基于小波及其統(tǒng)計特性的圖像去噪方法研究.pdf

1、圖像在獲取或傳輸過程中不可避免地會受到噪聲污染，圖像中的噪聲嚴重影響了后續(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，對圖像進行去噪就成為圖像預(yù)處理中一項非常重要的工作。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盡可能的保留重要的圖像特征與細節(jié)。傳統(tǒng)圖像去噪方法在降噪與保細節(jié)折中方面難以令人滿意；小波變換作為一種新的時頻分析方法,具有多

2、尺度、多分辨分析的特點,為信號處理提供了一種新的、強有力的手段，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，無論在理論上還是在實際應(yīng)用中都具有重要意義。本文以小波分析理論為工具，對小波域圖像去噪理論與方法進行了系統(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)，對基于小波的圖像去噪方法進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展。針對目前小波圖像去噪領(lǐng)域尚未有一個較全面的分類方法，本文以該領(lǐng)域發(fā)展的三個階段為線索，將小波圖像去噪算法進行了新的分類并劃分為四類，并對每種類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非常重要的方法，對此進行了系統(tǒng)、深入的分析，在閾值選擇這一核心問題上，對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行了全面的實驗仿真和分析討論。從實驗結(jié)果和性能分析中得到了一些有意義的結(jié)論。此外，針對一維信號去噪算法仿真中的加噪信號的生成方法進行了研究，在嚴格的理論推導(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)域中的一個很活躍的研究內(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Wiener 濾波器基礎(chǔ)上，采用BayesShrink 閾值算法提高期望信號的估計精度，同時利用多小波基更好的捕捉到信號的某些特定特征，并實現(xiàn)算法的迭代，從而顯著增強了算法的去噪性能。提出了一種新的圖像組合濾波方法；先用BayesShrink 算法對圖像做預(yù)處理，再進行空域Lee 濾波；算法核心在于給出了一種估計預(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；通過對LAWML 算法的估計誤差進行理論分析，得到了一種觀測系數(shù)局部方差估計的閾值，與LAWML算法比較，新算法在客觀峰值信噪比及主觀視覺效果方面都有顯著的改進。
　　 ⑶基于小波系數(shù)統(tǒng)計模型的圖像去噪方法研究。對基于統(tǒng)計模型的Bayes小波域去噪方法進行了深入研究,針對現(xiàn)有的兩種算法的不足進行了改進：對Sendur的基于雙變量模型的去噪算法，利用MAP

7、軟閾值對三個最高頻子帶進行局部自適應(yīng)處理；對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)準差的拉普拉斯分布，利用鄰域局部窗口估計模型參數(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小波系數(shù)進行分類，通過當(dāng)前系數(shù)鄰域窗中兩類系數(shù)的信息

8、，對模型參數(shù)進行估計；再根據(jù)MMSE 準則設(shè)計相應(yīng)的Wiener 濾波器。第二種方法則將一維信號的小波鄰域閾值擴展并應(yīng)用于二維圖像，子帶內(nèi)的每個小波系數(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“小”系數(shù)直接置零，對“大”系數(shù)則采用一種具有局部空間強相關(guān)性的零均值高斯模型。實驗結(jié)果表明，這種算法具有計算復(fù)雜度低、去噪性能優(yōu)異的特點。
　　 ⑷基于小波統(tǒng)計模型的SAR 圖像相干斑抑制方法研究。作為圖像去噪的具體實例

9、，本文最后討論了小波去噪技術(shù)在SAR 圖像斑點噪聲抑制中的應(yīng)用?；仡櫫薙AR 圖像相干斑抑制方法的研究進展，重點對基于小波統(tǒng)計模型的SAR 圖像去斑方法進行了研究，提出了一種基于Bayesian MAP 估計的小波域局部自適應(yīng)性去斑算法。通過對含斑圖像做對數(shù)變換和冗余小波分解，將斑點噪聲、有用信號的小波系數(shù)分別建模為瑞利分布、拉普拉斯分布，利用MAP 準則得到了一種解析的Bayesian 估計表達式，并證明了其處理本質(zhì)就是一種軟閾值去噪