彩色图像基于引导滤波器和自适应小波阈值去噪

文摘

在去噪的过程中彩色图像,它是非常重要的增强图像的边缘和纹理信息。通常可以通过消除噪声,提高图像质量增强对比度。基于自适应小波阈值收缩算法和考虑结构特点的基础上,彩色图像去噪,本文描述了一个方法,进一步增强了图像的边缘和纹理细节使用引导过滤。使用引导滤波允许在灰度图像边缘细节,不能歧视被保留下来。嘈杂的图像分解成低频和高频部分波段使用离散小波阈值收缩的收缩功能是选择根据附近的小波系数的能量。最后,运用彩色图像的边缘和纹理信息被引导滤波增强。当指导图像是原始无噪声图像本身,引导过滤器可以用来保存边缘的平滑算子,导致双边滤波效果比。该方法与自适应小波阈值收缩去噪算法相比,双边滤波算法。实验结果表明,该方法实现优越的彩色图像去噪相比,这些传统的技术。

1。介绍

在他们的采集和传输,图像由噪音造成不利影响。彩色图像包含视觉效果比灰度图像的视觉感知,和彩色图像的边缘信息更丰富的比灰色图像。理想情况下,当从一个图像,去除加性噪声尽可能多的重要的功能应该被保留。彩色图像的去噪,往往导致一些边缘和纹理信息的损失,使图像模糊和创建一个可怜的视觉效果。

一般的彩色图像去噪方法,维纳滤波器和高斯滤波器去噪,边缘模糊的情况。双边滤波(1)是最直观的非线性平滑滤波器,虽然遭受梯度反演效果,它使用一个基于直方图近似计算重量,计算复杂。最近,Zhang et al。2)开发基于改进的双边滤波的框架,它能够有效地去除通用噪音。双边滤波器需要空间信息和灰度相似性,达到去噪和edge-preserving。双边滤波器保持太多的高频信息,但是,但是,没有降噪彩色图像的高频噪声。因此,双边滤波器对低频噪声仅仅具有更好的去噪效果。有时,双边滤波器患有梯度逆转。原因在于,当一个边缘像素周围几乎没有相似的像素,高斯加权平均是不稳定的。本文提出的方法基于局部线性模型具有良好的edge-preserving平滑性能和双边滤波器一样,但它不受梯度逆转。

小波阈值去噪(3- - - - - -8)是一种简单而有效的去噪方法。这种技术实际上涉及到信号分解为一组独立的,面向空间频率通道。离散小波阈值(9)可以用来将原始图像分解成一系列不同空间分辨率的图像。盾和丁10)提出了一个方法,可以取得更好的性能较低的计算成本和更少的比高频分解尺度去噪方法。Elyasi和Zermchi11]提出了几种自适应小波去噪方法:贝叶斯萎缩,改进贝叶斯萎缩,和正常收缩。

近年来,许多算法改进,研究了小波阈值去噪。班达里et al。(12)开发了一个优化的自适应阈值函数选择合适的阈值来区分噪声与实际的形象和保持边缘细节。在本文中,一种新的自适应小波收缩去噪算法。与其他阈值算法相比,该方法提高了去噪性能和复杂度低于现有相邻像素的方法(13,14]。

彩色图像去噪的过程中,我们比较了该方法与上面提到的算法(双边滤波,维纳滤波器,高斯滤波器和小波阈值方法)。这些传统的方法达到优良的彩色图像去噪算法。原因是经典算法可以有效地抑制高斯噪声,但是,与此同时,这些方法无法保持质量的去噪彩色图像(像、纹理),可能模糊图像中边缘。为了解决这些缺点,本文提出了一种采用自适应小波阈值方法基于图像结构和指导滤波器去噪时保持边缘。它使边缘连续,图片的颜色更鲜艳。因为引导滤波器使用局部线性模型来增强图像,边缘细节依然存在。特别是,彩色图像的细节,质感,更加丰富和饱和度更大。

