图像处理《微计算机信息》(管控一体化)2009年第25卷第10-1期文章编号:1008-0570(2009)10-1-0118-03基于分层噪声估计的Bayesian-NSCT图像去噪算法ABayesian-NSCTImageDenoisingArithmeticBasedonLayeredNoiseEstimation(上海大学)李晟严佩敏袁直LIShenGYANPei-minYUANZhi摘要:非抽样Contourlet(NSCT)是一种具有平移不变特性的Contourlet变换,能更好地表示图像几何纹理信息。本文提出了一种在非抽样Contoulet域下基于域分层噪声估计的,采用Bayes自适应阀值计算和硬阀值去噪相结合的的综合图像去噪算法。实验结果表明,该方法改善了噪声图像的去噪效果,保存了图像中更多有效信息,性能和视觉效果均优于其他同类算法。关键词:非抽样Contourlet变换;图像去噪;分层噪声估计;贝叶斯自适应阀值中图分类号:TP751.1文献标识码:AAbstract:Thenon-subsampledContourlettransform(NSCT),whichisashift-invariantversionoftheContourlettransform,couldcap-turetheintrinsicgeometricalstructureofimage.ThispaperproposesaNonsubsampledContourletdomainimagedenoisingintegratedapproachbasedonstratifiednoiseestimatesandadaptiveBayesthresholdwithhard-thresholdingfuction.Experimentsreslutsshows技thatthemathodcanimprovethedenoisedimageperformance,resevingmoreeffectiveinformationofimageandhavingbetterperfor-manceandvisualeffectthansimilararithmetics.术Keywords:NSCT;imagedenoising;layerednoiseestimation;Bayesianadaptivethresholding基础上去掉其中的下抽样操作将和均改为无抽样形创1引论,,LPDFB式,变化后的两部分构造为:新自然图像的视觉信息主要包含在物体边界的几何特征中,(1)非抽样金字塔滤波器组。这是一个双通道非抽样滤波器如何运用更加良好的几何特征表现方法来分析和处理图像信组,可利用atrous算法实现的一维无抽样小波变换通过可分离息成为近来图像处理领域的研究热点。2002年M.N.Do和M.方式实现;Vetterli提出了一种真正意义上的二维图像的稀疏表达方法:(2)非抽样方向滤波器组。它利用n级树形结构的扇形滤波Contourlet变换,它是一种崭新的重要的多尺度几何分析工具。器组把整个频域划分成2n个楔状区域。整个非抽样Contourlet该变换具有很好的方向性和各向异性(anisotropy),能更好地捕获变换的过程如示:图像的边缘信息和轮廓特征,因此选择合适的阈值进行图像去噪就能获得比小波变换更好的效果。Contourlet变换利用拉普拉斯塔形分解(LP)和方向滤波器组(DFB)来实现。由于在LP和DFB处理中均有下抽样处理,所以该变换不具备平移不变性,域值萎缩法的去噪结果在图像中的边缘处容易产生伪Gibbs现象。为了克服此现象,Cunha等人提出了非抽样的平稳Contourlet变换(NSCT),该Contourlet变换具有平移不变的性质,而且相关的滤波器结构设计更加容易、简便,对图像表示更加有效,具有更强的表征自然图像内在几何结图非抽样变换过程构特征的能力。1Contourlet无抽样形式LP和DFB各自均为完全重建的,其结合组成非抽样Contourlet变换是高度冗余的,和小波变换一样,系无抽样形式的Contourlet变换,具有多尺度多方向表达图像能数间具有相关性。因为高斯白噪声经其变换后仍是白噪声,能量力,具有高度冗余性,可以很好的去除了CT变化中出现的伪均匀地分布在所有的变换域系数上。因此在针对高斯白噪声图Gibbs现象。图像经Contourlet分解后的系数相当稀疏,绝大部像去噪时,仍然选择简单而有效的阀值去噪方法。分系数幅值接近零,幅值较大的系数往往聚集在轮廓边缘附近,2相关理论且在尺度间有一定的相关性和延续性。