專利名稱：基于nsct系數(shù)的3d方向窗圖像去噪方法
技術領域：
本發(fā)明涉及一種基于NSCT系數(shù)的3D方向窗圖像去噪方法。
背景技術：
隨著科技的發(fā)展，數(shù)字圖像的應用變得越來越普及。在當今時代，無論是生活中的照片，醫(yī)療中的CT、磁共振圖像和超聲圖像，還是科研生產(chǎn)領域的遙感圖像、SAR圖像等，在其生成和傳輸過程中總會受到噪聲的污染，影響圖像的質量，嚴重的會使圖像內容不可用， 甚至產(chǎn)生歧義，從而產(chǎn)生巨大危害。因而圖像去噪在圖像處理中始終占有重要地位。在圖像去噪中，應用最廣的去噪算法當屬基于小波閾值的方法。但小波變換應用到圖像處理方面存在很多缺點，多尺度分析方法便應運而生。在多尺度相關性的去噪算法中，最經(jīng)典的當屬基于小波尺度間相關性的SSNF算法。在域變換去噪算法中，很多的多尺度算法也都結合了相關性算法獲得了新的去噪方法，這些算法大多基于尺度間相關性。 然而在多尺度系數(shù)的方向子塊間，同樣存在著巨大的相關性，其中NSCT變換不僅保留了 Contourlet變換的稀疏性，且具有平移不變性，適合用于圖象的去噪，融合和特征提取等。 在算法方面，NSCT基于濾波器組，具有巨大的優(yōu)化潛力，具有極高的應用價值。正因如此， 基于NSCT變換的去噪算法是當前的研究熱點，而基于方向相關性的去噪也是較為新穎的思路。

發(fā)明內容
為彌補現(xiàn)有技術的不足，本發(fā)明提供一種種基于NSCT系數(shù)的3D方向窗圖像去噪方法。為實現(xiàn)上述目的，本發(fā)明采用如下技術方案一種基于NSCT系數(shù)的3D方向窗圖像去噪方法，該方法的實現(xiàn)步驟如下Stepl 對含噪圖像χ (i，j)做NSCT變換得到子塊y (n，i，j)，其含有N個尺度和K 個方向；St印2 在η = 1時取出在k尺度下的信息y {η} (k，i, j)；St印3 取出 y{n} (k，i，j)在 k 方向上的信息 y {η} {k} (i，j)，將 y{n} {k} (i，j)與相鄰方向子塊做平均得到y(tǒng)l {η} {k} (i，j)；St印4 如果k = K不成立，則k = k+Ι并返回st印3繼續(xù)執(zhí)行；反之將所有K方向上的 ylln} {k} (i，j)相加，得到 yl In} (k，i，j)；St印5 取出ylln} (k，i，j)在k方向上的信息yl {η} {k} (i，j)，用帶方向的高斯核函數(shù)對ylln} {k} (i，j)進行濾波；St印6 利用小于某個閾值的值皆設為0的原則得到y(tǒng)l {n} {k} (i，j)的極值點，利用yl {η} {k} (i，j)的極值點對y {η} {k} (i，j)的值進行取舍；St印7 如果k = K不成立，則k = k+Ι并返回st印5繼續(xù)執(zhí)行；反之將所有K方向上的yln} {k} (i，j)相加，得到去噪后的y{n} (k，i，j)；
St印8 如果η = N不成立，則η = η+1并返回st印3繼續(xù)執(zhí)行；反之將y {n} (k，i， j)相加得到去噪后的系數(shù)y(n，k，i，j)；St印9 對y (n，k，i，j)進行逆NSCT變換得到去噪后的圖像。
.2+.2所述st印5中高斯核函數(shù)為g^y) =其中l(wèi)k(i，j)是k方向
，
上的線段;A為高斯核高度，σ為高斯核方差。所述st印3中對子塊y {n} {k} (i，j)和相鄰方向子塊做平均的公式
\-a
_8] yl{n}{k}(ij)= y{n}{k}(iJ)x +( y{n}{kl}(U)+y{n}{k2}(U)卜丁其中kl和k2是k方向的相鄰方向，α由圖像結構和噪聲等級估計得出，0 < α < 1。有益效果本發(fā)明使用方向間相關性能有效的保護邊緣信息，并有效避免方向窗處理中對邊緣的延長；而且本發(fā)明利用高斯方向窗，比用橢圓方向窗相比本方向窗能更好地強化邊緣信息，縮小噪聲信息；另外由表1可看出本算法的峰值信噪比優(yōu)于其他算法。綜上可得本發(fā)明對對圖片中的噪聲有很強的去除作用。