在此基础上,本文提出了一种新的彩色图像去噪方法基于自适应小波阈值收缩算法结合图像引导滤波(小15]。方法使用离散小波变换计算小波系数,然后使用附近的能量自适应阈值收缩函数降噪图像。阈值函数的能量取决于相邻像素。进一步使用引导滤波器增强去噪后的图像。实验表明,该技术可以在去噪过程中更好的保护边缘信息。

剩下的纸是组织如下。部分2评审的相关工作。算法分析和提出了该方法的结构部分3。然后,实验结果和分析部分所示4。部分5总结了纸。

2。相关工作

了众多作品提出了图像去噪。在本部分中,我们审查之前,对小波阈值算法和相关工作指引过滤器。

2.1。小波阈值收缩算法

小波阈值去噪是通过Donoho 1994年,基于阈值的离散小波变换(DWT)的信号。硬阈值和软阈值是传统阈值算法。Donoho [5)提出了小波软阈值去噪和阈值VisuShrink算法。该方法对图像去噪获得一系列小波变换的小波系数和阈值来确定适用于较小的系数(对应于噪声)。去噪和逆小波变换重构图像与降低噪音。硬和软阈值函数定义如下。

硬阈值函数表达 另一方面软阈值函数表达 在哪里是一个阈值,小波系数值在DWT的图像后,然后呢使用小波阈值收缩函数输出值。

通常情况下,硬阈值函数可以保存生成的小波系数也从图像的有用信息,但它是不连续的 后重建。另一种软阈值、硬阈值方法具有连续性的优点。软阈值函数是连续的和光滑的相对阈值。但有时,有缺陷,减少产生的小波系数的有效信号。

一个合适的阈值是最重要的离散小波去噪的作用。在去噪的过程中,如果阈值太小了,小波系数包含太多的噪声成分,不能有效地消除干扰。否则,阈值尤其大导致的损失导致失真有用的组件。因此,提出新方法,其中一些已送到真正的应用程序。

自适应小波阈值方法首先分配时零小波系数小于给定的阈值。随着阈值的增加,系数低于阈值的数量将迅速增加。当非零系数的数量达到一定值,阈值进一步扩大和非零值的数量慢慢减少;这种方法可以去除大部分的噪音和提高压缩效率。纳斯里和Nezamabadi-pour16)提出了一种新的阈值函数被进一步用于一个新的subband-adaptive阈值去噪过程的神经网络来提高效率。刘等人。17)发现,小波去噪使用邻居系数和水平提出了依赖单独从背景噪声峰值。

2.2。引导滤波器

引导过滤器是基于双重积分图像架构超大规模集成(18(超大规模集成)。过滤方法计算基于输入输出图像引导图像,它保留了图像的边缘;这是一个准确、快捷edge-preserving过滤算法。他等。15)提出了一种新的明确的局部线性制导过滤模型,这是一个快速和nonapproximate线性时间算法。他们的模型感觉边缘和提高纹理细节。Gadge和Agrawal19)引导滤波用于彩色图像。

引导滤波器的图像是一个线性可变形的过滤过程,指导图像需要根据具体应用和预设可能是相同的输入图像吗 。像素的输出值计算如下: 在哪里和是像素索引。滤波核函数,定义在[15所表达的) 在哪里本地窗口中心吗 , 是在本地窗口中像素计数,和均值和方差的指导形象吗在窗口中,最后,是一个平滑因子。

局部线性模型(3)是用于指导滤波器。这种线性关系可以确保输出有相同的边缘信息指导形象吗 。因此,引导滤波有更好edge-preserving平滑,避免了梯度逆转。此外,它的算法计算效率和nonapproximately。

3所示。算法

在本文中,我们描述了一个自适应小波变换方法从彩色图像去除噪声,使用离散小波反变换得到去噪图像。然后申请指导滤波器边缘和纹理恢复和增强,产生一个彩色图像效果更好。

3.1。法结构的概述

该方法的框架(图包含两个主要阶段1)。第一步是获得初步去噪图像使用自适应小波阈值收缩算法,它是基于图像小波系数收缩结构特性。小波系数由两级分解离散小波变换(DWT)。第二步是进一步去噪和增强通过引导过滤器前面的结果 。在引导滤波器,形象指导应预设。设置和是相同的,可以的边缘和纹理的图像。

