[发明专利]双树复小波域的邻域自适应贝叶斯收缩图像去噪方法

权利要求书

1.一种双树复小波域的邻域自适应贝叶斯收缩图像去噪方法，其特征在于：所述图像去噪方法包括以下步骤：

1）对含噪图像进行双树复小波变换，将其进行三级分解后得到K+1个子带系数；

2）用鲁棒中值器估计出噪声方差：用Y_ij表示第一级分解的子带中第i行第j列系数的实部，用表示图像的噪声方差，该噪声方差采用鲁棒中值估计器估计为：

σ^n=Median(|Yij|)/0.6745---(1)]]>

3）对除低通子带系数之外的其他K个子带系数进行如下处理：

a）对每个DT-CWT系数，计算出相应邻域窗口内含噪图像的方差；

b）对所有系数相应的含噪图像方差，求其平均来估计出这个子带的含噪图像的邻域方差；

c）假设图像的DT-CWT系数的统计模型服从GGD模型，通过最小化贝叶斯风险函数估计出最优阈值；进而软化子带内小波系数；

4）对小波系数进行双树复小波反变换重构得到去噪后的图像。

2.如权利要求1所述的一种双树复小波域的邻域自适应贝叶斯收缩图像去噪方法，其特征在于：所述步骤3）中，定义邻域窗口是以当前系数为中心，边长为N的正方形，并定义N的单位为水平或垂直方向上相邻小波系数的间隔，与当前系数相关的邻域系数则是除当前系数之外的落在当前系数的邻域窗口内的所有小波系数；假设在尺寸大小为m×n的子带内，{w_k，h}为所有的小波系数，则在中心为系数w_k，h，大小为N×N的邻域窗口内含噪图像的方差为

σY,k,h2^=1N2Σi,j=1N|yij|2---(2)]]>

其中，y_ij是邻域窗口内第i行第j列的小波系数。所以，在尺寸大小为m×n的子带内含噪图像的邻域方差为

σ^Y2(LD)=1m·nΣk=1mΣh=1nσY,k,h2^---(3)]]>

由于DT-CWT是线性变换，所以含噪图像的方差σ_Y²，无噪图像的方差σ_x²和噪声的方差σ_n²满足下列条件：

σY2=σx2+σn2---(4)]]>

从而无噪图像的邻域标准差为

σx(LD)^=max(σY2^(LD)-σn2^,0)---(5)]]>

估计出的最优阈值为

TB(σx(LD)^)=σ^n2/σx(LD)^---(6)]]>

由式(6)可见估算出的阈值是具有邻域局部相关性的，用此阈值T_B去软化小波系数w，得

w^=sign(w)(|w|-TB)+---(7).]]>