基于雙樹復(fù)小波變換的BivaShrink自選窗圖像去噪算法

付康 湯輝+孫丹 劉波平 王蕾

摘要：在小波變換理論和雙變量模型的研究基礎(chǔ)上，本文提出了一種BivaShrink自選窗算法，該算法根據(jù)鄰域內(nèi)小波系數(shù)的相關(guān)度大小自適應(yīng)選取鄰域窗口。最后將雙樹復(fù)小波變換應(yīng)用在BivaShrink自選窗圖像去噪算法中。實驗結(jié)果證明，BivaShrink自選窗優(yōu)于BivaShrink 去噪算法，與傳統(tǒng)的離散小波變換相比，雙樹復(fù)小波自選窗圖像去噪效果優(yōu)于BivaShrink自選窗。

關(guān)鍵詞：小波變換；圖像去噪；雙變量模型；雙樹復(fù)小波變換

中圖分類號：TN911.73 文獻標識碼：ADOI：10.3969/j.issn.10036199.2017.01.022

1引言

現(xiàn)如今圖像已經(jīng)成為大家經(jīng)常要用到的信息，但圖像中總是參雜著各類的噪聲，會嚴重影響到圖像處理和圖像通信，需要對圖像進行去噪處理。對圖像去噪而言，如何保留有用信息和消除噪聲是一個兩難的問題[1]。

小波理論有優(yōu)良的時頻局部化、尺度變化和方向性特點，隨著它的不斷改進和完善，小波分析已經(jīng)應(yīng)用到各個學(xué)科領(lǐng)域[2]。與傅立葉分析將信號分解成一系列不同頻率的正弦波的疊加一樣，小波分析是將信號分解為一系列小波函數(shù)的疊加，而這一系列小波函數(shù)都是由母小波函數(shù)經(jīng)過平移和尺度伸縮得來。小波分析在時域和頻域同時具備良好的局部化性質(zhì)，對高頻成分采用逐漸精細的時頻域取樣步長，從而可以聚焦到任何細節(jié)，優(yōu)于傅立葉分析，被稱為“數(shù)學(xué)顯微鏡”[3-4]。本文以小波分析理論為工具，結(jié)合小波系數(shù)的層內(nèi)和層間相關(guān)性，基于小波系數(shù)雙變量模型，改進論證了一種自適應(yīng)選取鄰域窗口的圖像去噪算法。由于雙樹復(fù)小波變換不僅有時頻局域特性和多分辨特性，還具有平移不變性和方向選擇性優(yōu)勢，最后將雙樹復(fù)小波變換應(yīng)用于該算法。

2雙變量模型自適應(yīng)選取鄰域窗口算法

Sendur等人已經(jīng)從數(shù)學(xué)的角度出發(fā)提出雙變量萎縮函數(shù)和雙變量模型概率密度分布函數(shù)來描述小波系數(shù)父、子間的相互關(guān)系，雙變量模型屬于一種小波系數(shù)層間模型[5]。

是鄰域滑動窗口。通過比較式（9）的相關(guān)度系數(shù)θ，可以判定上述矩陣內(nèi)待閾值化系數(shù)和其余小波系數(shù)之間的關(guān)聯(lián)程度，相關(guān)度系數(shù)θ越大，關(guān)聯(lián)程度也越大，進而選取關(guān)聯(lián)程度最大的窗口為其鄰域滑動窗口[14-15]。

（2）雙變量模型自適應(yīng)選取鄰域窗口算法

在雙變量模型局部自適應(yīng)去噪算法中，邊緣方差的估計采用固定的正方形窗口，如3*3、5*5、7*7鄰域窗口，無法根據(jù)圖像自身的特性自適應(yīng)選擇鄰域窗口，影響到了圖像去噪效果。所以本文提出一種根據(jù)鄰域內(nèi)小波系數(shù)的相關(guān)度來自適應(yīng)選取合適鄰域窗口的去噪算法，步驟如下：

