1)
1.2 贝叶斯阈值
按照(4)-(6)式求各子带系数贝叶斯阈值。
求解(2)式中的详细表达式和计较进程过于繁琐,所以我们操作数值要领求其近似解:
2 算法实现
(5)
最小标准的噪声方差预计回收经典的鲁棒中值要领[5]:
从表1中可以看出,该文算法在噪声较大时明明优于其他算法,而当噪声较小时,该文算法浮现不出优势。
图像在获取与传输进程中经常受到噪声的污染,噪声会对人类视觉感官和图像的后续处理惩罚发生影响,因此图像去噪已经成为图像预处理惩罚的重要要领。1994年,Donoho等人提出了非线性小波阈值去噪[1]。由于小波调动多标准、多判别率的思想,更好的掩护了图像的边沿及细节信息,抑制了噪声,但其存在偏向信息少和伪吉布斯现象的问题。为办理此问题,Minh N. Do和Martin Vetterli提出了Contourlet(CT)调动[2]。此调动不单担任了小波调动的多判别率的时频阐明特征,还办理了精采的偏向各异性,但由于其下采样的原因导致缺乏平移稳定性,伪吉布斯仍然存在。在此基本上,Cunha和Minh N.Do提出NSCT调动[3],办理了伪吉布斯的问题,并将其用于图像去噪,取得了较好的结果。
(7)
(6)
(4)
因为NSCT调动的冗余性,所以该文采纳硬阈值处理惩罚。
贝叶斯阈值是在贝叶斯准则下获得的,贝叶斯风险函数如下:
将含噪图像进过NSCT解析。
颠末阈值去噪后获得的“大”系数再颠末最小均方误差预计获得:
则在贝叶斯风险最小条件下获得的抱负阈值:
算法的流程如下:
按照(7)式举办比例萎缩。
从图1中可以看出,本文算法功效不只清晰,并且保存了更多的图像细节。
1.1 NSCT调动
原始图像NSCT解析后的高能量区域主要对应猛烈变革的图像特征,如边沿和纹理,而低能量区域主要对应滑腻区域,如噪声。基于这样的思想,对贝叶斯阈值举办改造,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:
个中的选择回收觉得中心的窗口,M是邻域内象素的个数,的设定直接影响信号方差的预计,对去噪结果的影响大,需要工钱设定,常用的为5×5和7×7的正方形窗口。
个中,为(6)所求,为(5)式所求。
个中暗示标准,暗示偏向,()暗示空间位置。
1 相关理论
将各子带系数硬阈值去噪。
(2)
该文团结非下采样Contourlet调动的多判别率、多偏向僻静移稳定性的特点,操作贝叶斯自适应阈值去噪,再举办比例萎缩预计系数,获得较好的去噪结果。通过对尺度图像加高斯噪声举办模仿,该文的算法要优于经典算法,但由于NSCT调动的冗余性,算法计较耗时,并且本文计较区域自适应贝叶斯阈值时,参数需要人工设定,增加了计较巨大度,有待改进。
3 结语
个中为子带系数,Median为求系数中值。
从(4)式中可以看到,阈值只与噪声方差和信号方差有关。NSCT子带的噪声方差在标准间和标准内是相关的,在NSCT调动中,小标准为高频系数,噪声方差大,大标准为低频系数,噪声方差小。按照文献[4],差异标准的噪声方差沿着解析条理近似为指数漫衍,而同一个标准内各偏向的噪声方差基内情等。从而获得的噪声方差模子来预计差异标准的噪声方差:
(3)
仿真功效及阐明
CT调动是由拉普拉斯塔式解析(LP)和偏向滤波器组(DFB)实现,而NSCT调动警惕atrous的思想,打消了LP和DFB中的下采样操纵,因而具有平移稳定性,所以不存在伪吉布斯现象;NSCT采样冗余的暗示要领,富厚了基函数,其滤波器的设计越发机动;NSCT调动满意图像的完美重构条件,因此其具有更好的偏向选择性,更容易提取图像的特征。
非采样Contourlet下的自毕业硕士毕业论文适应图像减噪算法研究
毕业论文库:理工 时间:2016-12-28 点击:
次