專利名稱：基于改進(jìn)Directionlet域的廣義高斯模型圖像去噪方法
技術(shù)領(lǐng)域：
本發(fā)明屬于數(shù)字圖像處理技術(shù)領(lǐng)域，具體地說是一種圖像去噪方法，該方法可用于去除被污染的自然圖像中的噪聲。

背景技術(shù)：
圖像在獲取和傳輸過程中，常會受到噪聲的污染。如何對圖像進(jìn)行去噪并盡可能多地保留圖像的細(xì)節(jié)信息以改善圖像的質(zhì)量，成為圖像處理中的一個重要任務(wù)。人們根據(jù)圖像的特點(diǎn)、噪聲的統(tǒng)計特征和頻譜的分布規(guī)律，發(fā)展了多種去噪方法，其中最為直觀的是根據(jù)噪聲一般集中在高頻，而圖像頻譜則分布在一個有限區(qū)間這一特點(diǎn)，采用低通濾波來進(jìn)行去噪，如滑動平均窗濾波，Wiener濾波等。其他的去噪方法還有基于秩-階濾波的方法，基于馬爾可夫場模型的方法等，這些方法僅具有空域或頻域的局部分析性能。
近年來，由于小波具有良好的時頻特性和多分辨特性，小波閾值方法被廣泛應(yīng)用到各種去噪處理中，但對經(jīng)過正交小波變換后的高頻系數(shù)進(jìn)行閾值去噪時，會出現(xiàn)“過扼殺”，去噪圖像邊緣處會出現(xiàn)振蕩現(xiàn)象。在小波基礎(chǔ)上發(fā)展而來的平移不變的平穩(wěn)小波變換，克服了正交小波變換去噪時的不足，但在閾值去噪時均勻區(qū)域出現(xiàn)過平滑現(xiàn)象。為解決二維或更高維奇異性而出現(xiàn)的多尺度幾何工具Contourlet，對圖像中的奇異曲線的逼近接近最優(yōu)，Contourlet閾值去噪時邊緣信息丟失較少，但在均勻區(qū)域會產(chǎn)生虛假成分，即蚊狀噪聲很明顯。
Vladan Velisavljevi′提出的Directionlet變換，是一種新的多尺度幾何分析工具。當(dāng)Directionlet基函數(shù)的方向與圖像中各向異性目標(biāo)的方向匹配時，對圖像的逼近效果較好，可以稀疏的表示圖像的邊緣等細(xì)節(jié)信息；不匹配時Directionlet則退化為小波。但現(xiàn)有的Directionlet變換，變換方向和隊列方向都是任意選取的，比如0度，90度，45度和-45度，并沒有根據(jù)圖像的特征進(jìn)行方向自適應(yīng)的變換，導(dǎo)致在圖像去噪時邊緣信息丟失嚴(yán)重，出現(xiàn)模糊失真現(xiàn)象。


發(fā)明內(nèi)容
本發(fā)明的目的在于克服上述已有技術(shù)的不足，提供一種基于改進(jìn)Directionlet域的廣義高斯模型圖像去噪方法，以根據(jù)圖像的特征進(jìn)行方向自適應(yīng)的變換，實現(xiàn)在去除噪聲的同時，盡可能保持圖像邊緣等細(xì)節(jié)特征的目的，提高圖像的質(zhì)量。
實現(xiàn)本發(fā)明目的的技術(shù)方案是，首先自適應(yīng)確定Directionlet變換的變換矩陣，使它根據(jù)圖像的主要方向進(jìn)行變換，在去噪處理時，用廣義高斯模型對Directionlet系數(shù)建模，根據(jù)廣義高斯模型形狀參數(shù)的大小，結(jié)合局部標(biāo)準(zhǔn)差采取不同的無噪系數(shù)估計策略，對圖像進(jìn)行去噪處理，其具體去噪步驟包括如下 (1)選取測試圖像，加入零均值的高斯噪聲，得到噪聲圖像； (2)對噪聲圖像進(jìn)行64×64的子圖分割，并用二進(jìn)小波變換自適應(yīng)確定各分割子圖的Directionlet變換矩陣MΛ； (3)利用變換矩陣MΛ，對各分割子圖進(jìn)行采樣，得到分割子圖的|det(MΛ)|個陪集，|det(MΛ)|是矩陣MΛ行列式的絕對值； (4)對各分割子圖的每個陪集沿Directionlet變換矩陣MΛ的變換方向和隊列方向分別進(jìn)行n1＝2與n2＝1次的一維小波變換，得到Directionlet變換的高頻和低頻子帶系數(shù)； (5)對各個高頻子帶，利用該子帶所有的變換系數(shù)，估計廣義高斯模型的形狀參數(shù)υ和局部標(biāo)準(zhǔn)差σx； (6)對各高頻子帶的廣義高斯模型形狀參數(shù)υ進(jìn)行判斷 若0＜υ＜0.5，按下式對噪聲圖像的無噪系數(shù)進(jìn)行估計， 其中

是無噪系數(shù)的估計，y是含噪系數(shù)，Tυ＝Cυσ2/(2-υ)σx-(υ/(2-υ))，Cυ＝(2-υ)(2-2υ)-(1-υ/2-υ)η(υ)υ/(2-υ)，Γ是Gamma函數(shù)，o(y2(υ-1))是y2(υ-1)的高階無窮小量，σ是噪聲標(biāo)準(zhǔn)差，Y＝(y1，y2，...，yN)是含噪高頻子帶系數(shù)，N是高頻子帶系數(shù)的數(shù)目； 若0.5≤υ＜1，則采用閾值進(jìn)行軟閾值處理； (7)對低頻子帶和估計得到的無噪高頻子帶沿矩陣MΛ的變換方向和隊列方向分別進(jìn)行n1＝2與n2＝1次的一維小波逆變換； (8)根據(jù)變換矩陣MΛ的變換方向和隊列方向加權(quán)綜合，重構(gòu)各個分割子圖； (9)將重構(gòu)的各分割子圖按其在原圖像中的位置合成，得到去噪后的圖像。
本發(fā)明與現(xiàn)有技術(shù)相比具有如下優(yōu)點(diǎn) (1)本發(fā)明采用Directionlet變換的矩陣是根據(jù)圖像的特征自適應(yīng)確定的，由于Directionlet變換系數(shù)對圖像中的邊緣各向異性特征逼近較好，對圖像去噪時邊緣細(xì)節(jié)信息保持較好，因而解決了現(xiàn)有Directionlet變換方法由于任意選取變換矩陣而退化成小波變換，在圖像去噪處理中因?qū)吘壍雀飨虍愋蕴卣鞅平粔蚓_，邊緣信息丟失嚴(yán)重而引起的邊緣模糊問題； (2)本發(fā)明由于在無噪系數(shù)估計時充分考慮了廣義高斯模型形狀參數(shù)的影響，采用的局部標(biāo)準(zhǔn)差具有局部適應(yīng)性，能更精確地估計高頻子帶的各個系數(shù)，解決了現(xiàn)有小波閾值方法對含噪系數(shù)的“過扼殺”問題和平穩(wěn)小波閾值方法均勻區(qū)域過平滑問題，且本發(fā)明方法去噪后圖像的均勻區(qū)域更清晰，失真較少。
仿真實驗結(jié)果表明，本發(fā)明在對加有高斯噪聲的自然圖像去噪中，邊緣等細(xì)節(jié)信息保持較好，均勻區(qū)域更清晰，得到了更高的峰值信噪比，提高了圖像的質(zhì)量。



圖1是本發(fā)明的主要操作過程示意圖； 圖2是用本發(fā)明方法與已有去噪方法對測試圖像Lena的去噪效果對比圖； 圖3是用本發(fā)明方法與已有去噪方法對測試圖像Barbara的去噪效果對比圖； 圖4是用本發(fā)明方法與已有去噪方法對測試圖像Peppers的去噪效果對比圖。

具體實施例方式 參照圖1，本發(fā)明的具體實現(xiàn)步驟如下 步驟1選取測試圖像，加入高斯噪聲，得到噪聲圖像，該噪聲圖像的數(shù)學(xué)表達(dá)式為 f＝g+n 其中g(shù)＝{g(i1，j1)|i1，j1＝1，2，...N}表示測試圖像，n＝{n(i1，j1)|i1，j1＝1，2，...N}表示均值為零方差為σ2的高斯噪聲，噪聲圖像記為f＝{f(i1，j1)|i1，j1＝1，2，...N}，N表示圖像大小。
