基于多尺度的去噪方法研究

劉強(qiáng) 李宏寧

摘要：在圖像增強(qiáng)、分割、識(shí)別處理等環(huán)節(jié)，圖像去噪即圖像增強(qiáng)顯得尤其重要。怎么樣在去除噪聲的同時(shí)有效地保留下圖像細(xì)節(jié)部分一直都是研究的重難點(diǎn)。在本文中，我們首先介紹了常用的中值濾波，均值濾波，維納濾波，高斯濾波的圖像去噪方法，然后介紹了具有良好的時(shí)頻特性和多分辨率性的小波變換。但是小波變換不具備多方向性，為了能有效地實(shí)現(xiàn)圖像的多分辨率的、多方向的、局部的特征提取，又利用圖像幾何本質(zhì)的特征，新提出的Contourlet變換去噪解決了這一難題。

關(guān)鍵詞：數(shù)字圖像去噪；小波變換；Contourlet變換；多尺度

中圖分類號(hào)：TP18 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1009-5039（2018）17-0214-02

在數(shù)字圖像處理領(lǐng)域，國(guó)外先于國(guó)內(nèi)。在含噪聲圖像，圖像模糊等存在問(wèn)題的圖像有很好的研究，對(duì)于相應(yīng)的問(wèn)題有各自不同的處理方法，各方面的技術(shù)相對(duì)于國(guó)內(nèi)含噪圖像的處理的相關(guān)技術(shù)已經(jīng)很成熟。根據(jù)它作用的范圍來(lái)說(shuō)，主要是兩類：空間域上的和頻域上的處理方法?？臻g域去噪法不會(huì)作用于頻率，而是通過(guò)算法，對(duì)圖像上的像素灰度值實(shí)施運(yùn)算，例如中值濾波法和領(lǐng)域平均法等。頻域法的中心思想作用于圖像的頻率，根據(jù)信號(hào)與噪聲存在不相同的頻率來(lái)運(yùn)算。當(dāng)一幅含噪圖像經(jīng)過(guò)變換后，有效信號(hào)在低頻區(qū)；圖像的細(xì)節(jié)輪廓部分與大部分噪聲部分會(huì)在高頻區(qū)。利用一個(gè)濾波器濾除數(shù)字圖像信號(hào)中被噪聲頻率干擾的部分。

1 小波去噪

1.1 基本原理

在小波變換后，產(chǎn)生了一系列小波系數(shù)，攜帶了圖像的信息。小波系數(shù)幅值小，對(duì)應(yīng)的小波系數(shù)就小，含噪聲較多。小波去噪就是先進(jìn)行小波分解，經(jīng)過(guò)處理后再重新構(gòu)造圖像達(dá)到去除噪聲的目的。

1.2 閾值的選取

為了達(dá)到理想的去噪效果，閾值的選擇顯得尤其重要。如果選取的閾值過(guò)大，那么圖像中較小的圖像特征信號(hào)就會(huì)被當(dāng)成是噪聲濾除，這樣圖像就丟失了細(xì)節(jié)，引起偏差；反之，閾值過(guò)小，噪聲不能被濾除干凈。一般說(shuō)來(lái)，當(dāng)小波系數(shù)保持不變時(shí)，閾值的選取與噪聲為正比關(guān)系。小波多尺度閾值去噪時(shí)，閾值函數(shù)

1.3 小波去噪結(jié)果的分析

從小波去噪的結(jié)果可以分析得出，在除噪過(guò)程中，能夠很好地去除噪聲，并且能夠?qū)D像的細(xì)節(jié)部分很好的保留下來(lái)，得到非常好的去噪結(jié)果。一方面效果好，另一方面算法簡(jiǎn)便易于實(shí)現(xiàn)。

2 基于NSCT自適應(yīng)閾值去噪

2.1 NSCT自適應(yīng)閾值去噪原理

4 結(jié)論

PSNR值結(jié)果顯示當(dāng)噪聲在比較小的情況下，NSCT的較高，去噪的效果就比較好，隨著方差逐漸增大，PSNR的差異也變得越來(lái)越小。當(dāng)方差為20時(shí)，圖2的顯示了局部去噪的效果圖。可以得出結(jié)論，基于NSCT自適應(yīng)閾值能很好地保留圖像細(xì)節(jié)部分，去除的失真，在圖片Lena的發(fā)絲部分，圖片在辣椒蒂附近，和圖片Pepper中桌子腳周?chē)幮Ч急容^明顯。

參考文獻(xiàn)：

[1] 王耀南，李樹(shù)濤，毛建旭.計(jì)算機(jī)圖像處理與識(shí)別技術(shù)[M].北京：高等教育出版社，2005.

[2] 楊樂(lè).圖像增強(qiáng)算法及其實(shí)現(xiàn)[J].現(xiàn)代電子技術(shù)，2008，31（8）：133-134.

[3] 焦李成，譚山.圖像的多尺度幾何分析： 回顧和展望[A]. 電子學(xué)報(bào)，2003，31（12）：1975-1981.

[4] E.J.Candts.Monoscale ridgelets for the representation of images with edges[M]. USA：Department of Statistics，Stanford University，1999

[5] 林立宇. Contourlet變換影像處理應(yīng)用[M]. 北京：科學(xué)出版社，2008.

[6] 戴維，于盛林，孫栓.基于Contourlet變換自適應(yīng)閾值的圖像去噪算法[J].電子學(xué)報(bào)，2007，35（10）： 1939-1942.

[7] Minh N. Do and Martin Vetterli. The contourlet transform： an efficient directional multiresolution image representation[J].IEEE Trans. on Image Processing， 2005，14（12）：2091-2106 .

[8] A L Cunha ， J Zhou ，M N Do. The nonsubsampled contourlet transform： Theory， design ， and applications [J].IEEE Transactions on Image Processing， 2006，15 （10） .

[9] P.J.Burt and E.H.Adelson. The laplacian pyramid as a compact image code[J].IEEE Trans.Commun.， April 1983，31（4）：532-540.

[10] M.N.Do，M.Vetterli.Framing pyramids[J].IEEE Trans.Signal Proc.， September 2003：2329-2342.

[11] 傅博.基于多尺度變換的圖像去噪方法研究[D]. 遼寧：遼寧師范大學(xué)，2009.