一种基于非下采样Contourlet变换的阈值化图像去噪方法技术

本发明专利技术公开了一种基于非下采样Contourlet变换的阈值化图像去噪方法，主要解决现有去噪方法效果不佳的问题。其实现过程是1)输入一幅含噪图像；2)对含噪图像进行非下采样Contourlet变换；3)在变换域进行各子带噪声方差估计以及系数标准差的估计；4)设定合理的阈值；5)使用改进的半软阈值函数对NSCT系数进行阈值处理，低频分量不作处理；6)对处理后的NSCT系数进行非下采样Contourlet逆变换得到去噪后的图像。本发明专利技术能有效的去除含有高斯白噪声的自然图像中的噪声，并且在去除噪声的同时尽可能的保留图像信息边缘，从而得到原图像的最佳恢复，具有很好的应用前景和极大地发展潜力。

【技术实现步骤摘要】

本专利技术属于数字图像处理
，特别涉及一种基于非下采样Contourlet变 换的阈值化图像去噪方法。
技术介绍
图像去噪是图像处理中一个非常重要的研宄领域，其中存在一个难题就是在去除 噪声的同时尽量不破坏原有图像的信息，因此理想的图像去噪需要达到两个目标：第一最 大程度的抑制噪声；第二尽可能的保留图像的细节特征信息。传统的降噪方法很大程度上 在去除图像的噪声的同时，也会消除图像部分有用的高频信息。随着小波变换的发展，采用 小波变换进行图像去噪成为一个活跃的研宄课题，近年来发展的多尺度几何分析，也成为 图像去噪的有利工具。 1992年，Donoho和Johnstone提出了小波阈值萎缩方法，与此同时，Krim等人运 用Rissancn的MDL准则，也得到了相同的阈值公式，此后小波阈值萎缩方法被用到各种去 噪应用中，并取得了很大的成功，对高斯噪声尤其如此。但是Donoho和Johnstone给出的 通用阈值，该方法存在着两个严重的缺点，一个是由于这种阈值与信号的尺寸对数的平方 根成正比，当尺寸较大时，往往产生"过扼杀"系数的现象；另一个是，该阈值没有考虑到局 部统计特征和各层各方向上系数的差别。因此人们纷纷对阈值的选取进行了研宄，并提出 了多种不同的阈值确定方法，包括Bayes阈值、SUREShrink阈值等。 在阈值去噪中，阈值函数体现了对超过和低于阈值的小波系数不同处理策略，阈 值函数的选择是阈值去噪中关键的一步。常用的阈值函数有硬阈值函数和软阈值函数两 种，硬阈值函数策略是保留大于阈值的小波系数，而把小于阈值的小波系数都设定为零。软 阈值函数策略是把小于阈值的小波系数置零，把大于阈值的小波系数的绝对值减去阈值以 去除噪声的影响。硬阈值函数不连续，图像去噪后会出现振铃、伪Gibbs效应等视觉失真， 画面显得粗糙；软阈值函数由于缩减了系数值较大的高频系数，而造成了一定的高频信息 损失，导致了图像的重要信息（如边缘和纹理等）的损失与模糊现象。为了克服硬阈值法 和软阈值法的缺点，GaoHongYe提出了另外一种阈值函数，它是软阈值法和硬阈值法的一种 折衷形式即半软阈值法。 因为小波只能"最优"地表示点的奇异性，即零维奇异性，对直线和曲线等的奇异 性不能很好的表示，Donoho等提出的Contourlet能够很好地表示了曲线的特征，它不仅具 有多尺度特性，而且具有比小波变换更非富的方向性，被认为是一种"最优"的图像表示方 法。但是由于Contourlet变换不具平移不变性，使得被处理后的图像受到伪吉布斯现象的 干扰，严重地影响了处理后图像的质量。
技术实现思路
专利技术目的：本专利技术的目的在于针对现有技术的不足，提供了一种能够保持图像边 缘和纹理细节清晰；有效提高图像的去噪效果的基于非下采样Contourlet变换（下文简称 NSCT)的阈值化图像去噪方法。 技术方案：本专利技术提供了一种基于非下采样Contourlet变换的阈值化图像去噪 方法：包括以下步骤： 步骤1 :在原图像中加入尚斯噪声，得到噪声图像； 步骤2 :建立噪声图像进行NSCT的模型：4 = +nf采用NSCT的模型对步骤1 获得的含噪图像进行NSCT;其中，<、分别为噪声图像、原图像和噪声经过NSCT后 尺度为k时，第j方向的系数，k = 0, 1，…，K-I ;j = 0, 1，…J-l，K为NSCT分解的总尺度 数，J为第k层分解的方向数； 步骤3 :在变换域进行各子带噪声方差Wafc)'估计以及系数标准差〇 (j，k)的估 计； 步骤4 :根据公式【主权项】1. ：其特征在于：包括以下 步骤： 步骤1 :在原图像中加入高斯噪声，得到噪声图像； 步骤2 :建立噪声图像进行NSCT的模型：4 采用NSCT的模型对步骤1获得 的含噪图像进行NSCT;其中，d/、C/；、η；[分别为噪声图像、原图像和噪声经过NSCT后尺度 为k时，第j方向的系数，k = 0, 1，…，K-I ;j = 0, 1，…J-l，K为NSCT分解的总尺度数，J 为第k层分解的方向数； 步骤3:在变换域进行各子带噪声方差估计以及系数标准差σ (j，k)的估计； 步骤4 :根据公式rBayes(/, =计算NSCT子带Bayes阈值T Bayes (j，k); 步骤5 :根据步骤4获得的NSCT子带Bayes阈值TBayes (j，k)设定去噪阈值； 步骤6 :采用半软阈值函数对含噪图像经过NSCT后尺度为k时，第j方向的系数进 行阈值处理，低频分量不作处理； 步骤7 :对经过步骤6处理后的NSCT系数进行非下采样Contourlet逆变换得到去噪 后的图像。2. 根据权利要求1所述的基于非下采样Contourlet变换的阈值化图像去噪方法： 其特征在于：所述步骤3中子带噪声方差估计和系数标准差σ (j，k)的估计的 获取方法为：使用鲁棒中值估计法估计第k尺度第j方向上的高频子带图像的噪声方 、 ^ · I ' ； 差 fc) = (Median(|dj[|)/0.6745)2; 系数标准差心）=」眶? -; Median ( ·)表不 Median 函数。3. 根据权利要求1所述的基于非下采样Contourlet变换的阈值化图像去噪方法：其 特征在于：所述步骤5中所述去噪阈值为NSCT子带自适应阈值T j;k，设定NSCT子带自适应 阈值Ak的方法为： 步骤501 :设置尺度调整因子：小波多尺度阈值去噪时，阈值为TBayesX2(M0/2,尺度调整 因子设置为： 2(fc-/〇/2 C1=-- ,1 < r < 2； 丄 r 其中，r为常数； 步骤502 :设置方向调整因子：方向调整因子设置为： 式中，每为噪图像经过NSCT后尺度为k时，第j方向的系数4的能量；/(#)表示同 尺度下不同方向的系数< 的能量比； 步骤503 :计算IAM-GMl ; AM是含噪图像NSCT系数的算术平均；计算公式为： V VGM是含噪图像NSCT系数的几何平均；计算公式为：其中，X(m, η)为xXy大小的NSCT子带的系数矩阵；X为矩阵行数，m为矩阵行数的编 号，y为矩阵列数，η为矩阵列数的编号； 步骤504 :获取NSCT子带自适应阈值Tlk; 尺度为k时，第j方向的NSCT子带自适应阈值Lk为：4. 根据权利要求1所述的基于非下采样Contourlet变换的阈值化图像去噪方法：其 特征在于：所述步骤6中采用的半软阈值函数的处理步骤为： 步骤601 :半软阈值函数为：其中，忠为含噪图像经过NSCT后又经过处理的系数，< 是含噪图像经过NSCT的系数， I^k为设定的子带自适应阈值，α和i可调参数，〇彡α彡I ;i彡〇 ;sign( ·)表示sign 函数； 步骤602 :将小于阈值的系数置零；将大于等于阈值的系数按步骤601中的半软阈值 函数公式进行收缩。5. 根据权利要求3所述的基于非下采样Contourlet变换的阈值化图像去噪方法：其 特征在于：所述步骤501中的r = 1. 25。6. 根据权利要求4所述的基于非下采样Contourlet变换的阈值化图像去噪方法：其 特本文档来自技高网...

