CN101477680A - 基于滑窗邻域数据选择的小波图像降噪方法 - Google Patents
基于滑窗邻域数据选择的小波图像降噪方法 Download PDFInfo
- Publication number
- CN101477680A CN101477680A CNA2009100677228A CN200910067722A CN101477680A CN 101477680 A CN101477680 A CN 101477680A CN A2009100677228 A CNA2009100677228 A CN A2009100677228A CN 200910067722 A CN200910067722 A CN 200910067722A CN 101477680 A CN101477680 A CN 101477680A
- Authority
- CN
- China
- Prior art keywords
- coefficient
- wavelet
- window
- wavelet coefficient
- image
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Landscapes
- Image Processing (AREA)
Abstract
本发明涉及一种基于滑窗邻域数据选择的小波图像降噪方法,包括:步骤1将含噪图像经过小波变换处理,分解为各个子带;步骤2对每个子带中的小波系数按下列步骤处理:1)在每个子带中,以每个小波系数为中心,对每个邻域内的中心小波系数做阈值判断,比较该系数所在各邻域的相关度系数Θ,若最大相关度系数Θ大于经验值,则执行2);若最大相关度系数Θ小于经验值,则直接进入步骤3;2)计算1)中选取的阈值处理窗口的贝叶斯自适应阈值,得到缩放因子;3)将窗口中心的小波系数按缩放因子进行收缩;步骤3依次对小波各个子带进行自适应滑动窗口邻域小波处理之后,再将小波系数重构,得到滤波之后的图像。本发明提供的小波图像降噪方法,具有较高的峰值信噪比和更好的图像边缘保护效果。
Description
技术领域
本发明属于图像处理技术领域,具体涉及一种小波图像降噪的方法。
背景技术
目前小波图像去噪已经出现了许多方法,如软阈值和硬阈值去噪方法。其中NeighCoeff和NeighBlock方法,将要处理的小波系数置于由周围系数所组成的方窗内,由窗内所有的小波系数共同决定该小波系数的处理;而NeighShrink方法则根据邻域窗口内所有小波系数的平方和的大小来决定处于该窗口中心的小波系数的处理。NeighShrink方法在保留图像细节方面优于普通软硬阈值方法不过在去噪过程中,容易将边缘数据当成噪声,使得边缘信息平滑化,导致图像模糊不清楚。
发明内容
本发明是针对现有技术的上述不足,提供了一种基于滑窗邻域数据选择的小波图像降噪方法。该方法可以通过计算滑窗面积内图像系数间的相关度系数,取消对相关性低于某个经验值的的窗口的处理,从而达到保护图像边缘的目的,改善对图像的去噪性能。
本发明的基于滑窗邻域数据选择的小波图像降噪方法,包括下列步骤(流程如图1所示):
步骤1:将含噪图像经过小波变换处理;
步骤2:对每个子带中的小波系数单独处理,处理步骤如下:
1)在每个子带中,以每个小波系数为中心,对各个滑动窗口内小波系数邻域的中心小波系数做阈值判断,通过 比较该系数所在各邻域的相关度系数Θ,若最大相关度系数Θ大于经验值T,则执行2),若最大相关度系数Θ小于经验值T,则取消对所在滑窗的阈值处理,直接执行步骤3,其中,(i,j)∈滑窗所在的邻域,(t,s)为滑窗的中心点,为(X1,X2,…,Xn)的相关系数矩阵, 为相关系数,
Cov(X1,X2)=E{[X1-E(X1)][X2-E(X2)]}为X1,X2的协方差定义。
2)设{dm,n}是含噪图像小波后的系数的集合,对每一个小波系数dm,n,设以它为中心的邻域窗口为Wm,n,定义邻域Nm,n(d)包含所有落在以当前阈值化小波系数为中心,半径为d的方阵内所有小波系数,d为水平或垂直方向上相邻小波系数的间隔,计算1)中选取的阈值处理窗口的基于广义高斯模型的贝叶斯自适应阈值其中,噪声标准差采用鲁棒性中值估计Y(i,j)∈一层对角高频子带,信号方差则按估计,得到缩放因子 其中
3)将窗口中心的小波系数按缩放因子进行收缩;
步骤3:依次对小波各个子带进行自适应滑动窗口邻域小波处理之后,再将小波系数重构,得到滤波之后的图像。
本发明提供的滑窗邻域数据选择技术的小波图像降噪方法,充分考虑了图像边缘的因素,并且以此为据提供了一种以小波邻域相关系数为判断依据的滑窗邻域数据选择去噪方法,达到较高的峰值信噪比,具有更好的图像边缘保护效果。
附图说明
图1本发明基于滑窗邻域数据选择的小波降噪方法的总体流程图。
