采用改進(jìn)結(jié)構(gòu)特征度度量分析的噪聲標(biāo)準(zhǔn)差估計(jì)算法

網(wǎng)絡(luò)出版地址：http://www.cnki.net/kcms/detail/23.1538.TP.20150302.1106.011.html

采用改進(jìn)結(jié)構(gòu)特征度度量分析的噪聲標(biāo)準(zhǔn)差估計(jì)算法

王科俊，楊曉飛

(哈爾濱工程大學(xué) 自動(dòng)化學(xué)院，黑龍江 哈爾濱 150001)

摘要：提出了一種基于改進(jìn)的噪聲標(biāo)準(zhǔn)差估計(jì)的輪廓波去噪算法,在常用的輪廓波去噪算法基礎(chǔ)上提出了新的解決方案。該方案將濾波法與改進(jìn)的圖像結(jié)構(gòu)特征度度量分析算法結(jié)合起來(lái),篩選出適合計(jì)算噪聲標(biāo)準(zhǔn)差的圖像子塊集合,再用直方圖法估計(jì)圖像噪聲標(biāo)準(zhǔn)差,然后將該標(biāo)準(zhǔn)差用于輪廓波去噪。在標(biāo)準(zhǔn)差估計(jì)對(duì)比試驗(yàn)中,將濾波法、分塊法、改進(jìn)的分塊法與文中的標(biāo)準(zhǔn)差估計(jì)算法進(jìn)行對(duì)比；在去噪對(duì)比試驗(yàn)中,采用基本的小波閾值去噪算法(universal 閾值),由小波閾值法引申出的普通輪廓波閾值去噪算法,基于維納濾波的輪廓波去噪算法,基于系數(shù)建模的輪廓波去噪算法與文中算法做對(duì)比。實(shí)驗(yàn)結(jié)果表明:文中算法能夠更加精確地估計(jì)圖像噪聲標(biāo)準(zhǔn)差,且去噪效果與普通輪廓波去噪及其他輪廓波去噪算法相比更加穩(wěn)定,魯棒性更好。

關(guān)鍵詞：圖像去噪;輪廓波;圖像噪聲標(biāo)準(zhǔn)差估計(jì);圖像結(jié)構(gòu)特征度;直方圖法

DOI:10.3969/j.issn.1673-4785.201511015

中圖分類號(hào)：TP18;TN911.73文獻(xiàn)標(biāo)志碼：A

收稿日期：2014-11-13. 網(wǎng)絡(luò)出版日期：2015-03-02.

基金項(xiàng)目：國(guó)家自然科學(xué)基金資助項(xiàng)目(61100007).

作者簡(jiǎn)介：

中文引用格式：王科俊，楊曉飛. 采用改進(jìn)結(jié)構(gòu)特征度度量分析的噪聲標(biāo)準(zhǔn)差估計(jì)算法[J]. 智能系統(tǒng)學(xué)報(bào)， 2015, 10(2): 255-260.

英文引用格式：WANG Kejun, YANG Xiaofei. The contourlet denoising algorithm based on modified noise variance estimation[J]. CAAI Transactions on Intelligent Systems, 2015, 10(2): 255-260.

The contourlet denoising algorithm

based on modified noise variance estimation

WANG Kejun, YANG Xiaofei

(College of Automation, Harbin Engineering University, Harbin 150001,China)

Abstract：In this paper, an algorithm based on the modified noise standard deviation estimation was proposed. The proposed algorithm provides a new approach for the foundation of common contourlet denoising methods. The combination of modified image structural characteristic measurement analysis method and filter method is used in selecting the image sub-block, which is suitable for computing standard deviation of noise. Finally, the histograms of those sub-images are used to estimate standard deviation of the image noise, which is subsequently used for denoising of contourlet. In the contrast experiment of standard deviation estimation the filter methods, partition methods and improved partition methods are chosen to compare with the standard deviation estimation algorithm. In the contrast experiment of denoising, the universal wavelet threshold denoising, the common contourlet threshold denoising extended from wavelet threshold, the contourlet denoising based on wiener filtering, and the contourlet denoising based on coefficient models are chosen to compare with the denoising algorithm proposed in this paper. The experimental results showed that the method can estimate standard deviation of images more accurately and performs more reliable than other contourlet denoising algorithms.

