資源描述：
《基于非下采樣contourlet變換的圖像自適應(yīng)閾值去噪算法》由會員上傳分享，免費在線閱讀，更多相關(guān)內(nèi)容在教育資源-天天文庫。
1、第45卷第1期華中師范大學(xué)學(xué)報(自然科學(xué)版)VoJ．45NO．】2011年3月J()URNALOFHUAZH()NGN()RMAIUNIVERSITY(Nat．Sci．)Mar．20l1文章編號：10001190(2011)010037-06基于非下采樣Contourlet變換的圖像自適應(yīng)閾值去噪算法金彩虹(南京曉莊學(xué)院物理與電子T程學(xué)院，南京2100l7)摘要：利用非下采樣Contourlet變換的平移不變性和多方向選擇性，考慮非下采樣Contourlet變換域內(nèi)相鄰尺度間和同一尺度、不同方向間圖像系數(shù)和噪聲系數(shù)之間不同的相關(guān)性，根據(jù)子帶含有信
2、息量的多少，自適應(yīng)地調(diào)節(jié)BayesShrink閾值大小，不僅使弱的邊緣細節(jié)被從噪聲中提選了來，而且避免了將較大的噪聲系數(shù)判定為圖像細節(jié)的錯誤．實驗結(jié)果表明，該算法克服了恢復(fù)圖像中的偽Gibbs失真，實現(xiàn)了信號和噪聲的有效分離，存去除噪聲的同時盡可能多地保留了圖像的邊緣細節(jié)，提高了恢復(fù)圖像的PSNR值．關(guān)鍵詞：非下采樣Contourlet變換；廣義高斯分布；BayesShrink；相關(guān)性中圖分類號：T911．73文獻標識碼：A2000年，Chang等人在Bayesian框架下，假程會使變換失去平移不變性，導(dǎo)致基于該變換的恢定無噪小波子帶系數(shù)在統(tǒng)計意
3、義上服從廣義高斯復(fù)圖像有偽Gibbs失真．2006年，A．I．Cunha等分布(GeneralizedGaussianDistribution，GGD)，提出非下采樣Contourlet變換一，取消了Cont～提出了基于廣義高斯分布模型的BayesShrink閩ourlet變換過程中的下采樣過程，有效抑制了恢復(fù)值去噪[．該閾值的設(shè)置雖然考慮了子帶內(nèi)系數(shù)的圖像中的偽Gibbs失真．為此，本文對含噪圖像進統(tǒng)計信息，較Donoho的不考慮圖像局部信息的全行非下采樣Contourlet變換，利用變換域內(nèi)圖像局閾值能更好地適應(yīng)圖像的細節(jié)特征，降低全局系數(shù)相
4、鄰尺度間的相關(guān)性和同一尺度、不同方向間閾值因過度“扼殺”小波系數(shù)所造成的圖像細節(jié)的系數(shù)能量分布的差異性，自適應(yīng)地調(diào)整Bayes～損失．但是，該閾值的設(shè)置沒有考慮變換域內(nèi)相鄰Shrink閾值，對含有細節(jié)內(nèi)容豐富的子帶設(shè)置較尺度以及同一尺度、不同方向間系數(shù)所具有的相關(guān)小的閾值，對含有細節(jié)內(nèi)容較少的子帶設(shè)置較大的特性，因此，Chang等人提出的基于廣義高斯分布閾值，在去噪的同時能對邊緣細節(jié)進行有效保留，模型的BayesShrink闖值去噪并沒有實現(xiàn)信號與獲得沒有偽Gibbs失真、視覺效果更佳、信噪比更噪聲的有效分離．另外，由于二維小波基函數(shù)的支高的恢復(fù)
5、圖像．撐區(qū)間在不同分辨率下為不同尺寸的正方形，當尺1非下采樣Contourlet變換度變細時，二維小波是用點來逼近圖像中具有線奇異特征的邊緣細節(jié)的，因此，二維小波不能實現(xiàn)對1．1Contourlet變換圖像邊緣等具有線奇異特征函數(shù)的最優(yōu)稀疏逼近．Contourlet變換首先由拉普拉斯金字塔變換于是，2002年，M．N．Do和MartinVetterli提出(IaplacianPyramid，IP)將圖像分解為低頻子帶Contourlet變換一．Contourlet變換基函數(shù)支撐區(qū)和高頻子帶．低頻子帶由原始圖像經(jīng)過二維低通濾問的長、寬滿足width
6、cclength。，有隨尺度變化的波和隔行隔列下采樣產(chǎn)生；高頻子帶由原始圖像減長條形結(jié)構(gòu)，用類似于線段的基結(jié)構(gòu)來逼近圖像，去低頻子帶經(jīng)上采樣和低通濾波后的低頻分量產(chǎn)克服了小波基用點來逼近線的不足，實現(xiàn)了圖像的生．然后將高頻子帶經(jīng)方向濾波器組(Directional最優(yōu)稀疏逼近．但Contourlet變換中的下采樣過FilterBank，DFB)分解為2個方向子帶(為任意收稿日期：20100923．*Email：jingcaihong@163．COITI38華中師范大學(xué)學(xué)報(自然科學(xué)版)第45卷正整數(shù))．對低頻子帶重復(fù)上述過程即可實現(xiàn)圖像重構(gòu)濾波器
7、．的多尺度多方向分解(見圖1)．~．trous算法通過有限濾波器的內(nèi)插實現(xiàn)圖像的分解．利用~ttrous算法分解圖像可以得到與原圖像大小相同的一個低頻近似部分和各層高頻部分，即：Jf(m，n)一fJ(，)+Coj(m，”)，(2)J一1∞，(m，”)一廠，(，”)一／’r．1(m，”)，(3)式中，_廠』(，”)是原始圖像的低頻近似部分；oJj(，r／)是尺度j下圖像的高頻部分．~trous算法具圖lContourlet變換濾波器結(jié)構(gòu)有平移不變性，用其進行圖像處理，恢復(fù)圖像不會Fig．1ContourletTransform出現(xiàn)偽Gibbs現(xiàn)象．
8、非下采樣方向性濾波器組(NSDFB)是一個二LP變換對圖像進行多尺度分解捕獲點奇異，通道的扇形濾波器組(見圖3(a))．為了得到精確DF