步驟2把噪聲圖像分割成互不重疊，且大小為64×64的子圖，尋找每個分割子圖的兩個主要方向θ1和θ2，根據(jù)主要方向θ1和θ2確定各分割子圖的Directionlet變換矩陣MΛ，具體步驟如下 2a)對分割子圖進(jìn)行二進(jìn)小波變換，得到其水平細(xì)節(jié)圖h(i，j)和垂直細(xì)節(jié)圖v(i，j)，其中(i，j)是二進(jìn)小波變換系數(shù)的位置，i，j＝1，2，...64； 2b)根據(jù)h(i，j)和v(i，j)，計算分割子圖在(i，j)處的方向θ(i，j) 若h(i，j)＜＜v(i，j)，即 若h(i，j)＞＞v(i，j)，即θ(i，j)＝0； 若或 2c)統(tǒng)計分割子圖的方向θ(i，j)的分布，找出出現(xiàn)次數(shù)最多的兩個方向θ1和θ2； 2d)分別求兩個主要方向θ1和θ2的反正切值，得到兩個近似有理斜率r1和r2，r1≈arctanθ1＝b1/a1，r2≈arctanθ2＝b2/a2，根據(jù)有理斜率r1和r2，構(gòu)造變換矩陣其中沿r1的方向稱為變換矩陣MΛ的變換方向，沿r2的方向稱為隊列方向，a1，a2，b1，b2都是整數(shù)。
步驟3利用變換矩陣MΛ，對各分割子圖分別沿r1和r2方向進(jìn)行采樣，得到分割子圖的|det(MΛ)|個陪集，|det(MΛ)|是矩陣MΛ行列式的絕對值。
步驟4對各分割子圖的每個陪集沿r1方向進(jìn)行n1＝2次的一維小波變換，沿r2方向進(jìn)行n2＝1次的一維小波變換，得到Directionlet變換的高頻和低頻子帶系數(shù)。
步驟5由含噪高頻子帶系數(shù)估計廣義高斯模型的形狀參數(shù)υ和局部標(biāo)準(zhǔn)差σx按如下步驟進(jìn)行 3a)設(shè)高頻子帶的大小為l1×l2，由含噪的高頻子帶系數(shù)Y按下式計算出含噪高頻子帶系數(shù)的二階矩σY2和含噪高頻子帶系數(shù)的峰度kY σY4＝(σY2)2 式中

是(i2，j2)處含噪高頻系數(shù)的平方，

是(i2，j2)處含噪高頻系數(shù)的4次方； 3b)由含噪高頻子帶系數(shù)Y，利用中值估計法求出噪聲標(biāo)準(zhǔn)差再根據(jù)噪聲標(biāo)準(zhǔn)差σ求出無噪系數(shù)的標(biāo)準(zhǔn)差 3c)由以上得到的kY，σY2和σ值，利用數(shù)值計算法按照如下公式求出形狀參數(shù)υ 3d)由含噪高頻子帶系數(shù)Y，利用最小均方誤差估計法得到無噪系數(shù)的初始估計值 其中，

是(i2，j2)處的含噪高頻系數(shù)，i2＝1，2，...l1，j2＝1，2，...l2； 3e)由形狀參數(shù)υ和無噪系數(shù)的初始估計值X，計算出局部標(biāo)準(zhǔn)差σx＝SE 其中S是只與形狀參數(shù)υ有關(guān)的因子， E是大小為5×5的局部鄰域內(nèi)無噪系數(shù)初始估計值的絕對均值，

是(i3+p，j3+q)處無噪系數(shù)的初始估計值， i3＝2，...l1-1，j3＝2，...l2-1。
步驟6將形狀參數(shù)υ分成兩個區(qū)間0＜υ＜0.5和0.5≤υ＜1，使用以下估計策略由含噪系數(shù)估計無噪系數(shù) 若0＜υ＜0.5，按下式對噪聲圖像的無噪系數(shù)進(jìn)行估計， 其中

是無噪系數(shù)的估計，y是含噪系數(shù)，Tυ＝Cυσ2/(2-υ)σx-(υ/(2-υ))，Cυ＝(2-υ)(2-2υ)-(1-υ/2-υ)η(υ)υ/(2-υ)，Γ是Gamma函數(shù)，o(y2(υ-1))是y2(υ-1)的高階無窮小量，σ是噪聲標(biāo)準(zhǔn)差； 若0.5≤υ＜1，則采用閾值對含噪系數(shù)進(jìn)行軟閾值處理，得到無噪系數(shù)的估計。
步驟7對低頻子帶和估計得到的無噪高頻子帶沿r1方向進(jìn)行n1＝2次的一維小波逆變換，沿r2方向進(jìn)行n2＝1次的一維小波逆變換。