图2小波系数3×3滑动窗口邻域示例。小圆圈表示小波系数,黑色圆圈为中心小波系数,方框内系数为其邻域。
图3本发明降噪处理样图。图3(a)为降噪处理样图原图;图3(b)为样图原图加噪图像;图3(c)为滑窗大小为3×3时使用本发明降噪方法降噪处理后图像;图3(d)为滑窗大小为5×5时使用本发明降噪方法降噪处理后图像;图3(e)为滑窗大小为7×7时使用本发明降噪方法降噪处理后图像;图3(f)为滑窗大小为9×9时使用本发明降噪方法降噪处理后图像。
具体实施方式
下面通过附图和实施例对本发明做进一步详述。
1.图像变换
将加噪图像进行小波变换,得到小波系数矩阵,分解到4层,小波基为sym8小波,经验值T为0.2。
小波变换推导如下:
设一维多分辨分析{Vj}的两尺度方程和小波方程为
分解算法:
重构算法:
对于低频部分cj重复二维小波变换,最后可以得到cj+1的多极小波变换。相应的,也可以得到fj+1(x,y)的多分辨表示。
2.分子带阈值处理
小波变换可以通过同一子带的低频系数递归地使用低通和高通滤波器实现,意味着在一个小邻域内小波系数是相关的,称为小波系数的层内相关性。在一个值较大的小波系数的邻域内,可能会有一组较大的小波系数。
对每个子带中的小波系数单独处理,处理步骤如下:
1)在每个子带中,以每个小波系数为中心,对每个邻域内的中心小波系数做阈值判断,通过相关度系数 比较该系数所在各邻域的相关度系数Θ,其中(i,j)∈滑窗所在的邻域,(t,s)为滑窗的中心点。若最大相关度系数Θ大于经验值T,则执行2);若最大相关度系数Θ小于经验值T,则取消对所在滑窗的阈值处理,直接进入3.图像重构。
2)X1,X2的协方差定义为Cov(X1,X2)=E{[X1-E(X1)][X2-E(X2)]}。通过协方差可以了解两个随机变量之间的关系:正的协方差表示两个随机变量倾向于同时取得较大值或较小值;负的协方差表示两个随机变量有相反方向的变化趋势。两个随机变量的变化趋势是在平均意义上而言的。
相关系数记为 相关系数和协方差Cov(X1,X2)之间存在数量关系,是标准尺度下的协方差。协方差单位依赖于X1,X2的度量单位,可以更好的反映X1,X2之间的关系,而不受所用度量单位的影响。较小说明X1,X2的线性关系联系较差,反之亦然。n维随机向量(X1,X2,…,Xn),记Cov(Xi,Xj)=E{[Xi-E(Xi)][Xj-E(Xj)]},i,j=1,2,…,n,由协方差和相关系数的关系可以得到:
通过计算滑窗面积内图像数据的相关系数矩阵,可以得到当前阈值化小波系数和其邻域内数据的关系。
通过比较相关度系数Θ和经验值T的大小,来判断矩阵内当前阈值化小波系数和其余系数的关联程度,取消关联程度小的滑窗的处理。通过相关系数的判别,可以很好的起到去噪和保护边缘的目的。
3)计算贝叶斯自适应阈值,得到缩放系数。
假设{dm,n}是含噪图像小波后的系数的集合,在各个子带上,小波系数服从广义高斯分布GGD。对每一个小波系数dm,n,设以它为中心的邻域窗口为Wm,n。定义邻域Nm,n(d)包含所有落在以当前阈值化小波系数为中心,半径为d的方阵内所有小波系数。d为水平或垂直方向上相邻小波系数的间隔。
对阈值化的小波系数,用dm,n=dm,nαm,n进行收缩,其中收缩因子定义为
当此收缩因子为负时,置为零;否则,保持不变。
这里的阈值λ用基于广义高斯模型的Bayes估计的自适应阈值
其中噪声标准差采用鲁棒性中值估计:
其中,广义高斯分布也称为广义拉普拉斯分布,定义为:
设gi,j=fi,j+εi,j,i,j=1,2,…,N。其中gi,j,fi,j,εi,j分别代表含噪图像,真实图像和噪声。其中εi,j独立同分布iid而且服从N(0,σ2),fi,j,εi,j独立。
经过实验研究,得到的一个在最小Bayes风险意义上的近似最优公式,即BayesShrink阈值: TB是T*的近似,最大偏差不超过5%。
4)将窗口中心的图像系数根据得到的缩放系数进行收缩。
3.图像重构
依次对小波各个子带进行自适应滑动窗口邻域小波处理之后,再将小波系数重构,得到滤波之后的图像。
4.实验结果
为了验证本发明去噪方法的有效性,对具体图片(如图3(a)所示)进行了实验。实验中采用sym8小波进行图像处理,对图像加不同强度的噪声,将图像用小波分解4层。以PSNR(Peak Signal to Noise Ratio)作为降噪性能优劣的衡量标准,实验结果如表1所示。
表1 各种大小窗口和噪声方差下的PSNR/dB比较
从表1给出的数据可以看出,使用本发明中提供的基于滑窗邻域数据选择方法可得到较好的峰值信噪比。
同时从图像的视觉效果上来看(如图3(c)-(f)所示),本发明提供的方法也明显优于传统方法。它抑制了图像中大部分的噪声,较好地抑制了“过平滑”,尽可能多地保留了图像的细节信息,使降噪后的图像表现出比较清晰的边缘。而且在噪声污染越重时,去噪效果越好。
