发明内容
本发明的目的在于克服上述已有技术的不足,提出了一种基于HWD变换的非局部图像去噪方法,以实现对自然图像去噪中边缘和平滑区域的兼顾,提高图像去噪效果。
为实现上述目的,本发明提出一种基于HWD变换的非局部图像去噪方法,包括如下步骤:
(1)将输入含噪图像中的图像块作为参考块,对于该参考块,根据欧式距离公式,计算该参考块与其邻域内所有图像块的距离,取距离小于阈值
的图像块组成该参考块的相似组
其中,X为含噪图像,x为X中的像素点,
为参考块,
是以
为中心的邻域中的图像块,
为图像块的大小,
是判断两个图像块是否相似的阈值;
(2)对相似组中图像块进行二维小波变换,并将小波系数中的大系数和小系数分别标记为1和0,根据相似组中所有图像块最粗尺度上各子带的0和1的分布,判断相似组的奇异性;
(3)根据相似组的奇异性,对奇异性简单的相似组进行二维小波变换和块间一维小波变换,奇异性复杂的相似组作TIHWD变换和块间一维小波变换,硬阈值收缩变换系数并进行相应的反变换,得到相似组中图像块的估计值
其中,
表示由二维变换和块间一维小波变换组成的三维变换,
为反变换,Υ表示硬阈值收缩操作,一般取值为λσ,λ是人为设定的常数,σ为噪声标准差;
(4)根据相似组的奇异性,整合图像块的估计值,得到基础估计图像
其中,
是相似组
对应的权值,
是以像素点x
m为左顶点的图像块
的特征函数,像素点
时,
取值为1,否则为0;
(5)在基础估计图像
上,通过块匹配方法构建其相似组
人工记录相似组
中相似块的坐标信息:
其中,
和
是基础估计图像
中的参考块和候选块,
是图像块的大小,
是判断两个图像块是否相似的阈值;
(6)根据相似组
中相似块的坐标信息,从含噪图像中提取与之相对应的图像块,得到含噪图像的相似组
对基础估计图像
的相似组
和含噪图像的相似组
均进行三维变换,根据
的变换系数计算维纳收缩矩阵W,将
的变换系数与W逐点相乘后,再进行反变换,得到相似组
中图像块的估计值
其中,
表示由二维离散余弦变换DCT和块间一维小波变换组成的三维变换,
表示反变换,W为维纳收缩矩阵,;
(7)对得到的图像块的估计值
加权平均,得到最终的去噪图像
其中,
是相似组
对应的权值,
是以像素点x
m为左顶点的图像块
的特征函数,像素点
时,
取值为1,否则为0;
上述步骤(2)中判断相似组的奇异性,按下列方式获得:
(1)对相似组中相似块进行三层小波分解,将变换后的小波系数中的大系数标记
为1,将变换后的小波系数中的大系数小系数标记为0:
其中,ω是小波系数,
是小波系数的标记值,thresh为阈值,取值为
(2)根据相似组中所有相似块最粗尺度上各子带的0和1分布,判断相似组的奇异性:
若相似组中所有图像块满足:最粗尺度上的低频、垂直和水平高频子带系数的标记值均为1,则该相似组判断为奇异性复杂的相似组;若不满足上述要求,则该相似组判断为奇异性简单的相似组。
本发明与现有的技术相比具有以下优点:
1.本发明通过对相似块的小波系数进行标记,能够准确地判断相似组的奇异性,进而对奇异性不同的相似组选择适用于自身的变换。
2.本发明根据相似组的奇异性,对奇异性简单的相似组选择小波变换,奇异性复杂的相似组选择TIHWD变换,结合了两种变换各自的优势,去噪的同时,能更好地保持边缘、纹理细节。
3.本发明由于对相似组选择了适应其奇异性特点的变换,能够得到更准确的基础估计图像,进而提高第二阶段中构建相似组和维纳收缩矩阵的准确性,从而提高图像最终的去噪效果。
具体实施方式
HWD(HybridWaveletsanddirectionalfilterbanks)是一种无冗余的图像特征的稀疏表示方法,它可以有效地提取图像的轮廓和细节信息。
参照附图1,本发明提供一种基于HWD变换的非局部图像去噪方法,包括如下步骤:
步骤1,对图2中的测试图像添加标准差为σ的噪声,得到含噪图像X,构建其相似组:
1.1)在含噪图像X中,以步长
取参考块
x
R为
的左顶点,在以x
R为中
心的39×39的邻域中,根据欧式距离公式计算参考块与该邻域中候选块的距离
其中,
为参考块,
为候选块,
是图像块的大小,σ≤40时,
取值为8,
为3;σ>40时,
取值为12,
为4;
1.2)取距离
d小于阈值
的候选块组成参考块的相似组:
其中,
是判断两个图像块是否相似的阈值,σ≤40时,
取值为2500;σ>40时,
取值为5000;
步骤2,对相似组中图像块进行二维小波变换,根据小波系数中的大系数和小系数的分布,判断相似组的奇异性:
2.1)对相似组中图像块进行三层bior1.5小波分解,将小波系数中的大系数标记为1,将小波系数中的小系数标记为0:
其中,ω是小波系数,
是标记后的小波系数,thresh为阈值,取值为
2.2)根据相似组中所有图像块最粗尺度上低频、垂直方向和水平方向高频子带的0和1分布标记值,判断相似组的奇异性:
如图3,若相似组中所有图像块满足:最粗尺度上的低频LL3、垂直方向LH3和水平方向HL3高频子带系数的标记值均为1,则该相似组判断为奇异性复杂的相似组;若不满足上述要求,则该相似组判断为奇异性简单的相似组。
步骤3,对相似组进行变换域的协同滤波:
3.1)对奇异性复杂的相似组进行TIHWD变换(平移不变形式的HWD变换)和块间一维小波变换,奇异性简单的相似组进行二维小波变换(或DCT变换)和块间一维小波变换;
3.2)硬阈值收缩三维变换系数,再作相应的逆三维变换:
其中,
表示由二维变换(小波、TIHWD或二维离散余弦变换DCT)和块间一维小波变换组成的三维变换,Υ为硬阈值收缩操作,λ
3Dσ为阈值,奇异性复杂的相似组:λ
3D取值为3(σ≤40时)和3.1(σ>40时),奇异性简单的相似组:λ
3D取值为2.7(σ<40时)和2.8(σ>40时),σ为噪声标准差,
为反变换;
步骤4,根据相似组的奇异性,整合图像块的估计值,得到基础估计图像:
分别统计每个像素点,奇异性不同的相似组返回的估计值的个数,取较多者对应的估计值加权平均,作为像素点的估计值,得到基础估计图像
其中,
是相似组
对应的权值,
是以像素点x
m为左顶点的图像块
的特征函数,像素点
时,
取值为1,否则为0;
步骤5,在基础估计图像上,通过块匹配方法构建其相似组
人工记录相似组中相似块的坐标信息:
其中,
和
是基础估计图中的参考块和候选块,块的大小是
是判断两个图像块是否相似的阈值,且这里的步长
取值为6,σ≤40时,
取值为400,
取值为8;σ>40时,
取值为3500,
取值为11;
步骤6,根据步骤5得到的坐标信息,从含噪图像中提取相应的图像块,得到相似组
进行变换域的协同滤波:
6.1)对基础估计图像的相似组
进行三维变换,根据变换系数计算维纳收缩矩阵:
其中,
表示由二维离散余弦变换DCT和块间一维小波变换组成的三维变换;
6.2)对相似组
进行同样的三维变换,将
的变换系数与W逐点相乘后,再反变换,得到相似组
中图像块的估计值:
步骤7,对相似组
中图像块估计值加权平均,得到最终的去噪图像
其中,
是相似组
对应的权值,
是以像素点x
m为左顶点的图像块
的特征函数,像素点
时,
取值为1,否则为0;
本发明效果可以通过以下实验进一步证实:
一.实验条件和内容
实验条件:实验所使用的测试图像如图2所示,实验中,去噪方法都是使用matlab语言编程实现。
实验内容:在上述实验条件下,分别使用TIHWD①双变量阈值、BM3D去噪方法和本发明进行实验。其中,TIHWD双变量阈值方法中的分解层数为[33000],BM3D方法使用的是其对应文章中的参数,本发明第一阶段中,σ≤40时,二维变换为bior1.5小波变换和TIHWD变换,σ>40时,二维变换为DCT变换和TIHWD变换,TIHWD变换的分解层数为[2,0],一维小波变换均为haar小波变换,第二阶段的参数均和BM3D中参数设置一致。
二.实验结果
对图2中的测试图像的去噪结果如图4、5、6、7所示,其中图4(a)是测试图像Lena,大小为256×256,图4(b)是对图4(a)加入标准差为25噪声的含噪Lena图像;图5(a)是测试图像house,大小为256×256,图5(b)是对5(a)加入标准差为50噪声的含噪house图像;图6(a)是测试图像Baboon,大小为512×512,图6(b)是对6(a)加入标准差为35噪声的含噪Baboon图像;图7(a)是测试图像fingerprint,大小为512×512,图7(b)是对7(a)加入标准差为50噪声的含噪fingerprint图像;在图4到图7中,(c)是TIHWD双变量阈值方法得到的去噪图像,(d)是BM3D方法得到的去噪图像,(e)是本发明得到的去噪图像,图8和图9分别为图5和图7中对应去噪结果的局部放大图。
使用TIHWD双变量阈值方法去噪结果如图4到图7中(c)所示,从结果图及局部放大图可以看出,该方法能较好地保持细节信息,但是图像中产生了明显的吉布斯效应;
使用BM3D方法去噪结果如图4到图7中(d)所示,从结果图及局部放大图可以看出,该方法在均匀区域和边缘区域都具有较好地去噪性能,相比TIHWD双变量阈值方法,结果图中几乎没有吉布斯效应,但在去噪的同时,会使部分边缘模糊且不能保持边缘的连续性;
本发明方法去噪结果如图4到图7中(e)所示,从结果图及局部放大图可以看出,相比于上述的两种去噪方法,本发明在去除噪声的同时,能够很好地保持边缘和不平滑区域等细节信息。
用图2中各图的峰值信噪比PSNR值作为去噪结果的定量评价指标,其计算方法为:
u(i)为原始无噪图,
为去噪后的结果图,u
max=max{u(i),i∈N},N表示图像大小。上述现有的两种去噪方法和本发明的去噪结果的PSNR值列在表1中。
表1去噪结果对比
从实验可知,本发明相对于TIHWD双变量阈值方法和BM3D去噪方法,去噪图的视觉效果和PSNR评价指标均有所提高,本发明能够平滑噪声的同时,更好地保持图像的边缘和纹理细节,具有更好的去噪效果。
文中出现①源于外文文献:EslamiR,RadhaH.,Anewfamilyofnonredundanttransformsusinghybridwaveletsanddirectionalfilterbanks.IEEETrans.ImageProcessing,2007,16(4):1152-1167。