Keywords：image denoising; contourlet; standard deviation estimation of image noise; image structural characteristic measurement; histogram methods

通信作者：楊曉飛.E-mail: licerain@hotmail.com.

在使用圖像采集設(shè)備對(duì)圖像進(jìn)行采集、傳輸、存儲(chǔ)和轉(zhuǎn)換的過(guò)程中,因受到各種環(huán)境因素的影響會(huì)不可避免地產(chǎn)生噪聲。圖像噪聲過(guò)多將對(duì)圖像的后期處理造成連鎖式的不良影響,因此圖像去噪是圖像處理中的一個(gè)重要研究方向。目前的多數(shù)去噪算法主要基于空域或頻域,前者直接處理原圖像像素的灰度值,后者則是對(duì)圖像的頻域系數(shù)進(jìn)行相應(yīng)處理,本文的算法屬于后者。在基于頻域的去噪算法中,閾值去噪法是最常用的,Donoho在文獻(xiàn)[1]提出了經(jīng)典的小波閾值去噪算法,在該算法中,對(duì)閾值的計(jì)算是通過(guò)在頻域中估計(jì)分解系數(shù)的噪聲標(biāo)準(zhǔn)差來(lái)完成的。一般情況下,小波閾值去噪算法的理論框架可以直接應(yīng)用在超小波去噪算法上并能取得良好的去噪效果,如曲波去噪[2]、輪廓波去噪[3]等,但當(dāng)含噪圖像細(xì)節(jié)成分較多時(shí),由于噪聲對(duì)圖像細(xì)節(jié)干擾較大,導(dǎo)致文獻(xiàn)[1]的閾值計(jì)算方法準(zhǔn)確度變低,去噪效果變差。

而目前的噪聲標(biāo)準(zhǔn)差估計(jì)方法除了文獻(xiàn)[1]方法以外，更多的是基于空域的，主要有濾波法[4-5]、分塊標(biāo)準(zhǔn)差法[6-7]以及改進(jìn)的自適應(yīng)分塊法[8]。濾波法是用噪聲圖像與濾波去噪后的圖像相減得到近似純?cè)肼晥D像來(lái)近似估計(jì)噪聲大小,當(dāng)圖像中含有較多邊緣細(xì)節(jié)信息時(shí),濾波法的精確度會(huì)大為下降。分塊標(biāo)準(zhǔn)差法則是將噪聲圖像分割成很多子塊,對(duì)每個(gè)子塊進(jìn)行噪聲標(biāo)準(zhǔn)差估計(jì),然后再用直方圖法估計(jì)原始圖像的噪聲標(biāo)準(zhǔn)差。該方法計(jì)算速度快,但是容易因圖像的復(fù)雜細(xì)節(jié)分布而得不到穩(wěn)健的標(biāo)準(zhǔn)差估計(jì)值。文獻(xiàn)[8]給出了一種改進(jìn)的分塊法，該方法采用自適應(yīng)調(diào)節(jié)子塊大小的選取規(guī)則對(duì)灰度均勻子塊進(jìn)行選取,對(duì)多種類型的圖像噪聲估計(jì)都取得了良好的效果,但其計(jì)算復(fù)雜度較高。本文同樣采用分塊法對(duì)噪聲標(biāo)準(zhǔn)差進(jìn)行估計(jì),針對(duì)普通分塊法的缺點(diǎn),考慮對(duì)圖像子塊進(jìn)行篩選,盡量選擇均勻同質(zhì)子塊,也就是灰度值變化相對(duì)平坦的子塊。為了達(dá)到這個(gè)目的,本文采用一種與濾波法結(jié)合的基于圖像結(jié)構(gòu)特征度度量分析的方法來(lái)篩選圖像的灰度均勻子塊,在得到均勻子塊集合后,再采用直方圖法估計(jì)噪聲標(biāo)準(zhǔn)差,并用于輪廓波去噪。

1圖像結(jié)構(gòu)特征度度量分析及改進(jìn)