Claims (1)
1.一种基于滑窗邻域数据选择的小波图像降噪方法,包括下列步骤:
步骤1:将含噪图像经过小波变换处理;
步骤2:对每个子带中的小波系数单独处理,处理步骤如下:
1)在每个子带中,以每个小波系数为中心,对各个滑动窗口内小波系数邻域的中心小波系数做阈值判断,通过 比较该系数所在各邻域的相关度系数Θ,若最大相关度系数Θ大于经验值T,则执行2),若最大相关度系数Θ小于经验值T,则取消对所在滑窗的阈值处理,直接执行步骤3,其中,(i,j)∈滑窗所在的邻域,(t,s)为滑窗的中心点,
为(X1,X2,…,Xn)的相关系数矩阵,
Cov(X1,X2)=E{[X1-E(X1)][X2-E(X2)]}为X1,X2的协方差定义。
2)设{dm,n}是含噪图像小波后的系数的集合,对每一个小波系数dm,n,设以它为中心的邻域窗口为Wm,n,定义邻域Nm,n(d)包含所有落在以当前阈值化小波系数为中心,半径为d的方阵内所有小波系数,d为水平或垂直方向上相邻小波系数的间隔,计算1)中选取的阈值处理窗口的基于广义高斯模型的贝叶斯自适应阈值其中,噪声标准差采用鲁棒性中值估计一层对角高频子带,信号方差则按估计,得到缩放因子 其中
3)将窗口中心的小波系数按缩放因子进行收缩;
步骤3:依次对小波各个子带进行自适应滑动窗口邻域小波处理之后,再将小波系数重构,得到滤波之后的图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CNA2009100677228A CN101477680A (zh) | 2009-01-16 | 2009-01-16 | 基于滑窗邻域数据选择的小波图像降噪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CNA2009100677228A CN101477680A (zh) | 2009-01-16 | 2009-01-16 | 基于滑窗邻域数据选择的小波图像降噪方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN101477680A true CN101477680A (zh) | 2009-07-08 |
Family
ID=40838388
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CNA2009100677228A Pending CN101477680A (zh) | 2009-01-16 | 2009-01-16 | 基于滑窗邻域数据选择的小波图像降噪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN101477680A (zh) |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101799916A (zh) * | 2010-03-16 | 2010-08-11 | 刘国传 | 基于贝叶斯估计的生物芯片图像小波去噪方法 |
CN102073999A (zh) * | 2011-01-20 | 2011-05-25 | 西安电子科技大学 | 基于双冗余字典学习的自然图像去噪方法 |
CN102156963A (zh) * | 2011-01-20 | 2011-08-17 | 中山大学 | 一种混合噪声图像去噪方法 |
CN102314675A (zh) * | 2011-09-27 | 2012-01-11 | 西安电子科技大学 | 基于小波高频的贝叶斯去噪方法 |
CN102509260A (zh) * | 2011-09-27 | 2012-06-20 | 西安电子科技大学 | 基于小波低频的贝叶斯去噪方法 |
CN103471623A (zh) * | 2013-09-24 | 2013-12-25 | 重庆邮电大学 | 一种基于邻域小波系数的mzi信号去噪方法 |
CN103557856A (zh) * | 2013-10-25 | 2014-02-05 | 哈尔滨工程大学 | 一种光纤陀螺随机漂移实时滤波方法 |
CN103559685A (zh) * | 2013-10-14 | 2014-02-05 | 天津市晶奇微电子有限公司 | 基于小波变换的图像滤波算法 |
CN103700072A (zh) * | 2013-12-17 | 2014-04-02 | 北京工业大学 | 一种基于自适应小波阈值和双边滤波器的图像去噪方法 |
CN103955894A (zh) * | 2014-04-14 | 2014-07-30 | 武汉科技大学 | 一种量子启发的医学超声图像去斑方法 |
CN105631822A (zh) * | 2015-12-28 | 2016-06-01 | 南京邮电大学 | 一种改进小波变量阀值收缩模型降低图像噪声的方法 |
