[发明专利]基于Contourlet域多状态HMT模型的含噪图像增强方法

说明书

技术领域

本发明涉及在Contourlet域上，利用多状态隐马尔科夫树HMT模型，对含噪图像进行增强的方法，尤其是基于Contourlet域多状态HMT模型的含噪图像增强方法，该方法可用于图像的预处理阶段。

背景技术

图像增强是一项重要的图像预处理技术。其目的在于改善图像质量，突出图像细节，以满足后续图像分析和图像理解的需要。目前，图像增强已经广泛地应用于矿藏资源勘探、军事目标监视、医学病灶诊断和交通监控等领域并发挥着重大作用。图像在采集和传输的过程中，会不可避免地受到噪声的干扰，如何有效地对含噪图像进行增强是图像处理领域亟待解决的关键问题之一。

现有的图像增强方法可以分为两类。一类是基于空域的直方图均衡化法和反锐化掩模法。该类方法对无噪图像进行增强，会得到较为理想的增强结果。当待增强图像中含有噪声时，该类方法在增强图像细节特征的同时，会不可避免地增强图像中的噪声，影响后续图像处理的效果。对比于此类方法，有基于变换域的图像增强方法。它们包括基于小波的方法和基于多尺度几何分析工具的方法。这类方法通过选取合适的阈值来区分出含噪图像中的噪声并对其进行抑制。但由于有效的阈值难以获取，使得增强后的图像在均匀区域不够平滑。而且由于部分变换方法缺乏平移不变性，还易在增强图像中引入失真。

多尺度几何分析方法——Contourlet变换可以有效捕捉到图像中的线状和轮廓状几何信息，这些信息对于图像的后续处理十分重要。相比于小波变换，Contourlet变换所捕捉到的细节信息更为丰富，部分细节信息并没有明显的类别属性，处在既可以被归类于噪声成分，也可以被归类于弱边缘成分的中间地带，或者既可以被归类于弱边缘成分，也可以被归类于强边缘成分的中间地带。因此，有必要构建Contourlet域多状态HMT模型，不仅可以模拟出Contourlet域噪声、弱边缘和强边缘系数，还可以模拟出噪声、弱边缘和强边缘系数之外的那些处于中间地带的系数，并将其应用到含噪图像增强，同时引入循环平移策略用于克服Contourlet变换缺乏平移不变性，期望获得细节特征突出，均匀区域平滑的增强结果。

发明内容

本发明方法的目的在于克服现有技术的不足，即现有的图像增强方法在对含噪图像增强时会受到噪声影响的问题，提出了一种基于Contourlet域多状态HMT模型的含噪图像增强方法，能够改善含噪图像的质量，利于后续图像处理。

一种基于Contourlet域多状态HMT模型的含噪图像增强方法，其特别之处，包括如下步骤：

(1)输入大小为M×N的含噪图像im₀(m，n)，其中1≤m≤M，1≤n≤N，M和N均为大于1的自然数，初始化计数量tem=0，行位移量u=1，列位移量v=1；

(2)计数量递增，即tem=tem+1，对含噪图像im₀(m，n)进行(u，v)步循环平移，得到循环平移后的含噪图像im_tem(m，n)；

(3)对循环平移后的含噪图像im_tem(m，n)进行L层Contourlet变换，得到低频子带系数Y_A和高频方向子带系数其中0≤l≤L-1，1≤k≤k_l，k_l表示在尺度2^-l上的高频方向子带的数目，i∈{1，2，3，...，Q}为Contourlet域系数四叉树的索引标记，Q为Contourlet域系数四叉树上待观察系数的数目，L为3～5，L为自然数；

(4)采用期望最大化算法对步骤(3)得到的高频方向子带系数进行训练，得到确定的Contourlet域多状态HMT模型参数向量Θ，式中P_0，k为Contourlet域系数四叉树根节点的隐状态概率密度向量，为高频方向子带系数的隐状态概率，S为隐状态变量，隐状态的类别数取为5，分别对应Contourlet域系数中的噪声、近噪声、弱边缘、近强边缘和强边缘成分，有{S|S=r，r∈{0，1，2，3，4}}，ε_l，k为尺度l上第k个高频方向子带系数的状态转移概率矩阵，σ_l，k和μ_l，k分别为尺度l上第k个高频方向子带系数的标准差和均值向量；

(5)利用步骤(4)得到Contourlet域多状态HMT模型参数向量Θ，对高频方向子带系数进行增强；