圖像結(jié)構(gòu)特征度度量分析是Kim在2005年提出的一種新方法[10],該方法首先計(jì)算出原始圖像子塊的結(jié)構(gòu)特征度度量,再對(duì)該度量進(jìn)行一個(gè)統(tǒng)計(jì)假設(shè)測(cè)試,以決定子塊屬于圖像結(jié)構(gòu)子塊還是均勻同質(zhì)子塊。這種分析方法是基于這樣一種前提假設(shè):如果該子塊在最少一個(gè)方向上具有采樣關(guān)系,那就屬于圖像結(jié)構(gòu)子塊;如果它在所有方向上都沒有采樣關(guān)系,那就屬于均勻同質(zhì)子塊,也就是近似純?cè)肼曌訅K。這個(gè)意思就是在圖像結(jié)構(gòu)子塊中,至少存在一條明顯的邊緣細(xì)節(jié),而在均勻同質(zhì)子塊中卻沒有明顯的邊緣細(xì)節(jié)。

圖1分別給出了2個(gè)標(biāo)準(zhǔn)差相同的圖像結(jié)構(gòu)子塊和噪聲子塊,僅僅估計(jì)圖像標(biāo)準(zhǔn)差是完全不能分辨它們的。

圖1　標(biāo)準(zhǔn)差相同的噪聲子塊與結(jié)構(gòu)子塊 Fig.1　Noise block and structural block with same variance

從這個(gè)例子可以引出2個(gè)問(wèn)題:即如何估計(jì)一個(gè)圖像子塊是否至少在一個(gè)方向上有采樣關(guān)系以及在任何一個(gè)方向上都沒有采樣關(guān)系。由于本文的目的是提取均勻子塊求取噪聲,因此后者更被關(guān)心。

假設(shè)ZN×N={xij;i=1,2，…,N,j=1,2，…,N}是原圖像的圖像子塊,將子塊像素值重新排列如下:

(1)

(2)

為了對(duì)Tθi有一個(gè)直觀的理解,下面給出4個(gè)方向的排列形式,即對(duì)5×5的圖像子塊按照?qǐng)D2方向重新排列。

圖2　子塊像素在4個(gè)方向上的重新排列 Fig.2　Rearrange the sub-block pixel on four directions

重新排列之后的數(shù)據(jù)與θi的方向保持一致。定義圖像結(jié)構(gòu)特征向量,如式(3)所示:

(3)

式中：qkθi=tkθi-tk-1θi,k=2,3,…,N2。

(4)

式(4)反映了圖像子塊結(jié)構(gòu)化程度,W值越大,結(jié)構(gòu)化程度越高,W值越小,結(jié)構(gòu)化程度越低,即均勻同質(zhì)程度越高。使用式(4)對(duì)所有的圖像子塊計(jì)算W值,選取百分比為α0(即置信水平)的W值較小的圖像子塊集合作為均勻同質(zhì)子塊集合, 而α0是通過(guò)濾波法估計(jì)得到的。

在本文中總共計(jì)算了4個(gè)方向(見圖3),即θi={0°,90°,45°,135°}。 這樣式(4)可以重寫為

圖3　噪聲子塊集合提取 Fig.3　Acquisition of noise sub-block collection

2基于噪聲標(biāo)準(zhǔn)差估計(jì)的輪廓波去噪

2.1圖像噪聲標(biāo)準(zhǔn)差估計(jì)算法

1)用濾波法求出原始圖像的噪聲標(biāo)準(zhǔn)差σl。

2)把圖像分成多個(gè)子塊,分別求取標(biāo)準(zhǔn)差,并與標(biāo)準(zhǔn)差σl做比較,選取差值最小的子塊，經(jīng)過(guò)對(duì)多幅圖像進(jìn)行試驗(yàn),差值區(qū)間設(shè)定為[σl-0.5×σl,σl+0.8×σl],假設(shè)符合要求的個(gè)數(shù)為ns,而子塊總數(shù)為nt,比例Rα是ns/nt。對(duì)圖像子塊采用基于結(jié)構(gòu)特征度度量分析的方法同樣進(jìn)行篩選,置信水平α0設(shè)定為上一步的比例Rα。

3)對(duì)前面2步得到的子塊集合取并集,得到最終的用于計(jì)算噪聲標(biāo)準(zhǔn)差的子塊集合。以本文采用的手指靜脈圖像為例，子塊總數(shù)為308(圖3)。濾波法得到的子塊集合為74(圖3(b));結(jié)構(gòu)特征度度量分析法得到的子塊集合同樣為74(圖3(c)),2個(gè)子塊集合的并集為116(圖3(d))。

