主权项 |
一种基于Shearlet收缩和改进TV模型的图像去噪方法,其特征在于步骤如下:步骤1:对原始含噪图像进行Shearlet变换分解,得到各个尺度的高频、低频系数,并对高频子带进行划分;步骤2:对各尺度子带用Monte‑Carlo方法估计噪声方差σ,然后对各尺度的高频系数进行硬阈值处理,,从而得到去噪后的高频系数。其中,阈值选取为λ×σ×Ejw,其中Ejw表示Shearlet变换第j个尺度下第w个方向的系数矩阵的二范数,j≥2;λ一般取1~3;步骤3:将步骤2得到的高频系数和步骤1得到的低频系数进行Shearlet逆变换得到重构的初次去噪后的图像;步骤4:结合改进的全变差模型对初次去噪图像进行二次去噪,得到最终去噪图像。所述改进的全变差模型为: <mrow> <mfrac> <mrow> <mo>∂</mo> <mi>u</mi> </mrow> <mrow> <mo>∂</mo> <mi>t</mi> </mrow> </mfrac> <mo>=</mo> <mo>▿</mo> <mo>·</mo> <mrow> <mo>(</mo> <mfrac> <mrow> <mo>▿</mo> <mi>u</mi> </mrow> <msub> <mrow> <mo>|</mo> <mo>▿</mo> <mi>u</mi> <mo>|</mo> </mrow> <mi>α</mi> </msub> </mfrac> <mo>)</mo> </mrow> <mo>+</mo> <mi>λ</mi> <mrow> <mo>(</mo> <msup> <msub> <mi>T</mi> <mi>WA</mi> </msub> <mrow> <mo>-</mo> <mn>1</mn> </mrow> </msup> <msub> <mi>θT</mi> <mi>WA</mi> </msub> <mrow> <mo>(</mo> <msub> <mi>u</mi> <mn>0</mn> </msub> <mo>)</mo> </mrow> <mo>-</mo> <mi>u</mi> <mo>)</mo> </mrow> </mrow>其中:u0表示原始图像,u表示要得到的图像,TWA和TWA‑1表示波原子正变换和逆变换, <mrow> <msub> <mi>θ</mi> <mi>h</mi> </msub> <mrow> <mo>(</mo> <mi>x</mi> <mo>)</mo> </mrow> <mo>=</mo> <mfenced open='{' close=''> <mtable> <mtr> <mtd> <mi>x</mi> <mo>,</mo> <mo>|</mo> <mi>x</mi> <mo>|</mo> <mo>></mo> <mi>threshold</mi> </mtd> </mtr> <mtr> <mtd> <mn>0</mn> <mo>,</mo> <mo>|</mo> <mi>x</mi> <mo>|</mo> <mo>≤</mo> <mi>threshold</mi> </mtd> </mtr> </mtable> </mfenced> </mrow>表示硬阈值收缩函数。 |