【技术保护点】
一种基于非下采样Contourlet变换的阈值化图像去噪方法：其特征在于：包括以下步骤：步骤1：在原图像中加入高斯噪声，得到噪声图像；步骤2：建立噪声图像进行NSCT的模型：采用NSCT的模型对步骤1获得的含噪图像进行NSCT；其中，分别为噪声图像、原图像和噪声经过NSCT后尺度为k时，第j方向的系数，k＝0,1,…，K‑1；j＝0,1,…J‑1，K为NSCT分解的总尺度数，J为第k层分解的方向数；步骤3：在变换域进行各子带噪声方差估计以及系数标准差σ(j,k)的估计；步骤4：根据公式计算NSCT子带Bayes阈值TBayes(j,k)；步骤5：根据步骤4获得的NSCT子带Bayes阈值TBayes(j,k)设定去噪阈值；步骤6：采用半软阈值函数对含噪图像经过NSCT后尺度为k时，第j方向的系数进行阈值处理，低频分量不作处理；步骤7：对经过步骤6处理后的NSCT系数进行非下采样Contourlet逆变换得到去噪后的图像。

【技术特征摘要】

【专利技术属性】
技术研发人员：汪飞，陈亮，曹宁，鹿浩，毛明禾，胡一帆，
申请(专利权)人：河海大学，
类型：发明
国别省市：江苏;32