4)對(duì)這些子塊求取標(biāo)準(zhǔn)差,并做直方圖,一般來(lái)說(shuō),對(duì)上一步得到的子塊集合而言,純?cè)肼曌訅K的數(shù)量應(yīng)該是最多的,所以在直方圖中,相同噪聲標(biāo)準(zhǔn)差值個(gè)數(shù)最多的值也就對(duì)應(yīng)著圖像的噪聲標(biāo)準(zhǔn)差值,因此在這里,取直方圖最高點(diǎn)對(duì)應(yīng)的標(biāo)準(zhǔn)差值作為圖像的噪聲標(biāo)準(zhǔn)差值。

2.2輪廓波去噪算法

輪廓波變換是一種多分辨率多方向的圖像表示方法,由M.N. Do于2002年提出[9]。它首先用拉普拉斯分解算法對(duì)圖像進(jìn)行多尺度分解,再用方向?yàn)V波器組將同一方向上的奇異點(diǎn)合成為一個(gè)系數(shù),其基的支撐區(qū)間結(jié)構(gòu)是長(zhǎng)條形的,相比于小波變換能更稀疏地表達(dá)圖像?；谳喞ǖ拈撝等ピ胨惴ǘ鄶?shù)是通過(guò)借鑒小波閾值去噪的理論框架來(lái)得到的,下面給出本文的去噪算法描述。

設(shè)帶噪圖像信號(hào)為f(m,n)=g(m,n)+σε(m,n)。其中g(shù)表示待恢復(fù)的真實(shí)圖像信號(hào),ε是高斯白噪聲, σ為白噪聲的標(biāo)準(zhǔn)差。設(shè)Cf為輪廓波變換系數(shù),則去噪函數(shù)可定義為

(5)

3實(shí)驗(yàn)

3.1圖像噪聲標(biāo)準(zhǔn)差估計(jì)

首先為了驗(yàn)證本文噪聲標(biāo)準(zhǔn)差估計(jì)的有效性,基于peppers圖像和baboon圖像做標(biāo)準(zhǔn)差估計(jì)對(duì)比試驗(yàn),即用清晰的原測(cè)試圖像加上不同標(biāo)準(zhǔn)差的高斯噪聲,并分別采用文獻(xiàn)[4,7-8]中的方法與本文方法分別進(jìn)行標(biāo)準(zhǔn)差計(jì)算,對(duì)比結(jié)果見表1、表2。

表1peppers噪聲標(biāo)準(zhǔn)差對(duì)比試驗(yàn)

Table1Thecomparativetestofnoisestandarddeviation

標(biāo)準(zhǔn)差文獻(xiàn)[4]文獻(xiàn)[7]文獻(xiàn)[8]本文方法54.194.275.625.83108.618.8211.0310.871513.5213.7816.7216.142018.2419.0318.2619.652522.0423.1526.5825.97

表2Baboon噪聲標(biāo)準(zhǔn)差對(duì)比試驗(yàn)

Table 2The comparative test of noise standard deviation

標(biāo)準(zhǔn)差文獻(xiàn)[4]文獻(xiàn)[7]文獻(xiàn)[8]本文方法53.864.036.425.95108.348.4111.9811.261512.7813.1317.1415.792017.3518.4421.2219.122521.3222.6727.0326.25

通過(guò)這個(gè)對(duì)比實(shí)驗(yàn)可以看出,在所加噪聲標(biāo)準(zhǔn)差較小時(shí),各方法求取標(biāo)準(zhǔn)差值的精度相差不大;而在噪聲標(biāo)準(zhǔn)差變大的同時(shí),本文算法的精度相對(duì)更高,這一組不同噪聲標(biāo)準(zhǔn)差的圖像反映了圖像在不同噪聲污染下的狀態(tài)。由計(jì)算結(jié)果可知,本文算法在不同情況下能夠保持在一個(gè)相對(duì)穩(wěn)健精準(zhǔn)的范圍。

本文采用4幅不同圖像作為實(shí)驗(yàn)對(duì)象,其中除了手指靜脈圖像大小為55×140,其余3幅都是500×500。標(biāo)準(zhǔn)差計(jì)算實(shí)驗(yàn)數(shù)據(jù)如表3所示。