步驟8對步驟7得到的結(jié)果沿r1方向和r2方向進(jìn)行加權(quán)綜合，重構(gòu)出各個分割子圖。
步驟9將重構(gòu)的各分割子圖按其在原圖像中的位置合成，得到去噪后的圖像。
本發(fā)明的效果通過以下仿真進(jìn)一步說明。
一、仿真條件 采用圖像去噪中常用的標(biāo)準(zhǔn)圖像Lena 512×512、Barbara 512×512和Peppers512×512圖像，并對這三幅圖像分別加入標(biāo)準(zhǔn)差σ為10，15，20，25，30，35，40，45和50的零均值加性高斯白噪聲，分別用本發(fā)明去噪方法、小波軟閾值去噪方法、平穩(wěn)小波硬閾值去噪方法、Contourlet硬閾值去噪方法和Contourlet軟閾值去噪方法進(jìn)行仿真去噪處理。
二、仿真結(jié)果分析 仿真1，用本發(fā)明方法與現(xiàn)有去噪方法對測試圖像Lena的去噪效果對比圖，結(jié)果如圖2，其中 圖2(a)是測試圖像Lena；圖2(b)是σ＝20的Lena含噪圖像，峰值信噪比PSNR＝22.13dB；圖2(c)是小波軟閾值的去噪結(jié)果圖，PSNR＝26.74dB；圖2(d)是平穩(wěn)小波硬閾值去噪結(jié)果圖，PSNR＝28.38dB；圖2(e)是Contourlet硬閾值去噪結(jié)果圖，PSNR＝28.93dB；圖2(f)Contourlet軟閾值去噪結(jié)果圖，PSNR＝26.76dB；圖2(g)是本發(fā)明方法去噪結(jié)果圖，PSNR＝30.19dB； 從圖2(a)和圖2(c)可以看出，現(xiàn)有小波軟閾值方法去噪后Lena的帽沿處出現(xiàn)震蕩現(xiàn)象，臉部和其它均勻區(qū)域失真嚴(yán)重。
從圖2(d)可以看出，現(xiàn)有平穩(wěn)小波硬閾值方法去噪后雖然Lena的帽沿比較清晰，但帽子上的紋理有些模糊，均勻區(qū)域出現(xiàn)過平滑。
從圖2(e)和圖2(f)可以看出，現(xiàn)有Contourlet閾值方法去噪后，產(chǎn)生了虛假成分，即蚊狀噪聲很明顯。
從圖2(g)可以看出本發(fā)明方法去噪后Lena的帽沿及帽子上的紋理比較清晰，臉部和其它均勻區(qū)域較平滑，失真較少，并且有較高的峰值信噪比，有效去除了圖2(b)的噪聲。
仿真2，用本發(fā)明方法與現(xiàn)有去噪方法對測試圖像Barbara的去噪效果對比圖，結(jié)果如圖3，其中 圖3(a)是測試圖像Barbara；圖3(b)是σ＝20的Barbara含噪圖像，PSNR＝22.19dB；圖3(c)是小波軟閾值方法的去噪結(jié)果圖，PSNR＝23.67dB；圖3(d)是平穩(wěn)小波硬閾值方法去噪結(jié)果圖，PSNR＝25.39dB；圖3(e)是Contourlet硬閾值方法去噪結(jié)果圖，PSNR＝25.86dB；圖3(f)Contourlet軟閾值方法去噪結(jié)果圖，PSNR＝23.87dB；圖3(g)本發(fā)明方法去噪結(jié)果圖，PSNR＝27.87dB。
從圖3(a)和圖3(c)可以看出，現(xiàn)有小波軟閾值方法去噪后Barbara褲子和圍巾上的紋理信息丟失嚴(yán)重。
從圖5(d)可以看出，現(xiàn)有平穩(wěn)小波硬閾值方法去噪后Barbara褲子和圍巾上的紋理信息有些丟失，桌子腿部分出現(xiàn)震蕩。
從圖3(e)和圖3(f)可以看出，現(xiàn)有Contourlet閾值去噪方法去噪后，Barbara紋理保持較好，圖像較清晰，但產(chǎn)生了嚴(yán)重的虛假成分，即蚊狀噪聲很明顯。