CN107451964A (zh) * | 2017-07-14 | 2017-12-08 | 浙江大学 | 一种基于噪声方差分段估计的图像去噪方法 |
CN108133466A (zh) * | 2018-01-15 | 2018-06-08 | 集美大学 | 一种改进型自适应小波太赫兹图像去噪方法 |
CN110146922A (zh) * | 2018-08-16 | 2019-08-20 | 中铁二院工程集团有限责任公司 | 高速铁路地震预警***单双地震计干扰识别方法 |
CN110598617A (zh) * | 2019-09-05 | 2019-12-20 | 天地(常州)自动化股份有限公司 | 煤矿安全监控***瓦斯异常数据辨识与重构方法 |
CN111080647A (zh) * | 2019-11-26 | 2020-04-28 | 西安电子科技大学 | 基于自适应滑动窗口滤波和fcm的sar图像分割方法 |
-
2009
- 2009-01-16 CN CNA2009100677228A patent/CN101477680A/zh active Pending
Cited By (25)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101799916A (zh) * | 2010-03-16 | 2010-08-11 | 刘国传 | 基于贝叶斯估计的生物芯片图像小波去噪方法 |
CN102073999A (zh) * | 2011-01-20 | 2011-05-25 | 西安电子科技大学 | 基于双冗余字典学习的自然图像去噪方法 |
CN102156963A (zh) * | 2011-01-20 | 2011-08-17 | 中山大学 | 一种混合噪声图像去噪方法 |
CN102073999B (zh) * | 2011-01-20 | 2012-08-29 | 西安电子科技大学 | 基于双冗余字典学习的自然图像去噪方法 |
CN102509260B (zh) * | 2011-09-27 | 2013-12-25 | 西安电子科技大学 | 基于小波低频的贝叶斯去噪方法 |
CN102314675A (zh) * | 2011-09-27 | 2012-01-11 | 西安电子科技大学 | 基于小波高频的贝叶斯去噪方法 |
CN102509260A (zh) * | 2011-09-27 | 2012-06-20 | 西安电子科技大学 | 基于小波低频的贝叶斯去噪方法 |
CN103471623B (zh) * | 2013-09-24 | 2016-06-01 | 重庆邮电大学 | 一种基于邻域小波系数的mzi信号去噪方法 |
CN103471623A (zh) * | 2013-09-24 | 2013-12-25 | 重庆邮电大学 | 一种基于邻域小波系数的mzi信号去噪方法 |
CN103559685A (zh) * | 2013-10-14 | 2014-02-05 | 天津市晶奇微电子有限公司 | 基于小波变换的图像滤波算法 |
CN103557856A (zh) * | 2013-10-25 | 2014-02-05 | 哈尔滨工程大学 | 一种光纤陀螺随机漂移实时滤波方法 |
CN103700072A (zh) * | 2013-12-17 | 2014-04-02 | 北京工业大学 | 一种基于自适应小波阈值和双边滤波器的图像去噪方法 |
CN103955894A (zh) * | 2014-04-14 | 2014-07-30 | 武汉科技大学 | 一种量子启发的医学超声图像去斑方法 |
CN103955894B (zh) * | 2014-04-14 | 2017-04-19 | 武汉科技大学 | 一种量子启发的医学超声图像去斑方法 |
CN105631822B (zh) * | 2015-12-28 | 2019-02-19 | 南京邮电大学 | 一种改进小波变量阀值收缩模型降低图像噪声的方法 |
CN105631822A (zh) * | 2015-12-28 | 2016-06-01 | 南京邮电大学 | 一种改进小波变量阀值收缩模型降低图像噪声的方法 |
CN107451964A (zh) * | 2017-07-14 | 2017-12-08 | 浙江大学 | 一种基于噪声方差分段估计的图像去噪方法 |
CN108133466A (zh) * | 2018-01-15 | 2018-06-08 | 集美大学 | 一种改进型自适应小波太赫兹图像去噪方法 |
CN108133466B (zh) * | 2018-01-15 | 2020-07-07 | 集美大学 | 一种改进型自适应小波太赫兹图像去噪方法 |