在理想的情况下,小波阈值收缩算法减去高斯噪声的图像,及其去噪效果明显。自然图像使用小波阈值去噪是非常有效的因为它可以捕获的能量转换图像。

详细提出了去噪算法有以下步骤:(1)嘈杂的图像变换到频域利用DWT。(2)自适应小波阈值收缩算法适用于当地的每个部分波段窗口,然后使用逆DWT获得初步去噪图像 。(3)在图像上应用指导滤波器获得进一步的图像降噪 。(4)增强和输出图像。

3.2。自适应小波阈值算法

离散小波变换(DWT)应用到图像处理有两个主要组件:分解和重建。我们使用DWT嘈杂的图像分解为一系列不同空间分辨率的图像。二维图像可以在2摄氏度方向分解,导致不同的频带:我(低频),LH水平(高频),霍奇金淋巴瘤(垂直高频)和HH(对角高频)。

在图2,利用DWT嘈杂的图像分解为一系列不同频段的图像。低频(LL)是利用DWT分解。和分解产生四种不同的频率部分波段(LL2、HL2 LH2和HH2)使用二级小波分解函数。这些部分波段频率的基础上,可以使用不同的小波阈值收缩算法从图像降噪。

二级小波分解后的图像(图2),一个自适应小波变换用于提取多分辨率图像的结构信息,和相应的收缩函数应用于图像的结构特点。事实上,自然图像小波系数的结构解决规模表现出一定的相似性,所以有一定程度的冗余小波分解尺度。例如,边缘区域的小波系数通常集中在一起,表明有一定程度的依赖相邻小波系数对应的边缘地区。

图像的结构信息可以通过计算获得的能量局域在小波域。图像的平滑,能量越低。确定一个阈值范围基于局部能量的小波分解,计算和不同的函数中使用相应的阈值。具体的算法将每个像素值的平方的平均值在本地窗口中计算窗口的中心像素的能量。适当的收缩率 然后根据相应的收缩函数(6)。

在实践中,我们选择当地的窗口(例如, )使用(5)计算本地窗口中心像素能量值然后使用(6)计算局部收缩功能: 在哪里 。方程(7)给出了噪声方差 ,和是当地窗口的中心像素。如果在第二个小波系数的边界,边界条件是必需的。在实验中,我们设置 。最后,重建的图像去噪。

这种去噪算法利用DWT附近的能量计算小波系数,然后应用自适应小波阈值收缩函数降噪图像。在实验中,我们添加了高斯噪声的方差 和 的图像。自适应小波阈值收缩去噪函数噪声,得到去噪图像 。从实验结果可以看出,当噪声方差大,图像去噪后不是很清楚;特别是,纹理的效果并不明显。因此,我们需要增强的图像在这一处理步骤。因此,该技术使用引导滤波器增强去噪后的图像。

3.3。引导滤波器来进一步处理

引导滤波是空间对空间域增强技术,和过滤后的输出是一个线性变换的局部图像。滤波算法使用指导图像处理噪声图像的边缘。指导图像可以是图像本身。在这个时候,他们的结构是相同的;原始图像的边缘,是一样的指导的边缘图像。输出像素值考虑统计当地社区空间的引导映像。因此,使用引导滤波,输出图像更结构化的。这可以用于图像dehazing等等。引导过滤器采用精确线性算法。该算法高效、快速和被认为是最快的一个edge-preserving过滤器。