從圖3(g)可以看出，本發(fā)明方法在對圖3(b)去除噪聲的同時更多的保持了Barbara褲子，圍巾等處的紋理細(xì)節(jié)，可見本發(fā)明在細(xì)節(jié)保持方面有相當(dāng)大的優(yōu)勢，均勻區(qū)域也更清晰。
仿真3，用本發(fā)明方法與現(xiàn)有去噪方法對測試圖像Peppers的去噪效果對比圖，結(jié)果如圖4，其中 圖4(a)是測試圖像Peppers；圖4(b)是σ＝20的Peppers含噪圖像，PSNR＝22.21dB；圖4(c)是小波軟閾值方法的去噪結(jié)果圖，PSNR＝27.21dB；圖4(d)是平穩(wěn)小波硬閾值方法去噪結(jié)果圖，PSNR＝28.59dB；圖4(e)是Contourlet硬閾值方法去噪結(jié)果圖，PSNR＝28.65dB；圖4(f)Contourlet軟閾值方法去噪結(jié)果圖，PSNR＝26.51dB；圖4(g)本發(fā)明方法去噪結(jié)果圖，PSNR＝30.82dB。
從圖4(a)和圖4(c)可以看出，現(xiàn)有小波軟閾值方法去噪后Peppers邊緣處出現(xiàn)震蕩現(xiàn)象。
從圖4(d)可以看出，現(xiàn)有平穩(wěn)小波硬閾值方法去噪后，Peppers均勻區(qū)域有過平滑現(xiàn)象。
從圖4(e)和圖4(f)可以看出，現(xiàn)有Contourlet閾值去噪方法去噪較徹底，但蚊狀噪聲很明顯。
從圖4(g)可以看出，本發(fā)明方法對圖4(b)去噪后各種蔬菜的邊緣很清晰，均勻區(qū)域較清晰，和測試圖像圖4(a)相比差別更小，明顯比其他方法去噪后的效果要好。
綜上，本發(fā)明方法不僅視覺效果好，而且峰值信噪比也比較高，在邊緣保持方面有較大優(yōu)勢。
權(quán)利要求
1.一種基于改進(jìn)Directionlet域的廣義高斯模型圖像去噪方法，包括如下步驟
(1)選取測試圖像，加入零均值的高斯噪聲，得到噪聲圖像；
(2)對噪聲圖像進(jìn)行64×64的子圖分割，并用二進(jìn)小波變換自適應(yīng)確定各分割子圖的Directionlet變換矩陣MΛ；
(3)利用變換矩陣MΛ，對各分割子圖進(jìn)行采樣，得到分割子圖的|det(MΛ)|個陪集，|det(MΛ)|是矩陣MΛ行列式的絕對值；
(4)對各分割子圖的每個陪集沿Directionlet變換矩陣MΛ的變換方向和隊列方向分別進(jìn)行n1＝2與n2＝1次的一維小波變換，得到Directionlet變換的高頻和低頻子帶系數(shù)；
(5)對各個高頻子帶，利用該子帶所有的變換系數(shù)，估計廣義高斯模型的形狀參數(shù)υ和局部標(biāo)準(zhǔn)差σx；
(6)對各高頻子帶的廣義高斯模型形狀參數(shù)υ進(jìn)行判斷
若0＜υ＜0.5，按下式對噪聲圖像的無噪系數(shù)進(jìn)行估計，
其中
是無噪系數(shù)的估計，y是含噪系數(shù)，Cυ＝(2-υ)(2-2υ)-(1-υ/2-υ)η(υ)υ/(2-υ)，Γ是Gamma函數(shù)，o(y2(υ-1))是y2(υ-1)的高階無窮小量，σ是噪聲標(biāo)準(zhǔn)差；
若0.5≤υ＜1，則采用閾值進(jìn)行軟閾值處理；
(7)對低頻子帶和估計得到的無噪高頻子帶沿矩陣MΛ的變換方向和隊列方向分別進(jìn)行n1＝2與n2＝1次的一維小波逆變換；
(8)根據(jù)變換矩陣MΛ的變換方向和隊列方向加權(quán)綜合，重構(gòu)各個分割子(9)將重構(gòu)的各分割子圖按其在原圖像中的位置合成，得到去噪后的圖像。
2.根據(jù)權(quán)利要求1所述的去噪方法，其中步驟(2)所述的用二進(jìn)小波變換自適應(yīng)確定各分割子圖的Directionlet變換矩陣MΛ，按如下步驟進(jìn)行
