基于Treelet的Contourlet域图像去噪方法

摘要

本发明公开了一种基于Treelet的Contourlet域图像去噪方法，主要解决现有去噪方法去噪效果不佳的问题。其实现步骤是：(1)由含噪图像NI求出差变量矩阵；(2)对NI进行非局部均值预滤波，得到滤波后图像LI；(3)对LI进行平移，得到平移后图像PI，对PI进行Contourlet分解；(4)对分解出的各个高频子带分别进行去噪，并对去噪后的子带进行Contourlet逆变换，得到去噪图像FI；(5)将FI逆平移，得到去噪图像；(6)将步骤(3)-(5)重复八次去噪，对去噪的八幅图像取平均后输出。本发明能有效去除含有高斯白噪声的自然图像中的噪声，可用于变化检测，目标识别时对图像的预处理。

主权项

1.一种基于Treelet的Contourlet域图像去噪方法，包括如下步骤：(1)由大小为A×B的含噪图像矩阵NI求出自协方差矩阵S_s和自相关系数矩阵M_s；(2)设Treelet分解的最高层数为L，每次分解所在层为lev，lev取值为1，.....，L，在lev＝1层，即Treelet的最底层，令Treelet的初始输入S⁽⁰⁾＝S_s，M⁽⁰⁾＝M_s，X⁽⁰⁾＝NI，L＝B-1，B是NI的列数，A是NI的行数；(3)将上述输入S⁽⁰⁾，M⁽⁰⁾，X⁽⁰⁾和L代入Treelet，对X⁽⁰⁾进行Treelet变换分解到最高层，得到差变量矩阵{dif_lev}，dif_lev为Treelet在第i层分解得到的差变量，lev取值为1，...，L；(4)将图像矩阵NI投影在步骤(3)所得的差变量矩阵{dif_i}上，估计出非局部均值滤波的平滑因子h，然后对含噪图像NI进行搜索窗为7×7，相似窗为3×3，平滑因子为h的非局部均值滤波，得到滤波后图像LI；(5)设步骤(6)-(9)中所用的循环平移的初始值a＝0，b＝0，cycle＝1，a为平移的行数，b为平移的列数，cycle为平移的次数；(6)对滤波后图像LI进行循环平移，下移a行，右移b列，得到平移后的图像PI，对PI进行Contourlet变换，其中变换的参数拉普拉斯滤波器组选择“9-7”，方向滤波器组选择“pkva”，PI总共分解为3层，第一层分解16个高频子带，第二层分解8个高频子带，第三层分解8个高频子带，分别对各个高频子带进行步骤(7)-(8)的处理；(7)由大小为P×N的高频子带Y求出自协方差矩阵和自相关系数矩阵得到Treelet变换的初始输入：X⁽⁰⁾＝Y，L＝N-1，其中N为Y的列数，P是Y的行数；(8)将步骤(7)得到的Treelet的初始输入S⁽⁰⁾，M⁽⁰⁾，X⁽⁰⁾及L代入步骤(3)中，得到差变量矩阵{dif_i}，根据{dif_i}估计阈值Th并计算权重g，然后对高频子带Y依次进行软阈值去噪和独立点噪声去除；(9)将所有经过步骤(7)-(8)处理过的高频子带进行Contourlet逆变换，得到平移后的去噪图像FI，将FI左移b列，上移a行，得到去噪图像DI(cycle)，令cycle＝cycle+1，若cycle＜＝8，则a＝a+3，b＝b+3，返回步骤(6)，否则进入步骤(10)；(10)将循环八次得到的去噪图像DI(1)，...，DI(8)进行平均，得到最终的去噪结果SI。