表3　噪聲標(biāo)準(zhǔn)差計(jì)算結(jié)果

表3中，ns為濾波法與特征度量分析法篩選的子塊數(shù)量,nss為近似噪聲子塊集合總數(shù), nt為圖像子塊總數(shù), Rα為比例ns/nt,即為置信水平α0,Re為比例nss/nt,V為最后求取的圖像噪聲標(biāo)準(zhǔn)差值。從表中可以看出, 置信水平α0在不同的圖像中取值不同,是一個(gè)動(dòng)態(tài)變化的值,反映并符合圖像的結(jié)構(gòu)特性。本文算法對(duì)加噪圖像peppers和baboon的標(biāo)準(zhǔn)差估計(jì)值與實(shí)際所加值相差不大,對(duì)原始含噪圖像手指靜脈與指紋的標(biāo)準(zhǔn)差估計(jì)值分別為17.6和13.7(見表3最后一行)。

3.2去噪對(duì)比實(shí)驗(yàn)

在本文的圖像去噪對(duì)比實(shí)驗(yàn)中共采用4種去噪算法與本文算法作對(duì)比,首先是2種具有代表意義的去噪算法,第1種是典型的小波閾值去噪算法[1](閾值函數(shù)為universal閾值);第2種則是由其引申出來(lái)的普通輪廓波閾值去噪算法[3]。而輪廓波去噪算法除了基于閾值去噪法以外,還有基于維納濾波的去噪算法[11]、基于系數(shù)建模的去噪算法[12]等算法,在本文實(shí)驗(yàn)中將采用上述方法與本文方法進(jìn)行去噪效果對(duì)比。

實(shí)驗(yàn)對(duì)象主要分為兩大類：1)原始含噪圖像:手指靜脈圖像和指紋圖像,在實(shí)驗(yàn)中各取一幅;2)標(biāo)準(zhǔn)測(cè)試圖像peppers和baboon加噪后的圖像(標(biāo)準(zhǔn)差分別為5,10,15,20,25)。由于篇幅所限,在標(biāo)準(zhǔn)測(cè)試圖像的去噪實(shí)驗(yàn)中僅給出噪聲標(biāo)準(zhǔn)差為25時(shí)的去噪效果圖像。

對(duì)圖像質(zhì)量的評(píng)價(jià)方法根據(jù)指標(biāo)的不同主要分兩大類：1)主觀指標(biāo),這個(gè)可以通過(guò)對(duì)去噪后的圖像進(jìn)行觀察獲得;2)客觀指標(biāo),而基于客觀指標(biāo)的方法則又可分為3類:全參考圖像質(zhì)量評(píng)價(jià)、半?yún)⒖紙D像質(zhì)量評(píng)價(jià)以及無(wú)參考圖像質(zhì)量評(píng)價(jià)。在本文的實(shí)驗(yàn)對(duì)象中,對(duì)原始含噪圖像而言,由于缺乏原清晰標(biāo)準(zhǔn)圖像,只能采用無(wú)參考圖像質(zhì)量評(píng)價(jià)方法,因此本文采用了Liu等在2014年提出的SSEQ方法[13],該方法利用局部空間熵特征和譜熵特征來(lái)描述圖像質(zhì)量,能夠?qū)D像質(zhì)量得到較精確的評(píng)價(jià)分?jǐn)?shù)。對(duì)實(shí)驗(yàn)中的標(biāo)準(zhǔn)測(cè)試圖像peppers和baboon,本文則采用了應(yīng)用范圍最廣的PSNR方法。

首先針對(duì)細(xì)節(jié)較少peppers圖像進(jìn)行去噪對(duì)比實(shí)驗(yàn),下面分別給出去噪效果圖(如圖4)和PNSR對(duì)比表(如表4)。

圖4　加噪peppers圖像去噪對(duì)比實(shí)驗(yàn) Fig.4　The denoising experiment of noised peppers image

Table 4The denoising experiment of different intensity noised peppers image (PSNR)

噪聲強(qiáng)度噪聲圖像小波普通輪廓波文獻(xiàn)[11]文獻(xiàn)[12]本文算法533.0334.4235.2436.8936.4536.441028.3232.3133.8535.0334.4935.161524.8930.5231.4633.3832.7733.432022.5129.3430.3330.4831.3932.122520.2728.6329.1229.8231.2331.69