圖1(a)為Iena原圖像；圖1 (b)為在圖1 (a)中加入15db噪聲的示意圖；圖1 (c)為利用本發(fā)明算法的實驗結果圖；圖2-1為加噪后的指紋圖像；圖2-2為利用本算法處理后保留最大的N個值得到的極值點；圖2-3為使用2D方向窗得到的極值點；圖2-4為加噪后的指紋圖像進行nsct變換后，在{4} {3}上的子塊；圖2-5為圖2-4經(jīng)本發(fā)明的方向窗處理所得結果圖；圖2-6為圖2-4使用2D方向窗處理所得結果圖；圖3-1為在實驗3中使用的本方向窗；圖3-2為在實驗3中使用的橢圓方向窗；圖3-3為實驗3使用的部分原Iena圖片；圖3-4為圖3-3加入15db噪聲，并經(jīng)nsct變換后{5} {8}子塊經(jīng)圖3_1方向窗處理所得結果圖；圖3-5為圖3-3加入15db噪聲，并經(jīng)nsct變換后{5} {8}子塊經(jīng)圖3_2方向窗處理所得結果圖；圖3-6為圖3-4保留最大的N個值得到的極值點；圖3-7為圖3-5保留最大的N個值得到的極值點；圖4為本發(fā)明的流程圖。
具體實施方式
舉例下面結合附圖和實施例對本發(fā)明作進一步說明非下采樣輪廓波(NONSUBSAMPLEDC0NT0URLET TRANSFORM，NSCT)使用了一組非下樣的拉普拉斯金字塔和方向濾波器，對圖像進行了分解，設原圖像為1，在η尺度的拉普拉斯濾波器為g(n)，在k方向的方向濾波器為1 (k)，則η尺度k方向上的子塊可以表示為y{n} {k} = l*g(n)*l(k)NSCT變換使圖像分成了 η個尺度和k個方向，且具有平移不變性。設原圖像為 x(i, j)，則經(jīng)過NSCT變換后，圖像變成了 4D的矩陣，在這個4D矩陣中，方向性強烈的信息得到了增強，而雜亂無章的噪聲信息得到了壓制，因而最簡單的處理方法即為利用閾值保留較大的系數(shù)。然而在噪聲較大時，子塊中會產(chǎn)生較大的由噪聲產(chǎn)生的干擾量，使閾值算法的結果不再準確。研究邊緣信息和噪聲信息在子塊中的分布發(fā)現(xiàn)，邊緣信息在子塊中具有連續(xù)性，且具有固定的方向性，因而提出了利用方向窗，對子塊中的信息進行篩選，進一步壓制噪聲信息產(chǎn)生的干擾。這樣就能利用閾值法得到更好的結果。在研究中發(fā)現(xiàn)，此4D矩陣在尺度軸和方向軸上都具有相關性，而這些相關性都可以進行利用。以往基于相關性的去噪算法，多是利用尺度間的相關性，而本算法利用了方向間的相關性。因為固定4D矩陣中尺度維上的量，就成了 3D矩陣，本發(fā)明使用了一個3D的高斯矩陣對各個尺度上的系數(shù)進行濾波，從而達到去噪的目的。本發(fā)明的具體實現(xiàn)方法如下(y{n}{k}(i，j)代表在η尺度k方向上的NSCT子塊)⑴對含噪圖像χ (i，j)做NSCT變換得到子塊y (n, k，i，j)，其含有N個尺度和K 個方向(n> l，k>2)；(ii)在每個尺度中，系數(shù)可表示為3D矩陣y {n} (k,i,j)，在一個方向上，又可表示為2D矩陣y {n} {k} (i，j)My{n} {k} (i，j)和相鄰方向子塊做平均，此處方向間的平均即相當于對某尺度下的3D矩陣y {n} (k，i，j)進行3D方向窗濾波，目前多用2D橢圓窗函數(shù)， 而本發(fā)明采用新的3D高斯方向窗函數(shù)，3D方向窗的含義為2D方向窗與方向軸上的平均，其中方向軸上的平均公式如下
1-a
_8] yl{n}{k}(ij)= y{n}{k}(ij)x +( y{n}{kl}(U)+y{n}{k2}(U)) χ 丁其中kl和k2是k方向的相鄰方向，α (O < α < 1)由圖像結構和噪聲等級估計得出。yl{n} {k} (i, j)即代表方向間平均后的系數(shù)。(iii)用帶方向的高斯核函數(shù)g(i，j)(本方向窗由高斯核與線段卷積而成，故可稱為高斯方向窗)對yl In} {k} (i，j)進行濾波的,D= AehkH,β其中l(wèi)k(i，j)是k方向上的線段;A為高斯核高度，ο為高斯核方差。(iv)利用硬閾值(即小于某個閾值的值皆設為0)處理ylln} {k} (i，j)，按照取舍關系，得到邏輯矩陣(1為保留，0為去除)，用此矩陣與y{n} {k} (i，j)的值進行取舍。(ν)對各個方向進行(ii) (iii) (iv)操作，可得 y {η} (k，i，j)。(vi)對各個尺度進行(ii) (iii) (iv) (ν)操作，可得 y(n，k，i，j)。對 y(n，k，i， j)進行逆NSCT變換，即得到去噪結果。實驗1，比較3D方向窗與2D方向窗