对灰度和彩色图像,引导滤波算法时间复杂度,无论本地窗口半径 。

3.3.1。引导滤波器算法

引导滤波器。导游形象可以是一个单独的图像或原始输入图像;指导图像是原始输入图像时,引导滤波保留图像重建的边缘。

假设输入图像 ,输出图像 ,和指导图像 。 和有一个窗口局部线性关系以像素为中心 : 在哪里 线性(常数)系数在当地的窗口,窗口半径 。方程(8)计算的指导指导图像 。因此,只有保证线性方程在优势面前,输出图像吗将包含边缘。确定系数,我们要求限制从输入图像 。输出是输入与一些噪声组件减去, 最小化输出之间的区别和输入并确保线性(8),这个函数 窗口最小化 ,在哪里正则化参数: 为了最小化模型的价值 ,我们可以推出和 ,分别,(10)使用线性回归可以解决: 在哪里和代表了在当地的窗口均值和方差 ,分别;在窗口中像素的数量;和代表了窗口的平均值的 。在获得和 ,在图3,输出是 在哪里 , 。转换和为权重的形式,这是一般形式的过滤。

因此,引导滤波算法所得如下。通过每个局部遍历整个图像窗口,实现以下计算,与当地窗口半径均值滤波器 ;输入图像 ;指导图像 ;相关系数是相关系数;方差;平滑因子;和协方差:

3.3.2。边缘保护

当 ,引导滤波器成为edge-preserving滤波器。在这一点上,我们有 因此,当本地窗口方差大,中心像素值保持不变。在平滑区域,邻近像素的平均值作为该中心像素值。

3.3.3。引导对彩色图像进行过滤

当独立指导滤波器应用到彩色图像的三个颜色通道,(8)可以写成 在哪里是一个3×1颜色向量,是一个3×1系数向量, , 是标量。因此,引导过滤器的彩色图像 在哪里3×3的协方差矩阵吗在和是3×3单位矩阵。

因为当地的线性模型更有效在颜色空间中,灰色的边缘图像不能确定但是通过彩色图像引导滤波器可以保存完好。因此,图像边缘有明显的影响。

3.4。图像增强

与更多的纹理(即图像。,Image 5), the above denoising method may cause some regions to appear too smooth. Therefore, it is necessary to further enhance the image texture detail. Using (17),图像去噪从原始无噪声图像中减去产生损失的细节吗 。正数是控制和平衡程度的叠加: 该算法利用图像的特征结构。在小波域阈值收缩用于降噪图像,然后引导滤波器提高去噪图像的边缘,以更好地反映图像的纹理细节。

4所示。实验结果和分析

我们进行了一系列的实验使用MATLAB R2015b图和图像4。图像在图4图像、图像9日10、图11和图12,含有丰富的纹理。首先,0.01和0.03高斯噪声的方差是添加到彩色图像图4。这产生了嘈杂的图像如图5(一个),6(一),7(一),8(一个),9(一个),10 (),(11日),12(一个)。该方法基于图像特征和自适应小波阈值收缩算法应用于得到去噪图像如图5 (c),6 (c),7 (c),8 (c),9 (c),10 (c),11 (c),12 (c)。我们使用了“sym4”二级小波分解函数分解的图像,与当地的一个窗口 , , 控制在小波系数的收缩程度。

引导过滤器是用来消除干扰图像与指导形象将原始图像没有噪音。这是为了使去噪后的图像更好的边缘效应。本地窗口半径设置为 和 。图像去噪后的自适应小波阈值算法。在图像 ,的 渠道是单独被导游过滤器。图像的纹理和边缘信息增强,我们获得的输出 。的参数在(17)被发现给更好的纹理效果和无畸变的图像 。最终结果介绍了数字图像5 (f),6 (f),7 (f),8 (f),9 (f),10 (f),11 (f),12 (f)。从数据9 (f),10 (f),11 (f),12 (f),可以得出的结论是,图像的纹理和边缘该方法有良好的性能。

峰值信噪比( )该方法的提出了表1。这些表明本文提出的方法优于双边滤波,自适应小波阈值算法,外地意味着[20.]算法,和BM3D [21)方法。当噪音水平增加,所有五个方法的去噪效果降低,但该方法提供了更好的性能比其他四个。

