主权项 |
1.一种基于shearlet域非局部均值的自然图像去噪方法,包括如下步骤:(1)选取测试图像,对其加入标准差为50的高斯白噪声;(2)对加入标准差为50的高斯白噪声的测试图像进行拉普拉斯金字塔分解,将测试图像分解为三层,其中对第二层与第三层再分别应用shearlet基函数产生的shearlet滤波器组进行方向滤波,即将shearlet滤波器组的滤波器个数指定为四个,分别得到四组shearlet系数;对第一层执行步骤(5),所述的shearlet基函数,具体公式如下:<img file="FSB00000669061200011.GIF" wi="1261" he="263" />其中<maths num="0001"><![CDATA[<math><mrow><mi>f</mi><mrow><mo>(</mo><mi>ω</mi><mo>)</mo></mrow><mo>=</mo><mrow><mo>(</mo><mn>1</mn><mo>/</mo><msup><mi>e</mi><mrow><mn>28</mn><mo>×</mo><msup><mrow><mo>(</mo><mrow><mo>(</mo><mi>ω</mi><mo>-</mo><mn>1</mn><mo>)</mo></mrow><mo>/</mo><mn>2</mn><mo>)</mo></mrow><mn>14</mn></msup></mrow></msup><mo>)</mo></mrow><mo>×</mo><msup><mrow><mo>(</mo><mn>1</mn><mo>-</mo><msup><mi>e</mi><mrow><mn>1</mn><mo>/</mo><mrow><mo>(</mo><mi>ω</mi><mo>-</mo><mn>1</mn><mo>)</mo></mrow></mrow></msup><mo>)</mo></mrow><mfrac><mn>1</mn><mn>2</mn></mfrac></msup><mo>-</mo><mo>-</mo><mo>-</mo><mrow><mn>2</mn><mo>)</mo></mrow></mrow></math>]]></maths><img file="FSB00000669061200013.GIF" wi="1524" he="442" />其中ω表示shearlet基函数<img file="FSB00000669061200014.GIF" wi="111" he="52" />的自变量,ω∈R,R表示实数;(3)对第二层得到的四组shearlet系数与第三层得到的四组shearlet系数按如下步骤进行方向参数β的估计:3a)将β的取值范围取为0到4,递增幅度a取为0.001,将c定义为<img file="FSB00000669061200015.GIF" wi="157" he="119" />其中σ为shearlet系数的标准差,E[|x|]为shearlet系数的绝对值的期望,将d定义为<img file="FSB00000669061200016.GIF" wi="378" he="189" />其中Γ(·)表示伽马函数,将c与d的误差参数b取为0.001;3b)对β从0开始进行递增幅度为a的递增处理,当c与d的差小于误差参数b时,结束迭代过程,得到递增幅度a的迭代次数n,a与n的乘积即为β的参数结果;(4)参数β确定后,按如下步骤对第二层与第三层得到的各组shearlet系数进行去噪处理:4a)计算尺度函数α:<maths num="0002"><![CDATA[<math><mrow><mi>α</mi><mo>=</mo><msup><mrow><mo>(</mo><mfrac><mi>β</mi><mi>L</mi></mfrac><munder><mi>Σ</mi><mrow><mi>i</mi><mo>=</mo><mn>1</mn></mrow></munder><mi>L</mi><msup><mrow><mo>|</mo><msub><mi>x</mi><mi>i</mi></msub><mo>|</mo></mrow><mi>β</mi></msup><mo>)</mo></mrow><mfrac><mn>1</mn><mi>β</mi></mfrac></msup><mo>-</mo><mo>-</mo><mo>-</mo><mrow><mn>4</mn><mo>)</mo></mrow></mrow></math>]]></maths>其中L表示一组shearlet系数中的系数个数,x<sub>i</sub>表示各个shearlet系数的值;4b)将α、β值代入下式:<maths num="0003"><![CDATA[<math><mrow><msub><mi>ω</mi><mn>1</mn></msub><mrow><mo>(</mo><msub><mi>i</mi><mn>1</mn></msub><mo>,</mo><msub><mi>j</mi><mn>1</mn></msub><mo>)</mo></mrow><mo>=</mo><mfrac><mn>1</mn><mrow><msub><mi>Z</mi><mn>1</mn></msub><mrow><mo>(</mo><msub><mi>i</mi><mn>1</mn></msub><mo>)</mo></mrow></mrow></mfrac><msup><mi>e</mi><mrow><mo>-</mo><mfrac><msubsup><mrow><mo>|</mo><mo>|</mo><mi>υ</mi><mrow><mo>(</mo><msub><mi>N</mi><msub