基于小波及其統(tǒng)計(jì)特性的圖像去噪方法研究.pdf

1、圖像在獲取或傳輸過(guò)程中不可避免地會(huì)受到噪聲污染，圖像中的噪聲嚴(yán)重影響了后續(xù)的圖像處理工作，如圖像分割、編碼、特征提取和目標(biāo)檢測(cè)等。為了提高圖像的質(zhì)量以及后續(xù)更高層次處理的需要，對(duì)圖像進(jìn)行去噪就成為圖像預(yù)處理中一項(xiàng)非常重要的工作。圖像去噪的目的就是從被噪聲污染的含噪圖像中恢復(fù)出原始的“干凈”圖像，即在濾除噪聲的同時(shí)盡可能的保留重要的圖像特征與細(xì)節(jié)。傳統(tǒng)圖像去噪方法在降噪與保細(xì)節(jié)折中方面難以令人滿(mǎn)意；小波變換作為一種新的時(shí)頻分析方法,具有多

2、尺度、多分辨分析的特點(diǎn),為信號(hào)處理提供了一種新的、強(qiáng)有力的手段，在圖像去噪領(lǐng)域得到了成功的應(yīng)用。目前，基于小波的去噪方法已經(jīng)成為圖像去噪和恢復(fù)的重大分支，而根據(jù)圖像小波系數(shù)的統(tǒng)計(jì)特性，研究基于模型的去噪方法，是目前圖像去噪領(lǐng)域中的主要研究方向，無(wú)論在理論上還是在實(shí)際應(yīng)用中都具有重要意義。本文以小波分析理論為工具，對(duì)小波域圖像去噪理論與方法進(jìn)行了系統(tǒng)、深入的研究，主要工作包括以下四部分：
　　 ⑴小波圖像去噪方法研究綜述。本文前兩

3、章作為全文的基礎(chǔ)，對(duì)基于小波的圖像去噪方法進(jìn)行了全面的研究總結(jié)。首先綜述了圖像去噪技術(shù)的發(fā)展現(xiàn)狀，特別是小波圖像去噪方法的研究進(jìn)展。針對(duì)目前小波圖像去噪領(lǐng)域尚未有一個(gè)較全面的分類(lèi)方法，本文以該領(lǐng)域發(fā)展的三個(gè)階段為線(xiàn)索，將小波圖像去噪算法進(jìn)行了新的分類(lèi)并劃分為四類(lèi)，并對(duì)每種類(lèi)型中代表性的算法做了分析討論。閾值去噪是小波去噪研究中一類(lèi)非常重要的方法，對(duì)此進(jìn)行了系統(tǒng)、深入的分析，在閾值選擇這一核心問(wèn)題上，對(duì)最具代表性的閾值結(jié)合具體的算法在原理

4、與方法上做了清晰的闡述，并對(duì)這些典型算法分別在正交小波變換基和平移不變小波基下進(jìn)行了全面的實(shí)驗(yàn)仿真和分析討論。從實(shí)驗(yàn)結(jié)果和性能分析中得到了一些有意義的結(jié)論。此外，針對(duì)一維信號(hào)去噪算法仿真中的加噪信號(hào)的生成方法進(jìn)行了研究，在嚴(yán)格的理論推導(dǎo)基礎(chǔ)上，提出了一種產(chǎn)生高精度信噪比加噪信號(hào)的方法。
　　 ⑵小波域Wiener 濾波方法研究。小波域Wiener 濾波方法是小波圖像去噪領(lǐng)域中的一個(gè)很活躍的研究?jī)?nèi)容。本文定義了小波域Wiener

5、濾波的三種形式，提出了三種新的去噪算法。首先提出了一種小波域迭代維納濾波算法；在小波域經(jīng)驗(yàn)Wiener 濾波器基礎(chǔ)上，采用BayesShrink 閾值算法提高期望信號(hào)的估計(jì)精度，同時(shí)利用多小波基更好的捕捉到信號(hào)的某些特定特征，并實(shí)現(xiàn)算法的迭代，從而顯著增強(qiáng)了算法的去噪性能。提出了一種新的圖像組合濾波方法；先用BayesShrink 算法對(duì)圖像做預(yù)處理，再進(jìn)行空域Lee 濾波；算法核心在于給出了一種估計(jì)預(yù)去噪圖像中殘留噪聲方差的近似最優(yōu)公

