[发明专利]基于多尺度的卡尔曼滤波图像去噪方法

权利要求书

1.一种基于多尺度的卡尔曼滤波图像去噪方法，其特征是，包括如下步骤：

小波分解步骤，对图像进行小波变换，所述图像被分解为多个层，每个层包括四个部分：LL部分、HL部分、LH部分和HH部分，其中，LL部分属于低频部分，HL部分、LH部分和HH部分属于高频部分；

计算预测步骤，用上一层的HL部分、LH部分和HH部分的最终估计小波子系数分别更新下一层的HL部分、LH部分和HH部分的初始估计小波子系数，对于上下两层相应的部分：

其中，表示第i+1层第k个部分第j个最终估计小波子系数，是估计系数，表示第i层第k个部分的初始估计小波子系数，其中，k的三个不同取值分别对应HL部分、LH部分和HH部分；

逆变换步骤，利用更新小波子系数后的多个层进行小波逆变换，得到去噪后的图像。

2.如权利要求1所述的基于多尺度的卡尔曼滤波图像去噪方法，其特征是：

在计算预测步骤之前，对最上层的HL部分、LH部分和HH部分的小波子系数V_ik进行如下修正：

其中，V′_ik是指修正后最上层的第i层第k个高频部分的小波子系数，V_ik是指第i层第k个高频部分的小波子系数，是指第i层第k个高频部分的萎缩阈值，是指第i层第k个高频部分的噪声方差，是指高频部分的标准差，

3.如权利要求1所述的基于多尺度的卡尔曼滤波图像去噪方法，其特征是：

在计算预测步骤中，在进行处理后，进行如下处理：

X^(i|i,k)=X^(i|i+1,k)+K(i,k)·{Z(i,k)-MX^(i|i+1,k)}-1,]]>

其中，表示第i层第k部分的最终估计小波子系数，Z(i,k)和K(i,k)分别表示第i层第k部分的小波子系数观测值和卡尔曼增益，M表示观测矩阵，

其中，K(i,k)=p(i|i+1,k)M^T[Mp(i|i+1,k)M^T+Q(i)]^-1,

P(i|i,k)={I-K(i)M}p(i|i+1,k),

其中，P(i|i十l，k)表示第i十1层第k部分向第i层第k部分的误差协方差预测矩阵，P(i+1|i+1,α_jk)表示第i+1层第k部分第j个系数的误差协方差矩阵，P(i|i,k)表示第i层第k部分的误差协方差矩阵,Q(i)和R(i)是白噪声。