><mi>i</mi><mn>1</mn></msub></msub><mo>)</mo></mrow><mo>-</mo><mi>υ</mi><mrow><mo>(</mo><msub><mi>N</mi><msub><mi>j</mi><mn>1</mn></msub></msub><mo>)</mo></mrow><mo>|</mo><mo>|</mo></mrow><mrow><mn>2</mn><mo>,</mo><mi>σ</mi></mrow><mi>β</mi></msubsup><msup><mrow><mo>(</mo><mi>hα</mi><mo>)</mo></mrow><mi>β</mi></msup></mfrac><mo>-</mo><mo>-</mo><mo>-</mo><mrow><mn>5</mn><mo>)</mo></mrow></mrow></msup></mrow></math>]]></maths>其中<maths num="0004"><![CDATA[<math><mrow><msub><mi>Z</mi><mn>1</mn></msub><mrow><mo>(</mo><msub><mi>i</mi><mn>1</mn></msub><mo>)</mo></mrow><mo>=</mo><munder><mi>Σ</mi><msub><mi>j</mi><mn>1</mn></msub></munder><msup><mi>e</mi><mrow><mo>-</mo><mfrac><msubsup><mrow><mo>|</mo><mo>|</mo><mi>υ</mi><mrow><mo>(</mo><msub><mi>N</mi><msub><mi>i</mi><mn>1</mn></msub></msub><mo>)</mo></mrow><mo>-</mo><mi>υ</mi><mrow><mo>(</mo><msub><mi>N</mi><msub><mi>j</mi><mn>1</mn></msub></msub><mo>)</mo></mrow><mo>|</mo><mo>|</mo></mrow><mrow><mn>2</mn><mo>,</mo><mi>σ</mi></mrow><mi>β</mi></msubsup><mi>hα</mi></mfrac><mo>-</mo><mo>-</mo><mo>-</mo><mrow><mn>6</mn><mo>)</mo></mrow></mrow></msup></mrow></math>]]></maths>在公式5)、6)中,ω<sub>1</sub>(i<sub>1</sub>,j<sub>1</sub>)表示两个shearlet系数之间的相似度,Z<sub>1</sub>(i<sub>1</sub>)是对相似度的归一化处理,h表示控制幂函数衰减的参数,i<sub>1</sub>、j<sub>1</sub>表示shearlet系数点,<img file="FSB00000669061200024.GIF" wi="110" he="64" />表示以为i<sub>1</sub>中心的7×7的滑窗,<img file="FSB00000669061200025.GIF" wi="115" he="63" />表示以j<sub>1</sub>为中心的7×7的滑窗;4c)将ω<sub>1</sub>(i<sub>1</sub>,j<sub>1</sub>)代入到下式:<maths num="0005"><![CDATA[<math><mrow><mi>NL</mi><msub><mrow><mo>(</mo><mi>v</mi><mo>)</mo></mrow><mn>1</mn></msub><mrow><mo>(</mo><msub><mi>i</mi><mn>1</mn></msub><mo>)</mo></mrow><mo>=</mo><munder><mi>Σ</mi><mrow><msub><mi>j</mi><mn>1</mn></msub><mo>∈</mo><msub><mi>I</mi><mn>1</mn></msub></mrow></munder><msub><mi>ω</mi><mn>1</mn></msub><mrow><mo>(</mo><msub><mi>i</mi><mn>1</mn></msub><mo>,</mo><msub><mi>j</mi><mn>1</mn></msub><mo>)</mo></mrow><msub><mi>υ</mi><mn>1</mn></msub><mrow><mo>(</mo><msub><mi>j</mi><mn>1</mn></msub><mo>)</mo></mrow><mo>-</mo><mo>-</mo><mo>-</mo><mrow><mn>7</mn><mo>)</mo></mrow></mrow></math>]]></maths>在公式7)中,NL(v)<sub>1</sub>(i<sub>1</sub>)表示采用广义高斯模型非局部均值方法估计出的shearlet系数的值,v<sub>1</sub>(j<sub>1</sub>)表示待去噪的shearlet系数的值,I<sub>1</sub>表示shearlet系数的搜索窗,大小为21×21;(5)对第一层得到的图像分量按如下步骤进行去噪处理:5a)计算第一层图像分量之间的相似度ω<sub>2</sub>(i<sub>2</sub>,j<sub>2</sub>):<maths