6、式，從而保證了兩種算法之間的匹配性。提出了一種小波域局部自適應(yīng)圖像去噪算法；通過(guò)對(duì)LAWML 算法的估計(jì)誤差進(jìn)行理論分析，得到了一種觀(guān)測(cè)系數(shù)局部方差估計(jì)的閾值，與LAWML算法比較，新算法在客觀(guān)峰值信噪比及主觀(guān)視覺(jué)效果方面都有顯著的改進(jìn)。
　　 ⑶基于小波系數(shù)統(tǒng)計(jì)模型的圖像去噪方法研究。對(duì)基于統(tǒng)計(jì)模型的Bayes小波域去噪方法進(jìn)行了深入研究,針對(duì)現(xiàn)有的兩種算法的不足進(jìn)行了改進(jìn)：對(duì)Sendur的基于雙變量模型的去噪算法，利用MAP

7、軟閾值對(duì)三個(gè)最高頻子帶進(jìn)行局部自適應(yīng)處理；對(duì)Moulin的基于拉普拉斯模型的MapShrink 子帶自適應(yīng)算法，將小波系數(shù)建模為具有不同邊緣標(biāo)準(zhǔn)差的拉普拉斯分布，利用鄰域局部窗口估計(jì)模型參數(shù)，從而使得MapShrink 閾值具有局部自適應(yīng)性。本文將小波系數(shù)分類(lèi)技術(shù)引入到圖像去噪，提出了兩種新的算法。首先在高斯混合模型基礎(chǔ)上，提出了一種隨像素自適應(yīng)調(diào)整的混合高斯模型，利用局部貝葉斯閾值對(duì)小波系數(shù)進(jìn)行分類(lèi)，通過(guò)當(dāng)前系數(shù)鄰域窗中兩類(lèi)系數(shù)的信息

8、，對(duì)模型參數(shù)進(jìn)行估計(jì)；再根據(jù)MMSE 準(zhǔn)則設(shè)計(jì)相應(yīng)的Wiener 濾波器。第二種方法則將一維信號(hào)的小波鄰域閾值擴(kuò)展并應(yīng)用于二維圖像，子帶內(nèi)的每個(gè)小波系數(shù)根據(jù)其鄰域閾值的大小被劃分為“大”系數(shù)或者是“小”系數(shù)；對(duì)“小”系數(shù)直接置零，對(duì)“大”系數(shù)則采用一種具有局部空間強(qiáng)相關(guān)性的零均值高斯模型。實(shí)驗(yàn)結(jié)果表明，這種算法具有計(jì)算復(fù)雜度低、去噪性能優(yōu)異的特點(diǎn)。
　　 ⑷基于小波統(tǒng)計(jì)模型的SAR 圖像相干斑抑制方法研究。作為圖像去噪的具體實(shí)例

9、，本文最后討論了小波去噪技術(shù)在SAR 圖像斑點(diǎn)噪聲抑制中的應(yīng)用。回顧了SAR 圖像相干斑抑制方法的研究進(jìn)展，重點(diǎn)對(duì)基于小波統(tǒng)計(jì)模型的SAR 圖像去斑方法進(jìn)行了研究，提出了一種基于Bayesian MAP 估計(jì)的小波域局部自適應(yīng)性去斑算法。通過(guò)對(duì)含斑圖像做對(duì)數(shù)變換和冗余小波分解，將斑點(diǎn)噪聲、有用信號(hào)的小波系數(shù)分別建模為瑞利分布、拉普拉斯分布，利用MAP 準(zhǔn)則得到了一種解析的Bayesian 估計(jì)表達(dá)式，并證明了其處理本質(zhì)就是一種軟閾值去噪