[发明专利]基于改进ATV与形态学的NSCT域声呐图像融合去噪方法及设备

说明书

基于改进ATV与形态学的NSCT域声呐图像融合去噪方法及设备，涉及一种NSCT声呐图像融合去噪方法及设备。本发明为了解决现有图像去噪方法的去噪效果差、保持边缘能力不足和运算效率低的问题。本发明采用基于改进惩罚项参数λ的ATV对含噪图像进行处理，改进的惩罚项参数λ根据信息熵H(x,y)、平均梯度G(x,y)和边缘强度E(x,y)自适应获取，ATV为各向异性全变差；同时利用形态学运算对含噪图像进行处理；然后采用NSCT对ATV处理的结果和形态学运算处理的结果进行分解和重构，得到去噪后的图像；NSCT为非下采样轮廓波变换。本发明用于声呐图像的融合去噪。

技术领域

本发明属于声呐图像去噪技术领域，具体涉及一种NSCT声呐图像融合去噪方法及设备。

背景技术

声呐是反馈海洋信息的最主要方式，由于受海风、洋流、水温、杂质以及成像设备等影响，使用声呐探测技术得到的图像所受的噪声干扰远比光学图像更严重，通常包含着各种类型的噪声，主要变表现为颗粒状的斑点。斑点噪声是乘性噪声，因此导致图像质量严重下降，图像模糊，边缘细节丢失等，对后续的图像分割，图像识别等产生不利影响。近几年对于声呐图像去噪处理常使用的算法有：小波变换、contourlet变换等，小波去噪并不能很好的得到边缘及轮廓特征，脊波变换只能表示直线奇异特征，无法有效描述信号中的曲线奇异特征；曲波变换结构复杂，运算量大等，这些方法导致去噪时图像细节特征无法得到准确捕捉、去噪效率低的问题。当前，光学图像去噪算法多种多样，例如偏微分方程降噪，全变差去噪，数学形态学去噪等，忽略了像素本身固有的特性，会导致图像模糊或者细节丢失情况。

综上所述，现有的声呐图像去噪方法存在去噪效果不明显、边缘保持能力差以及运算效率低的问题，所以，如何在噪声干扰严重的情况下有效去除声呐图像中的噪声、提高边缘保持能力和运算效率是亟需解决的问题。

发明内容

本发明为了解决现有图像去噪方法的去噪效果差、保持边缘能力不足和运算效率低的问题，进而提出一种基于改进ATV与形态学的NSCT域声呐图像融合去噪方法。

基于改进ATV与形态学的NSCT域声呐图像融合去噪方法，采用基于改进惩罚项参数λ的ATV对含噪图像进行处理，改进的惩罚项参数根据信息熵H(x,y)、平均梯度G(x,y)和边缘强度E(x,y)自适应获取，ATV为各向异性全变差；同时利用形态学运算对含噪图像进行处理；采用NSCT对ATV处理的结果和形态学运算处理的结果进行分解和重构，得到去噪后的图像；NSCT为非下采样轮廓波变换。

进一步地，所述采用基于改进惩罚项参数λ的ATV对含噪图像进行处理是采用Bregman迭代算法实现。

进一步地，所述基于改进惩罚项参数λ的ATV的表达式如下：

其中，||d_x||₁、||d_y||₁表示垂直和水平方向梯度的l¹范数，||·||₂表示l²范数；分别为垂直和水平方向的梯度，μ为正则系数，u、u₀分别为去噪后图像和含噪图像，分别为辅助向量。

进一步地，所述辅助向量b^k的迭代如下式所示；

其中，b^k表示第k步迭代的辅助向量表示第k+1步迭代的垂直和水平方向的梯度d^k+1表示第k+1步迭代的垂直和水平方向的梯度

进一步地，迭代过程中垂直和水平方向的梯度按照如下公式进行更新；

其中，shrink表示收缩函数；分别为第k+1次迭代对应的水平和垂直方向上的梯度。