圖4的標(biāo)準(zhǔn)測(cè)試圖像所加噪聲強(qiáng)度較大,對(duì)圖像造成了較大的噪聲干擾。由圖4可知,小波閾值去噪和普通輪廓波去噪處理后的圖像效果并不理想,而文獻(xiàn)[12]的基于系數(shù)建模算法與本文方法去噪效果則相對(duì)較好,存在更少的絮狀干擾,優(yōu)于普通輪廓波去噪和小波去噪。從表4可以得知,當(dāng)所加噪聲強(qiáng)度較小時(shí), 文獻(xiàn)[11]、文獻(xiàn)[12]的去噪效果都要略優(yōu)于本文算法,但當(dāng)噪聲影響變大時(shí),本文算法的處理效果則優(yōu)于其他算法。

與peppers圖像相比,baboon圖像則含有更多的細(xì)節(jié),下面是baboon圖像的去噪效果圖(圖5)和PNSR對(duì)比表(表5)。

圖5　加噪baboon圖像去噪對(duì)比實(shí)驗(yàn) Fig.5　The denoising experiment of noised baboon image

Table 5The denoising experiment of different intensity noised baboon image (PSNR)

噪聲強(qiáng)度噪聲圖像小波普通輪廓波文獻(xiàn)[11]文獻(xiàn)[12]本文算法532.9734.1334.9536.7836.8436.231028.1732.2634.1234.9134.8435.071524.7430.9431.3532.4132.5233.292022.1929.1830.6631.2931.1531.312520.0828.5729.4430.3230.4931.14

對(duì)于細(xì)節(jié)較多的baboon圖像來(lái)說(shuō),噪聲對(duì)圖像的干擾更明顯,從圖5可以看出,小波閾值去噪與普通輪廓波去噪有明顯的低頻噪聲污染,并嚴(yán)重丟失了部分圖像細(xì)節(jié)。 文獻(xiàn)[11]與文獻(xiàn)[12]的去噪效果要好一些,但對(duì)圖像細(xì)節(jié)的還原仍然不足,本文算法在這種情況下要優(yōu)于上面幾種算法的去噪效果,有效克服了絮狀物干擾,且更好的還原了圖像的細(xì)節(jié),這一點(diǎn)從表5中也可看出。接下來(lái)對(duì)原始含噪圖像:手指靜脈和指紋進(jìn)行對(duì)比試驗(yàn)。如圖6、圖7和表6。

圖6　原始靜脈含噪圖像去噪對(duì)比實(shí)驗(yàn) Fig.6　The denoising experiment of original noised image

圖7　原始指紋含噪圖像去噪對(duì)比實(shí)驗(yàn) Fig.7　The denoising experiment of original noised image

在圖6試驗(yàn)中,手指靜脈圖像噪聲標(biāo)準(zhǔn)差估計(jì)為17.6,噪聲污染較大,但是由于手指靜脈細(xì)節(jié)較少,小波閾值去噪也取得了不錯(cuò)的效果,與普通輪廓波去噪效果差別不大,由于手指靜脈細(xì)節(jié)較少、灰度變化平緩,難以用主觀方法判別去噪效果。本文采用了Liu等提出的無(wú)參考SSEQ方法[13],該方法評(píng)價(jià)圖像得到的分?jǐn)?shù)范圍為1～100,數(shù)值越低,代表圖像質(zhì)量越好。本文對(duì)原圖像與各種方法去噪后圖像進(jìn)行SSEQ估分,結(jié)果見表6,其結(jié)果表明本文的去噪效果略優(yōu)于其他算法。指紋圖像的噪聲標(biāo)準(zhǔn)差估計(jì)估計(jì)為13.7,但圖像細(xì)節(jié)較多,與圖5實(shí)驗(yàn)結(jié)果類似,小波閾值去噪和普通輪廓波去噪效果不佳, 文獻(xiàn)[11]和文獻(xiàn)[12]方法去噪效果稍好,但仍有細(xì)節(jié)污染,相比而言,本文算法對(duì)含噪細(xì)節(jié)圖像的去噪效果相對(duì)穩(wěn)健,令人滿意。

表6去噪算法實(shí)驗(yàn)結(jié)果(SSEQ)

Table 6Experimental result of denoising algorithm

算法手指靜脈指紋原圖像57.2360.02小波54.3756.34普通輪廓波53.1754.58文獻(xiàn)[11]52.8853.25文獻(xiàn)[12]52.4253.59本文算法52.1452.41

4結(jié)束語(yǔ)