對一副512X512的指紋圖像加入的IOOdb的噪聲，圖2_1為加噪后的指紋圖像， 圖2-4為其在{4} {3}上的子塊，經(jīng)本方向窗處理，結果如圖2-5所示；使用2D方向窗處理， 結果如圖2-6所示，圖2-2為利用本算法處理后保留最大的N個值得到的極值點，圖2-3為使用2D方向窗得到的極值點。對比圖2-2及2-3可知，使用方向間相關性能有效的保護邊緣信息(上方的框中圈出)，并有效避免方向窗處理中對邊緣的延長(下方的框中圈出)。實驗2，比較本高斯方向窗與橢圓方向窗對Iena圖像的{1} {8}子塊進行兩種窗的濾波，對原圖像(圖3_3)分別進行本高斯方向窗(圖3-1)與橢圓方向窗(圖3-2)的濾波，結果如圖3-4與圖3-5，保留最大的N 個值得到的極值點，如圖3-6與圖3-7所示。對比圖3-6及3-7可知，本方向窗能更好地強化邊緣信息，縮小噪聲信息。實驗3，比較本算法與其他算法的峰值信噪比，如表1所示。由以上可知本方法對噪聲有很強的去除作用。以下為與其他算法的對比
權利要求
1.一種基于NSCT系數(shù)的3D方向窗圖像去噪方法，其特征是，該方法的實現(xiàn)步驟如下 Stepl 對含噪圖像χ (i,j)做NSCT變換得到子塊y (n, k,i,j)，其含有N個尺度和K個方向；St印2 在η = 1時取出在k尺度下的信息y {η} (k，i, j)；St印3 取出y{n} (k，i，j)在k方向上的信息y {η} {k} (i，j)，將y{n} {k} (i，j)與相鄰方向子塊做平均得到y(tǒng)l {η} {k} (i，j)；St印4 如果k = K不成立，則k = k+Ι并返回st印3繼續(xù)執(zhí)行；反之將所有K方向上的 yl{n} {k} (i，j)相力口，得到 yl {η} (k，i, j)；St印5 取出ylln} (k，i，j)在k方向上的信息yl {η} {k} (i，j)，用帶方向的高斯核函數(shù)對ylln} {k} (i，j)進行濾波；St印6 利用小于某個閾值的值皆設為0的原則得到y(tǒng)lln} {k} (i，j)的極值點，利用 yl In} {k} (i，j)的極值點對y {η} {k} (i，j)的值進行取舍；St印7 如果k = K不成立，則k = k+Ι并返回st印5繼續(xù)執(zhí)行；反之將所有K方向上的 y{n} {k} (i，j)相加，得到去噪后的 y{n} (k，i，j)； 印8:如果n = N不成立，則n = n+l并返回st印3繼續(xù)執(zhí)行；反之將y{η} (k，i，j) 相加得到去噪后的系數(shù)y(n，k，i，j)；St印9 對y(n，k，i，j)進行逆NSCT變換得到去噪后的圖像。
2.如權利要求1所述的基于NSCT系數(shù)的3D方向窗圖像去噪方法，其特征是，所述 st印5中高斯核函數(shù)為
3.如權利要求1所述的基于NSCT系數(shù)的3D方向窗圖像去噪方法，其特征是，所述 st印3中對子塊y {n} {k} (i，j)和相鄰方向子塊做平均的公式
全文摘要
本發(fā)明公開了一種基于NSCT系數(shù)的3D方向窗圖像去噪方法，該方法將新的方向窗用于基于NSCT的圖像去噪，得到了較好的效果；另外本發(fā)明使用方向間相關性能有效的保護邊緣信息，并有效避免方向窗處理中對邊緣的延長；而且本發(fā)明利用高斯方向窗，比用橢圓方向窗能更好地強化邊緣信息，縮小噪聲信息；根據(jù)本算法的峰值信噪比優(yōu)于其他算法。綜上可得本發(fā)明對對圖片中的噪聲有很強的去除作用。
文檔編號G06T5/00GK102163323SQ201110067599
公開日2011年8月24日 申請日期2011年3月21日 優(yōu)先權日2011年3月21日
發(fā)明者李文輝, 楊明強 申請人:山東大學