[发明专利]基于灰关联阈值的图像去噪方法

说明书

技术领域

本发明涉及一种图像去噪方法，尤其涉及一种基于灰关联阈值的图像去噪方法，属于图像处理中的图像去噪领域。

背景技术

图像去噪是图像处理的重要环节之一，是后续处理的关键步骤，其目的是为了提高图像的信噪比，改善图像质量，尽可能地减少噪声对后续图像处理的影响。图像去噪具有很高的应用价值，对实际工程的初期处理有巨大的帮助。

为了满足图像去噪实际运用的需要，目前涌现大量的图像去噪算法，如小波方法、多尺度几何分析方法、偏微分方程方法、非局部均值方法等等。这些去噪方法虽然能够较好地实现去噪目的，但是大部分算法都是建立在图像噪声已知的前提下的，而事实上大部分情况下图像噪声都是未知的。近年来，灰色关联理论在图像处理的应用上有一定的发展，灰色关联分析方法对于样本的多少和有无规律同样适用，非常符合噪声图像中噪声无规律分布的特点，而且计算量小，对于实际应用有一定的意义。

目前国内外涉及灰色关联理论的相关图像去噪方法主要有：(1)洪俊田等人提出利用灰色关联理论进行图像去噪，洪俊田，陶剑峰，李刚等，基于灰色关联的数字图像去噪研究，武汉理工大学学报，2006.30，这种方法主要是针对均值滤波器进行改进。(2)陶剑峰等人将灰色关联用于改进加权均值滤波，陶剑峰，陈伏虎，李方菊等，基于灰色关联度的图像自适应加权均值滤波，声学与电子工程，2006.2，这种方法用灰色关联理论对滤波器进行改进。(3)马苗等人提出结构相似灰关联的图像去噪算法，马苗，焦莉莉，结构相似性灰关联在强噪声图像增强中的应用，西安电子科技大学学报，2010.37，这种方法利用了小波系数在各个分解尺度下的关联度进行系数的筛选。

上述方法主要是对传统的均值和中值算法的优化，或者仅仅考虑到系数尺度间的关系，并没有涉及到尺度间各个方向上的相关性，且算法参数的设定较困难。

发明内容

本发明针对现有涉及灰关联理论的图像去噪方法存在的不足，而提出一种基于灰关联阈值的图像去噪方法。

该方法包括如下步骤：

步骤1：对输入的噪声图像进行三尺度小波分解，基于灰色关联原理，根据各尺度和方向下小波系数的特性，计算各尺度和方向下小波系数之间的灰色关联度；

步骤2：根据小波系数的特点，对步骤1得到的灰色关联度进行分析，构造各尺度和方向下小波系数的灰色关联阈值；

具体步骤为：

(1)对标准图像，按步骤1获得各尺度和方向下小波系数之间的灰色关联度，并分析所得灰色关联度之间的关系；

(2)对不同噪声大小的噪声图像，按步骤1获得各尺度和方向下小波系数之间的灰色关联度，并分析噪声大小对相应灰色关联度的影响；

(3)根据步骤(1)和步骤(2)分析得到的结果，构造灰色关联阈值。

步骤3：利用步骤2构造的灰色关联阈值对相应的小波系数进行筛选，并将筛选后的小波系数进行重构，进而获得去噪后的图像。

技术效果：

本发明是在对小波系数分布特征分析的基础上，将灰色关联理论运用到各尺度和各方向下小波系数的分析中，利用不同因素对关联度的影响特点而建立的一种基于灰关联阈值的图像去噪方法。本发明方法在去除图像噪声的同时也较好地保持了图像的边缘信息，去噪图像在视觉上优于传统去噪方法，去噪效果更好。同时，本发明对于不同类型的图像也有较好的适应性。

附图说明

图1为本发明的方法流程图。

图2为图像在小波三尺度分解下的各子带示意图。

图3为实例实验中各尺度间的灰色关联度示意图。

图4为实例实验中噪声大小对尺度关联度的影响示意图。

图5为实例实验中方向关联度与尺度的关系示意图。

图6为实例实验中噪声大小对方向关联度的影响示意图。

具体实施方式

下面对本发明方法作进一步说明。

本发明方法的流程如图1所示，该方法主要包括如下三个步骤：

步骤1：获取小波系数的灰色关联度。

该步骤又分为如下几步：

(a)输入尺寸为M×N的噪声图像u，并对该噪声图像u进行三尺度小波分解，如图2所示，其中LL为平滑分量，HH为对角线方向细节分量，LH为垂直方向细节分量，HL为水平方向细节分量。

(b)利用小波分解得到各尺度和方向下的小波系数序列，以水平方向下的三尺度序列为例，HL1、HL2、HL3分别对应的小波系数序列为c_1，n1、c_2，n2、c_3，n3。