[发明专利]基于PCNN区域分割的NeighShrink图像去噪方法

说明书

技术领域

本发明属于图像处理技术领域，具体涉及一种基于PCNN区域分割的NeighShrink图像去噪方法。

背景技术

由于受到图像采集设备、图像传输过程和存储设备等影响，数字图像大多会被噪声污染，图像质量会降低，影响视觉效果以及图像复原、分割、特征提取、模式识别等后续工作。因此，对噪声抑制处理是图像处理中非常重要的一项工作。

由于小波变换具有低熵性、多分辨率、去相关性和选基灵活性等特点，采用小波变换对图像进行去噪处理可获得非常好的效果。利用小波变换进行去噪处理出现了很多方法，其中NeighShrink方法[1，2]为每个系数设置单独的阈值，取得了较好的图像去噪效果。但是NeighShrink方法进行去噪处理时，会将图像的边缘信息过度抑制，或者将相关性更强的邻域人为地破坏。

脉冲耦合神经网络(Pulse Coupled Neural Networks，PCNN)是一种新型人工神经网络，与传统意义上的人工神经网络有着根本性的差别，以其更接近生物视觉机制的优越性，被广泛应用在图像处理中。采用PCNN进行图像分割的结果主要取决于图像特征，因此可将图像的自然属性作为确定其参数的重要依据。这样图像分割的效果更符合图像自身的特点。

发明内容

本发明是针对现有技术的上述不足，提供了一种基于PCNN区域分割的NeighShrink图像去噪方法。该方法根据脉冲耦合神经网络的特点，将NeighShrink方法中处理的邻域范围自适应地确定，并和NeighShrink方法进行有效的互补，从而更好地恢复原图像，保护了边缘信息，改善去噪性能。

一种基于PCNN区域分割的NeighShrink图像去噪方法，包括下列步骤：

步骤1：将含噪图像f(x，y)进行二维平稳小波变换，分别获得子带系数：低频系数、水平细节系数、垂直细节系数和对角细节系数；

步骤2：对第一层的低频系数利用PCNN进行区域分割，将分割后得到的图像信息记为domain_PCNN；

步骤3：根据NeighShrink方法确定需要与步骤2进行相交处理的图像邻域domain_NeighShrink；

步骤4：设d_m，n当前待阈值的图像系数，利用d_m，n∈{domain_PCNN}∩{domain_NeighShrink}得到当前阈值处理所需要的邻域；

步骤5：将低频系数保持不变，对利用步骤4中得到的邻域对各层的水平细节系数、垂直细节系数和对角细节系数分别进行NeighShrink邻域阈值处理；步骤6：将低频系数和滤波后的高频子带进行平稳小波重构，即可得到去噪后图像

本发明提供的基于PCNN区域分割的NeighShrink图像去噪方法，充分利用了平稳小波变换的信息冗余性及平移不变性，以及PCNN在复杂图像环境中提取有效信息的特性，自适应地将图像分割成性质相近的邻域，及考虑到小波系数的层内相关性，用NeighShrink方法进行补充，并且以此为据提供了一种基于PCNN区域分割的NeighShrink图像去噪方法，达到较高的峰值信噪比，具有更好的图像去噪效果。

附图说明

图1PCNN中单个神经元的模型。

图2PCNN分割区域规则。

图3改进的NeighShrink区域连接图。

图4NeighShrink邻域示意图。

图5本发明去噪处理样图。图5(a)为去噪处理样图原图；图5(b)为样图加噪图像；图5(c)～(h)为使用本发明去噪方法去噪处理后图像，其中，(c)NeighShrink的3×3邻域窗口；(d)NeighShrink的5×5邻域窗口；(e)NeighShrink的7×7邻域窗口；(f)本发明方法的3×3邻域窗口；(g)本发明方法的5×5邻域窗口；(h)本发明方法的7×7邻域窗口。

具体实施方式

下面通过附图和实施例对本发明做进一步详述。

1.对图像进行平稳小波变换

平稳小波变换在每一尺度都产生相同数目的小波系数，数字图像f(x，y)的二维平稳小波变换，其分解公式为：