的计算如下: 输入图像在哪里吗和输出图像 。的均方误差( )的平均均方误差三个频道 在彩色图像。

井(22)提出了质量因素评价去噪后图像的边缘。这种品质因素(普拉特的品质因数)考虑三种错误:失去有效的边缘,边缘的定位误差,边缘和噪声判断失误。普拉特的绩效提供了一个定量评价的图像边缘和可以用来比较去噪图像和原始图像的边缘。从数据13和14,很明显,纹理部分之间存在差异。普拉特的品质因数测量四个图像。结果在图15确认边缘质量因子(红色曲线)的方法是高于其他四个不同程度的噪声方差的方法。因此,我们的方法达到更好的边缘效应。

从主观的角度来看,我们发现该方法不仅可以保持更好的边缘,它还可以减少噪音相比,其他四种方法。从数据5- - - - - -12,结果图像(f)使用方法看起来比其他人更清楚,因为我们使用引导过滤器过滤图像和消除噪声。此外,在数据13和14结果图像的边缘,使用该方法是光滑的和连贯的,这大大有助于增强边缘。

客观地评价结果,我们使用普拉特的品质因数和PSNR图像质量评价。普拉特的品质因数图中列出的结果15。设在是普拉特因素和结果设在噪声方差。曲线表明,普拉特因素增加,当噪声方差减少,但该方法(红色曲线)比其他的要高得多。图像边缘曲线结果表明,使用该方法是有效的和丰富的。表1的结果是 。该方法优于其他四个关于图像处理的方法。

从表中的数据1和品质因数曲线在图15,我们可以得出结论,该方法优于双边滤波,自适应小波阈值去噪算法,外地意味着算法,BM3D彩色图像去噪算法。从视觉的角度来看,该方法不仅提供了一个良好的去噪效果,而且实现了更好的边缘保留。

5。结论

在本文中,一种新的基于自适应小波阈值去噪方法去噪算法和提出了边导过滤。图像去噪是根据图像的局部结构。在对比实验中对双边滤波,自适应小波去噪方法,外地意味着算法,和BM3D算法,该方法表现出最好的去噪和边缘保护性能。该方法去除高斯噪声在频域,然后使用线性制导过滤,进一步提高图像恢复,从而更好的去噪和边缘效应。随着彩色图像显示更详细的材质,这种滤波克服了梯度边缘地区的反演效果。线性模型(见(8)是一个block-unsupervised学习方法,它可以结合其他模型来获得新的去噪技术。这将是未来的研究和探索的重点在彩色图像去噪。

的利益冲突

作者宣称没有利益冲突有关的出版。

确认

这项工作得到了国家自然科学基金(61370138号,61572077,和U1301251)和北京市自然科学基金(没有。4162027);面向工程的学科特点(没有。KYDE40201701);创新团队的项目建设和教师职业发展的大学和学院在北京市(没有。IDHT20170511)。

