论文部分内容阅读
数字图像在传递和转换过程中受到无法规避的噪声污染,导致图像信息丢失。因此图像去噪是图像处理过程中的关键步骤。为了在特征提取和模式分类等图像处理研究中获得更好的效果,消除含噪图像中的噪声势在必行。非下采样Contourlet变换(NSCT)不但继承了Contourlet变换的特性,而且具备完全的平移不变性,图像重构不会出现伪吉布斯效应。因此非下采样Contourlet变换被广泛的应用到图像处理领域。本文以非下采样Contourlet变换为基础,提出两种图像去噪新算法。本文主要工作如下:(1)选用传统阈值函数的图像去噪算法,重建图像时会出现由不连续性引起的伪吉布斯效应或由固有偏差引起的图像不清晰现象。针对上述缺点,本文提出了一种新的基于非下采样Contourlet变换的图像去噪算法和改进的自适应阈值。首先,通过对含噪图像进行NSCT变换,得到图像NSCT系数。其次,针对传统阈值函数的不足,提出了一种新阈值函数;针对通用阈值的缺陷,采样考虑能量分布的自适应阈值。随后,利用新阈值函数与自适应阈值结合的本文去噪算法,对图像的NSCT系数进行修正。最后,利用逆NSCT实现图像重建。实验结果表明,与其他去噪算法相比,该算法具有更好的视觉效果和去噪结果。(2)研究表明经由非下采样变换后的Contourlet变换系数之间具有一定的相关性。根据它们的分布特征,对其精确建立统计模型。本文提出了基于多元高斯模型(Multivariate Generalized Gaussian distribution,MGGD)结合自适应wiener滤波的NSCT图像去噪算法。首先图像的向量通过可以调整参数的多元高斯模型估计得到。其次多元高斯模型参数和原始图像的NSCT系数分别可以通过最小化残差自适应调整和最大后验概率估计(Maximum a posteriori estimation,MAP)得到。最后结合自适应wiener滤波进行去噪。实验结果表明,该算法相较于其他算法取得了更高的峰值信噪比,同时较好地保留了图像边缘。