CN110146922A (zh) * | 2018-08-16 | 2019-08-20 | 中铁二院工程集团有限责任公司 | 高速铁路地震预警***单双地震计干扰识别方法 |
CN110146922B (zh) * | 2018-08-16 | 2021-12-10 | 中铁二院工程集团有限责任公司 | 高速铁路地震预警***单双地震计干扰识别方法 |
CN110598617A (zh) * | 2019-09-05 | 2019-12-20 | 天地(常州)自动化股份有限公司 | 煤矿安全监控***瓦斯异常数据辨识与重构方法 |
CN110598617B (zh) * | 2019-09-05 | 2022-02-11 | 天地(常州)自动化股份有限公司 | 煤矿安全监控***瓦斯异常数据辨识与重构方法 |
CN111080647A (zh) * | 2019-11-26 | 2020-04-28 | 西安电子科技大学 | 基于自适应滑动窗口滤波和fcm的sar图像分割方法 |
CN111080647B (zh) * | 2019-11-26 | 2022-03-04 | 西安电子科技大学 | 基于自适应滑动窗口滤波和fcm的sar图像分割方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101477680A (zh) | 基于滑窗邻域数据选择的小波图像降噪方法 | |
CN101477681B (zh) | 基于自适应滑窗邻域阈值的小波图像降噪方法 | |
CN101950414B (zh) | 自然图像非局部均值去噪方法 | |
CN103077508B (zh) | 基于变换域非局部和最小均方误差的sar图像去噪方法 | |
CN103761719B (zh) | 一种基于邻域相关性的自适应小波阈值去噪方法 | |
CN103700072A (zh) | 一种基于自适应小波阈值和双边滤波器的图像去噪方法 | |
CN101719268B (zh) | 基于改进Directionlet域的广义高斯模型图像去噪方法 | |
Yin et al. | Image denoising with anisotropic bivariate shrinkage | |
CN103093428A (zh) | 一种时空联合的图像序列多尺度几何变换去噪方法 | |
CN100417191C (zh) | 一种图像组合降噪方法 | |
CN102426701A (zh) | 基于双树复小波变换和pca的水下声纳图像的去噪方法 | |
CN101840568B (zh) | 基于PCNN区域分割的NeighShrink图像去噪方法 | |
CN100433062C (zh) | 一种Contourlet变换域的图像降噪方法 | |
CN101504769B (zh) | 一种基于编码器框架的自适应性的噪声强度估计的方法 | |
CN102222327A (zh) | 基于Treelet变换和最小均方误差估计的图像去噪方法 | |
CN101957984B (zh) | 基于非局部萎缩因子参数估计的图像去噪方法 | |
Rao et al. | Selective neighbouring wavelet coefficients approach for image denoising | |
CN106023103B (zh) | 一种基于精确局部方差先验建模的自适应正交小波图像去噪方法 | |
CN111311508A (zh) | 一种带噪路面裂缝图像的降噪方法 | |
CN102314675B (zh) | 基于小波高频的贝叶斯去噪方法 | |
CN112801897B (zh) | 一种基于宽卷积神经网络的图像去噪方法 | |
CN102289800B (zh) | 基于Treelet的Contourlet域图像去噪方法 | |
CN102196155A (zh) | 基于Surfacelet变换的系数自适应收缩视频去噪方法 | |
Isar et al. | SONAR images denoising | |
CN111652810A (zh) | 一种基于小波域奇异值差分模型的图像去噪方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C02 | Deemed withdrawal of patent application after publication (patent law 2001) | ||
WD01 | Invention patent application deemed withdrawn after publication |
Open date: 20090708 |