引用

1. c预和r . Manduchi灰色和彩色图像双边滤波,”《计算机视觉IEEE计算机协会国际会议,839年,页1998。视图:谷歌学术搜索
2. x y,田,p . Ren,“一种自适应基于双边滤波的框架,用于图像去噪,”Neurocomputing卷,140年,第316 - 299页,2014年。视图:出版商的网站|谷歌学术搜索
3. j . s . Lim二维信号和图像处理新世纪,Inc .鞍上游,新泽西,美国,1990年。
4. d . l . Donoho和i m·约翰斯通”适应未知的平滑通过小波收缩,”美国统计协会杂志》上,卷90,不。432年,第1224 - 1200页,1995年。视图:出版商的网站|谷歌学术搜索|MathSciNet
5. d . l . Donoho”通过对振动去噪,“电气和电子工程师学会交易信息理论第41卷。。3、613 - 627年,1995页。视图:出版商的网站|谷歌学术搜索|MathSciNet
6. Bui和t·d·g·陈,“使用与平移不变去噪,”IEEE信号处理,46卷,不。12日,第3420 - 3414页,1998年。视图:出版商的网站|谷歌学术搜索
7. c . Srisailam p·沙玛,s . Suhane“彩色图像使用小波软阈值去噪,”国际期刊的新兴技术和先进的工程,4卷,不。7,474 - 478年,2014页。视图:谷歌学术搜索
8. k·k·古普塔和r·古普塔”功能自适应小波阈值收缩图像去噪”学报2007年国际会议上信号处理、通信和网络、ICSCN 2007印第安纳州,页81 - 85年,2007年2月。视图:出版商的网站|谷歌学术搜索
9. e . Ordentlich g . Seroussi s .一直对m·温伯格和t·斯曼”一个离散普遍降噪及其应用二进制图像,”《图像处理国际会议(2003年ICIP)1卷,20 - 117年,2003页。视图:出版商的网站|谷歌学术搜索
10. w .董和h .丁”,完整的频率去噪方法,基于小波分解和杂色类型检测,”Neurocomputing卷,214年,第909 - 902页,2016年。视图:出版商的网站|谷歌学术搜索
11. 即Elyasi和美国Zermchi”,消除噪声的自适应小波阈值”,世界科学工程与技术学院,3卷,不。8,1541 - 1545年,2009页。视图:谷歌学术搜索
12. a . k .班达里d·库马尔a·库马尔·g·k·辛格,“最佳可基于自适应阈值的边缘保留卫星图像去噪使用自适应差分演化算法,”Neurocomputing卷,174年,第721 - 698页,2016年。视图:出版商的网站|谷歌学术搜索
13. t . t . Cai和b·w·西尔弗曼”,将相邻系数的信息合并到小波估计,Sankhyā,”印度杂志》的统计,系列B (1960 - 2002),卷63,不。2、127 - 148年,2001页。视图:谷歌学术搜索
14. Bui, t·d·g . y . Chen和a . Krzyzak“图像去噪使用邻近的小波系数,集成计算机辅助工程,12卷,不。1,第107 - 99页,2005。视图:谷歌学术搜索
15. k他、j .太阳和x,“引导图像过滤,”IEEE模式分析与机器智能,35卷,不。6,1397 - 1409年,2013页。视图:出版商的网站|谷歌学术搜索
16. m·纳斯里和h . Nezamabadi-pour”,使用一种新的自适应图像小波域的去噪阈值函数,“Neurocomputing,卷72,不。4 - 6,1012 - 1025年,2009页。视图:出版商的网站|谷歌学术搜索
17. h . x Liu Wan、z .商和l .史”自动细胞外使用小波去噪的邻居系数和水平的依赖,”Neurocomputing卷,149年,第1414 - 1407页,2015年。视图:出版商的网站|谷歌学术搜索
18. c c。花王,黄永发。赖,S.-Y。简,“VLSI架构设计指导滤波器30帧/ s全高清视频,”IEEE电路和系统视频技术,24卷,不。3、513 - 524年,2014页。视图:出版商的网站|谷歌学术搜索
19. a . Gadge和s . s . Agrawal“引导为彩色图像过滤,”IJIREEICE,4卷,不。6,250 - 252年,2016页。视图:谷歌学术搜索
20. a . Buades b·科尔和人类。莫雷尔,“非本地图像去噪算法,”《IEEE计算机学会学报计算机视觉与模式识别会议(CVPR ' 05)2005年6月,页60 - 65,。视图:出版商的网站|谷歌学术搜索
21. k . Dabov a信息自由、诉Katkovnik和k . Egiazarian”由稀疏三维变换域图像去噪协同过滤,“IEEE图像处理,16卷,不。8,2080 - 2095年,2007页。视图:出版商的网站|谷歌学术搜索|MathSciNet
22. p . n . t .井数字图像处理约翰•威利·w·k·普拉特,奇切斯特,英国,1991年,(医学工程和物理卷。16。1,p。83年,1994年)。

版权

版权©2017年鑫太阳等。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。