1）將含有噪聲的圖像進行二維離散小波變換，分別得到各子帶各層圖像小波系數(shù)；

2）在各個高頻子帶上，對小波系數(shù)用雙變量模型做局部自適應(yīng)去噪處理如下：

a）在各層各個子帶中，以待操作小波系數(shù)為中心，分別比較計算鄰域窗口為3*3、5*5、7*7的相關(guān)度系數(shù)θi（i=1，2，3）；

b）計算比較三個固定滑動窗口的相關(guān)度系數(shù)，將最大相關(guān)度系數(shù)θmax 的鄰域窗口作為當前待操作小波系數(shù)的窗口；

c）然后得到邊緣方差的估計；

d）最后計算小波系數(shù)的估計1。

3）將去噪濾波后的高頻子帶小波系數(shù)和低頻小波系數(shù)進行二維離散小波重構(gòu)，最終可得到去噪后的圖像。

3雙樹復(fù)小波變換的自適應(yīng)選窗圖像去噪算法

由于傳統(tǒng)抽取小波不具備平移不變性以及只有有限的方向選擇等缺點，將具備平移不變性和更多方向性選擇等優(yōu)點的雙樹復(fù)小波變換應(yīng)用于雙變量模型圖像去噪算法中，根據(jù)鄰域小波系數(shù)雙變量模型和相關(guān)度大小，將雙樹復(fù)小波變換應(yīng)用于提出的一種鄰域小波系數(shù)相關(guān)度自適應(yīng)選取鄰域窗口的圖像去噪算法（鄰域窗口包括7*7、5*5、3*3）中，最后進行matlab試驗仿真，并與傳統(tǒng)的固定鄰域窗口雙變量模型和傳統(tǒng)離散小波變換圖像去噪效果相比較。

3.1雙樹復(fù)小波變換自適應(yīng)選窗算法框圖實現(xiàn)

傳統(tǒng)離散小波的局限性問題一般可以通過復(fù)小波變換解決。為此，Kingsbury等人提出雙樹復(fù)小波變換（DTCWT），不僅可以擁有一般復(fù)小波的優(yōu)點，而且可以實現(xiàn)完全重構(gòu)[16-17]。

復(fù)小波為：

ψt=ψrt+jψit （10）

ψrt，ψit為表示復(fù)小波的實部和虛部，但它們均為實函數(shù)。雙樹復(fù)小波ψt=ψrt+jψit具有頻譜單邊性的良好性質(zhì)，且在二抽樣情況下有頻率無偏性和良好的平移不變性，這些都是雙樹復(fù)數(shù)小波變換的優(yōu)勢[18]。

基于雙樹復(fù)小波變換自適應(yīng)選取鄰域窗口算法具體實現(xiàn)方法只是將雙變量模型自適應(yīng)選取鄰域窗口算法中二維離散小波變換分解與重構(gòu)換成雙樹復(fù)小波變換分解與重構(gòu)，其他步驟算法相同。雙樹復(fù)小波變換自適應(yīng)選取鄰域窗口圖像去噪算法的操作流程如圖2所示[19-20]。

3.2實驗結(jié)果分析

在雙變量模型圖像去噪算法的研究基礎(chǔ)上，將雙樹復(fù)小波變換應(yīng)用在雙變量模型圖像去噪算法中，采用自適應(yīng)選取鄰域窗口的改進算法，與離散小波變換的雙變量模型圖像去噪算法（BivaShrink去噪）和局部固定鄰域窗口的雙變量模型（BivaShrink自選窗去噪）進行實驗仿真結(jié)果比對，最后進行結(jié)果分析，如圖3所示。

采用512*512 Pepper標準測試圖像進行matlab仿真分析，為更好地比較本文算法與其它去噪算法，實驗中分別加入零均值，標準差為20、25、30、35、40、45、50的高斯白噪聲，圖像去噪的性能用峰值信噪比PSNR來衡量，表1中 比較了Pepper圖像雙樹復(fù)小波自選窗算法與BivaShrink自選窗、BivaShrink去噪算法的峰值信噪比，從表1中可以看到雙樹復(fù)小波自選窗算法的峰值信噪比提高的最大，BivaShrink自選窗的峰值信噪比高于BivaShrink 去噪算法。比較分析去噪效果圖后，可以得出改進算法能夠很好地消除邊緣處的失真，改善視覺效果，同時也提高了圖像的峰值信噪比，實驗結(jié)果證明了改進算法的有效性，得出的結(jié)論是雙樹復(fù)小波自選窗圖像去噪效果優(yōu)于BivaShrink自選窗，BivaShrink自選窗優(yōu)于BivaShrink 去噪算法。

4總結(jié)語

圖像去噪一直以來都是一個難題，要去除噪聲同時又較好地保留原有圖像的信息很難。憑借小波變換良好的時頻特性，其在圖像去噪領(lǐng)域得到國內(nèi)外學(xué)者們越來越多的關(guān)注。在詳細介紹小波變換基本理論基礎(chǔ)上，結(jié)合小波系數(shù)雙變量模型和鄰域內(nèi)小波系數(shù)的相關(guān)度，改進論證了一種雙變量模型自適應(yīng)選取鄰域窗口的去噪算法。由于雙樹復(fù)小波變換不僅有著時頻局域特性和多分辨特性，還具有平移不變性和更多方向選擇性等優(yōu)良性質(zhì)，將雙樹復(fù)小波變換應(yīng)用在雙變量模型圖像去噪算法中，采用自適應(yīng)選取鄰域窗口的改進算法。實驗結(jié)果證明，與傳統(tǒng)的離散小波變換相比，雙樹復(fù)小波自選窗圖像去噪效果優(yōu)于BivaShrink自選窗，BivaShrink自選窗優(yōu)于BivaShrink 去噪算法。