num="0006"><![CDATA[<math><mrow><msub><mi>ω</mi><mn>2</mn></msub><mrow><mo>(</mo><msub><mi>i</mi><mn>2</mn></msub><mo>,</mo><msub><mi>j</mi><mn>2</mn></msub><mo>)</mo></mrow><mo>=</mo><mfrac><mn>1</mn><mrow><msub><mi>Z</mi><mn>2</mn></msub><mrow><mo>(</mo><msub><mi>i</mi><mn>2</mn></msub><mo>)</mo></mrow></mrow></mfrac><msup><mi>e</mi><mrow><mo>-</mo><mfrac><mrow><mo>|</mo><mo>|</mo><mi>v</mi><mrow><mo>(</mo><msub><mi>N</mi><msub><mi>i</mi><mn>2</mn></msub></msub><mo>)</mo></mrow><mo>-</mo><mi>v</mi><mrow><mo>(</mo><msub><mi>N</mi><msub><mi>j</mi><mn>2</mn></msub></msub><mo>)</mo></mrow><mo>|</mo><mo>|</mo></mrow><msup><mi>h</mi><mn>2</mn></msup></mfrac></mrow></msup><mo>-</mo><mo>-</mo><mo>-</mo><mrow><mn>8</mn><mo>)</mo></mrow></mrow></math>]]></maths>其中<maths num="0007"><![CDATA[<math><mrow><msub><mi>Z</mi><mn>2</mn></msub><mrow><mo>(</mo><msub><mi>i</mi><mn>2</mn></msub><mo>)</mo></mrow><mo>=</mo><munder><mi>Σ</mi><msub><mi>j</mi><mn>2</mn></msub></munder><msup><mi>e</mi><mfrac><mrow><mo>|</mo><mo>|</mo><mi>v</mi><mrow><mo>(</mo><msub><mi>N</mi><msub><mi>i</mi><mn>2</mn></msub></msub><mo>)</mo></mrow><mo>-</mo><mi>v</mi><mrow><mo>(</mo><msub><mi>N</mi><msub><mi>j</mi><mn>2</mn></msub></msub><mo>)</mo></mrow><mo>|</mo><mo>|</mo></mrow><msup><mi>h</mi><mn>2</mn></msup></mfrac></msup><mo>-</mo><mo>-</mo><mo>-</mo><mrow><mn>9</mn><mo>)</mo></mrow></mrow></math>]]></maths>在公式8)、9)中,Z<sub>2</sub>(i<sub>2</sub>)是对相似度的归一化处理,h表示控制幂函数衰减的参数,i<sub>2</sub>、j<sub>2</sub>表示第一层图像分量的像素点,<img file="FSB00000669061200032.GIF" wi="135" he="76" />表示以i<sub>2</sub>为中心的7×7的滑窗,<img file="FSB00000669061200033.GIF" wi="141" he="77" />表示以j<sub>2</sub>为中心的7×7的滑窗;5b)将ω<sub>2</sub>(i<sub>2</sub>,j<sub>2</sub>)代入到下式:<maths num="0008"><![CDATA[<math><mrow><mi>NL</mi><msub><mrow><mo>(</mo><mi>v</mi><mo>)</mo></mrow><mn>2</mn></msub><mrow><mo>(</mo><msub><mi>i</mi><mn>2</mn></msub><mo>)</mo></mrow><mo>=</mo><munder><mi>Σ</mi><mrow><msub><mi>j</mi><mn>2</mn></msub><mo>∈</mo><msub><mi>I</mi><mn>2</mn></msub></mrow></munder><msub><mi>ω</mi><mn>2</mn></msub><mrow><mo>(</mo><msub><mi>i</mi><mn>2</mn></msub><mo>,</mo><msub><mi>j</mi><mn>2</mn></msub><mo>)</mo></mrow><msub><mi>υ</mi><mn>2</mn></msub><mrow><mo>(</mo><msub><mi>j</mi><mn>2</mn></msub><mo>)</mo></mrow><mo>-</mo><mo>-</mo><mo>-</mo><mrow><mn>10</mn><mo>)</mo></mrow></mrow></math>]]></maths>在公式10)中,NL(v)<sub>2</sub>(i<sub>2</sub>)表示非局部均值方法估计出的图像分量的像素值,υ<sub>2</sub>(j<sub>2</sub>)表示待去噪的图像分量的像素值,I<sub>2</sub>表示第一层图像分量中的搜索窗,大小为21×21;(6)对步骤(4)与步骤(5)得到的去噪结果进行shearlet逆变换,得到测试图像的重构结果图。 |