2a)對分割子圖進(jìn)行二進(jìn)小波變換，得到其水平細(xì)節(jié)圖h(i，j)和垂直細(xì)節(jié)圖v(i，j)，其中(i，j)是二進(jìn)小波變換系數(shù)的位置，i，j＝1，2，...64；
2b)根據(jù)h(i，j)和v(i，j)，計算分割子圖在(i，j)處的方向θ(i，j)
若h(i，j)＜＜v(i，j)，即
若h(i，j)＞＞v(i，j)，即θ(i，j)＝0；
若或
2c)統(tǒng)計分割子圖的θ值，找出出現(xiàn)次數(shù)最多的兩個方向θ1和θ2；
2d)由θ1和θ2得到近似有理斜率r1和r2，r1≈arctanθ1＝b1/a1，r2≈arctanθ2＝b2/a2，根據(jù)有理斜率r1和r2，構(gòu)造變換矩陣其中沿r1的方向稱為變換矩陣MΛ的變換方向，沿r2的方向稱為隊列方向，a1，a2，b1，b2都是整數(shù)。
3.根據(jù)權(quán)利要求1所述的去噪方法，其中步驟(5)所說的估計廣義高斯模型的形狀參數(shù)υ和局部標(biāo)準(zhǔn)差σx，按如下步驟進(jìn)行
3a)設(shè)高頻子帶的大小為l1×l2，由含噪的高頻子帶系數(shù)Y計算出含噪高頻子帶系數(shù)的二階矩σY2和含噪高頻子帶系數(shù)的峰度kY
式中
是(i2，j2)處含噪高頻系數(shù)的平方，
是(i2，j2)處含噪高頻系數(shù)的4次方；
3b)由含噪高頻子帶系數(shù)Y，利用中值估計法求出噪聲標(biāo)準(zhǔn)差再根據(jù)噪聲標(biāo)準(zhǔn)差σ求出無噪系數(shù)的標(biāo)準(zhǔn)差
3c)由以上得到的kY，σY2和σ值，利用數(shù)值計算法求出形狀參數(shù)υ
3d)由含噪高頻子帶系數(shù)Y，利用最小均方誤差估計法得到無噪系數(shù)的初始估計
其中
是(i2，j2)處無噪系數(shù)的初始估計值，其中，
是(i2，j2)處的含噪高頻系數(shù)，i2＝1，2，...l1，j2＝1，2，...l2；
3e)由形狀參數(shù)υ和無噪系數(shù)的初始估計值X，計算出局部標(biāo)準(zhǔn)差σx＝SE
其中S是只與形狀參數(shù)υ有關(guān)的因子，
是(i3+p，j3+q)處無噪系數(shù)的初始估計值，i3＝2，...l1-1，j3＝2，...l2-1，E是大小為5×5的局部鄰域內(nèi)無噪系數(shù)初始估計值的絕對均值。
全文摘要
本發(fā)明公開了一種基于改進(jìn)Directionlet域的廣義高斯模型圖像去噪方法，主要解決現(xiàn)有去噪方法邊緣細(xì)節(jié)丟失嚴(yán)重、均勻區(qū)域過平滑的問題。其實現(xiàn)步驟為(1)選測試圖像，加入高斯噪聲，得到噪聲圖像；(2)對噪聲圖像進(jìn)行子圖分割，確定各子圖的變換矩陣；(3)對子圖采樣，得到陪集；(4)對各陪集進(jìn)行各向異性小波變換；(5)估計高頻子帶廣義高斯模型的形狀參數(shù)和局部標(biāo)準(zhǔn)差；(6)由含噪系數(shù)估計無噪系數(shù)；(7)對無噪系數(shù)進(jìn)行各向異性小波逆變換；(8)根據(jù)變換矩陣加權(quán)綜合，重構(gòu)各子圖；(9)將重構(gòu)的子圖合成，得到去噪結(jié)果。本發(fā)明具有邊緣細(xì)節(jié)保持好、均勻區(qū)域失真少和峰值信噪比高的優(yōu)點(diǎn)，可用于去除自然圖像中的高斯噪聲。
文檔編號G06T5/00GK101719268SQ200910219348
公開日2010年6月2日 申請日期2009年12月4日 優(yōu)先權(quán)日2009年12月4日
發(fā)明者焦李成, 侯彪, 張冬翠, 劉芳, 王爽, 張向榮, 馬文萍 申請人:西安電子科技大學(xué)