參考文獻

[1]朱希安，曹林.小波分析及其在數(shù)字圖像處理中的應(yīng)用[M].北京：電子工業(yè)出版社，2012.

[2]DONOHO D L，JOHNSTONE I M. Adapting to Unknown Smoothness Via Wavelet Shrinkage[J]. American Statical Assoc，1995，90（432）：1200-1224.

[3]呂俊白，蔡燦輝.一種有效保留圖像細節(jié)的自適應(yīng)圖像消噪方法[J].計算機應(yīng)用，2010，30（8）：2077-2079.

[4]PAN Jinfeng，PAN Xuefeng.The Adaptive Bivariate Shrinkage Denoising Method[J].978-0-7695-4225-6/10，IEEE Computer Society，2010.

[5]SENDUR L，SELESNICK W.Bivariate shrinkage functions for waveletbased denoising exploiting interscale dependency[J].IEEE Trans.Image Processing.2002，50（11）：2744-2756.

[6]REKABDAR A，KHAYAT O.Using Bivariate Gaussian Distribution for Image Denoising in the 2-D Complex Wavelet Domain[J].978-1-4244-9708-9/10， IEEE，2010.

[7]劉鑫，賀振華，黃德濟.基于雙變量收縮函數(shù)的局域自適應(yīng)圖像去噪[J].計算機應(yīng)用，2006，26.

[8]董雪燕，鄭永果.具有自適應(yīng)窗口的雙變量模型圖像去噪方法[J]. 計算機應(yīng)用與軟件，2012，（6）：135-136.

[9]侯建華.基于小波及其統(tǒng)計特性的圖像去噪方法研究[D].武漢：華中科技大學(xué)，2007.

[10]湯輝.基于小波及其統(tǒng)計模型的圖像去噪研究[D].昆明：昆明理工大學(xué)，2014.

[11]李江濤，倪國強，王強.基于雙樹復(fù)數(shù)小波變換和雙變量萎縮閾值圖像降噪[J].光學(xué)技術(shù)，2007，33（5）.

[12]張汗靈，熊先越.基于復(fù)小波變換與層間模型的圖像去噪[J].光電工程，2006，33（11）.

[13]KINGSBURY N G.Image Processing with the complex wavelet[D].Phil.Trans Royal Society London A September，1999.

[14]REKABDAR A，KHAYAT O.Using Bivariate Gaussian Distribution for Image Denoising in the 2-D Complex Wavelet Domain[J].978-1-4244-9708-9/10， IEEE，2010.

[15]張穩(wěn)穩(wěn).雙樹復(fù)小波域的鄰域自適應(yīng)貝葉斯收縮去噪[J].計算機工程與應(yīng)用，2012，48（31）.

[16]羅鵬，高協(xié)平.基于雙樹復(fù)數(shù)小波變換的圖像去噪方法[J].光子學(xué)報，2008，37（3）：604-608.

[17]劉蕾.基于雙樹復(fù)小波變換的圖像去噪[D].北京：北京化工大學(xué)，2010.

[18]殷明，白瑞峰，邢燕，等.基于非下采樣雙樹復(fù)小波域的雙變量模型去噪算法[J].光子學(xué)報，2014， 43（10）：131-137.

[19]龔衛(wèi)國，劉曉營，李偉紅，等.雙密度雙樹復(fù)小波變換的局域自適應(yīng)圖像去噪[J].光學(xué)精密工程，2009，17（5）：1171-1180.

[20]高洪玉，裴連群.雙樹復(fù)小波域農(nóng)業(yè)圖像改進半軟半硬閾值函數(shù)去噪[J].江蘇農(nóng)業(yè)科學(xué)，2015，（9）：450-452.

第36卷第1期2017年3月計算技術(shù)與自動化Computing Technology and AutomationVol36，No1Mar. 2 0 1 7第36卷第1期2017年3月計算技術(shù)與自動化Computing Technology and AutomationVol36，No1Mar. 2 0 1 7

2.1雙變量模型

假設(shè)圖像是含有加性高斯白噪聲，方差是σ2n，即有：