本文給出了一種基于輪廓波去噪的改進(jìn)算法,在用直方圖法估計(jì)圖像噪聲標(biāo)準(zhǔn)差時(shí),采用了新的噪聲子塊篩選方法,可有效篩除含有圖像邊緣結(jié)構(gòu)信息和標(biāo)準(zhǔn)差值異常的子塊,通過(guò)與參考文獻(xiàn)中常用噪聲標(biāo)準(zhǔn)差估計(jì)算法對(duì)比,本文算法準(zhǔn)確度更高,可以更有效地對(duì)加不同噪聲強(qiáng)度的常用測(cè)試圖像進(jìn)行精確估計(jì),同時(shí),將基于該方法算得的估計(jì)標(biāo)準(zhǔn)差值用于輪廓波去噪,效果更好,并能夠在一定程度上解決輪廓波去噪中的絮狀干擾等常見問(wèn)題,而且在處理含較多細(xì)節(jié)的圖像時(shí)也具有很好的魯棒性,應(yīng)用范圍更廣。

參考文獻(xiàn):

[1]DONOHO D L， JOHNSTONE L M. Ideal spatial adap- tation by wavelet shrinkage[J]. Biometrika, 1994, 81(3): 425-455.

[2]STARCK J L, EMMANUEL C. The curvelet transform for image denoising[J]. IEEE Transactions on Image Processing, 2002, 11(6): 670-684.

[3]DO M, VETTERLI M. The contourlet transform : an efficient directional multiresolution image representation[J]. IEEE Transactions on Image Processing, 2005, 14(12): 2091-2106.

[4]TAI Shenchuan, YANG Shiming. A fast method for image noise estimation using Laplacian operator and adaptive edge detection[C]//Proceedings of the 2008 International Symposium on Communications, Control and Signal Processing. Valetta, Malta, 2008: 1077-1081.

[5]CHEN Yikai, WANG Jingfa. Skew detection and reconstruction based on maximization of variance of transition counts[J]. Pattern Recognition, 2000, 33(2): 195 -208.

[6]滿家巨，沈軍．一種圖像噪聲準(zhǔn)確估計(jì)方法[J]．湖南師范大學(xué)自然科學(xué)學(xué)報(bào), 2008, 31( 2): 44-47．

MAN Jiaju, SHEN Jun. A method of image noise estimate[J]. Journal of Natural Science of Human Normal University, 2008， 31 (2): 44-47．

[7]BILCU R, VEHVILAINEN M. A new method for noise estimation in images[C]//Proceedings of the 2005 IEEE EURASIP International Workshop on Nonlinear Signal and Image Processing. Sapporo， Japan, 2005: 18-20．

[8]OLSEN S． Estimation of noise in images: an evaluation[J]．Graphical Models and Image Processing， 1993， 5(4) : 319-323．

[9]VETTERLI M D M. Contourlets: a directional multiresolution image representation[C]//2002 International Conference on Image Processing. New York, USA, 2002: 357-360.

[10]KIM Y, LEE J. Image feature and noise detection based on statistical independent tests and their applications in image processing[J]. IEEE Trans Consumer Electronics, 2005, 51(4): 1367-1374.

[11]ZHOU ZF, CAO J Z. Contourlet-based image denoising algorithm using adaptive windows[C]//IEEE Conference on Industrial and Applications. Xi’an, China, 2009: 3654-3657.

[12]CHEN G Y, ZHU W P. Image denoising using neighbouring contourlet coefficients[C]//Advances in Neutral Networks. Beijing, China, 2008: 384-391.

[13]LIU Lixiong, LIU Bao, Huang Hua, et al. No-reference image quality assessment based on spatial and spectral entropies[J]. Signal Processing: Image Communication, 2014, 29(8): 856-863.

王科俊,男,1962年生,教授,博士生導(dǎo)師,主要研究方向?yàn)槟：煦缟窠?jīng)網(wǎng)絡(luò)、自適應(yīng)逆控制理論、可拓控制、網(wǎng)絡(luò)智能控制、模式識(shí)別、微小型機(jī)器人系統(tǒng)等．發(fā)表學(xué)術(shù)論文300余篇。

楊曉飛,男,1985年生,博士研究生,主要研究方向?yàn)槟Ｊ阶R(shí)別、圖像處理、超小波,已發(fā)表學(xué)術(shù)論文5篇,EI檢索3篇.