主权项 |
1.一种基于改进Directionlet域的广义高斯模型图像去噪方法,包括如下步骤:(1)选取测试图像,加入零均值的高斯噪声,得到噪声图像;(2)对噪声图像进行64×64的子图分割,并用二进小波变换自适应确定各分割子图的Directionlet变换矩阵M<sub>Λ</sub>;(3)利用变换矩阵M<sub>Λ</sub>,对各分割子图进行采样,得到分割子图的|det(M<sub>Λ</sub>)|个陪集,|det(M<sub>Λ</sub>)|是矩阵M<sub>Λ</sub>行列式的绝对值;(4)对各分割子图的每个陪集沿Directionlet变换矩阵M<sub>Λ</sub>的变换方向和队列方向分别进行n<sub>1</sub>=2与n<sub>2</sub>=1次的一维小波变换,得到Directionlet变换的高频和低频子带系数;(5)对各个高频子带,利用该子带所有的变换系数,估计广义高斯模型的形状参数υ和局部标准差σ<sub>x</sub>;(6)对各高频子带的广义高斯模型形状参数υ进行判断:若0<υ<0.5,按下式对噪声图像的无噪系数进行估计,<maths num="0001"><![CDATA[<math><mrow><mover><mi>x</mi><mo>^</mo></mover><mrow><mo>(</mo><mi>y</mi><mo>)</mo></mrow><mo>=</mo><mfenced open='{' close=''><mtable><mtr><mtd><mn>0</mn><mo>,</mo></mtd><mtd><mo>|</mo><mi>y</mi><mo>|</mo><mo><</mo><msub><mi>T</mi><mi>υ</mi></msub></mtd></mtr><mtr><mtd><mi>y</mi><mo>-</mo><msup><mi>σ</mi><mn>2</mn></msup><msup><msub><mi>σ</mi><mi>x</mi></msub><mrow><mo>-</mo><mi>υ</mi></mrow></msup><mi>υη</mi><mrow><mo>(</mo><mi>υ</mi><mo>)</mo></mrow><msup><mi>y</mi><mrow><mi>υ</mi><mo>-</mo><mn>1</mn></mrow></msup><mo>+</mo><mi>o</mi><mrow><mo>(</mo><msup><mi>y</mi><mrow><mn>2</mn><mrow><mo>(</mo><mi>υ</mi><mo>-</mo><mn>1</mn><mo>)</mo></mrow></mrow></msup><mo>)</mo></mrow><mo>,</mo></mtd><mtd><mo>|</mo><mi>y</mi><mo>|</mo><mo>≥</mo><msub><mi>T</mi><mi>υ</mi></msub></mtd></mtr></mtable></mfenced></mrow></math>]]></maths>其中<img file="F2009102193489C00012.GIF" wi="91" he="49" />是无噪系数的估计,y是含噪系数,<maths num="0002"><![CDATA[<math><mrow><msub><mi>T</mi><mi>υ</mi></msub><mo>=</mo><msub><mi>C</mi><mi>υ</mi></msub><msup><mi>σ</mi><mrow><mn>2</mn><mo>/</mo><mrow><mo>(</mo><mn>2</mn><mo>-</mo><mi>υ</mi><mo>)</mo></mrow></mrow></msup><msup><msub><mi>σ</mi><mi>x</mi></msub><mrow><mo>-</mo><mrow><mo>(</mo><mi>υ</mi><mo>/</mo><mrow><mo>(</mo><mn>2</mn><mo>-</mo><mi>υ</mi><mo>)</mo></mrow><mo>)</mo></mrow></mrow></msup><mo>,</mo></mrow></math>]]></maths>C<sub>υ</sub>=(2-υ)(2-2υ)<sup>-(1-υ/2-υ)</sup>η(υ)<sup>υ/(2-υ)</sup>,<maths num="0003"><![CDATA[<math><mrow><mi>η</mi><mrow><mo>(</mo><mi>υ</mi><mo>)</mo></mrow><mo>=</mo><msqrt><mi>Γ</mi><mrow><mo>(</mo><mn>3</mn><mo>/</mo><mi>υ</mi><mo>)</mo></mrow><mo>/</mo><mi>Γ</mi><mrow><mo>(</mo><mn>1</mn><mo>/</mo><mi>υ</mi><mo>)</mo></mrow></msqrt><mo>,</mo></mrow></math>]]></maths>Γ是Gamma函数,<maths num="0004"><![CDATA[<math><mrow><mi>Γ</mi><mrow><mo>(</mo><mi>t</mi><mo>)</mo></mrow><mo>=</mo><msubsup><mo>∫</mo><mn>0</mn><mo>∞</mo></msubsup><msup><mi>e</mi><mrow><mo>-</mo><mi>u</mi></mrow></msup><msup><mi>u</mi><mrow><mi>t</mi><mo>-</mo><mn>1</mn></mrow></msup><mi>du</mi><mo>,</mo></mrow></math>]]></maths>o(y<sup>2(υ-1)</sup>)是y<sup>2(υ-1)</sup>的高阶无穷小量,σ是噪声标准差;若0.5≤υ<1,则采用阈值<maths num="0005"><![CDATA[<math><mrow><mi>T</mi><mo>=</mo><mfrac><msup><mi>σ</mi><mn>2</mn></msup><msub><mi>σ</mi><mi>x</mi></msub></mfrac></mrow></math>]]></maths>进行软阈值处理;(7)对低频子带和估计得到的无噪高频子带沿矩阵M<sub>Λ</sub>的变换方向和队列方向分别进行n<sub>1</sub>=2与n<sub>2</sub>=1次的一维小波逆变换;(8)根据变换矩阵M<sub>Λ</sub>的变换方向和队列方向加权综合,重构各个分割子图;(9)将重构的各分割子图按其在原图像中的位置合成,得到去噪后的图像。 |