摘 要: 二維經(jīng)驗(yàn)?zāi)B(tài)分解(Bidimensional Empirical Mode Decompositio,BEMD)是一種優(yōu)秀的多尺度幾何分析工具,,特別適用于非線性,、非平穩(wěn)信號(hào)的分析處理。以BEMD與新型隱馬爾可夫樹(Hidden Markov Tree,,HMT)模型理論為基礎(chǔ),,提出了一種基于BEMD的新型HMT模型的圖像去噪算法。該算法的基本思想是,,首先對(duì)含噪圖像進(jìn)行BEMD變換,,然后采用新型HMT模型對(duì)BEMD系數(shù)進(jìn)行建模,并通過(guò)期望最大(EM)算法對(duì)圖像BEMD的HMT模型參數(shù)進(jìn)行估計(jì),最后對(duì)訓(xùn)練后的BEMD系數(shù)進(jìn)行逆變換,,以獲得去噪圖像,。仿真實(shí)驗(yàn)結(jié)果表明,該算法不僅擁有較強(qiáng)的抑制噪聲能力,,而且具有較好的邊緣保護(hù)能力,,其整體性能優(yōu)于現(xiàn)有HMT圖像去噪方案。
關(guān)鍵詞: 圖像去噪,;二維經(jīng)驗(yàn)?zāi)B(tài)分解,;隱馬爾可夫樹;參數(shù)估計(jì)
0 引言
圖像在獲取和傳輸?shù)倪^(guò)程中,,經(jīng)常會(huì)受到各種噪聲的污染,。噪聲的存在將大大降低原圖像的分辨率,從而嚴(yán)重影響后續(xù)的圖像處理,,如圖像檢索,、圖像分割等。圖像去噪的關(guān)鍵和難點(diǎn)在于抑制噪聲的同時(shí)保護(hù)邊緣紋理,。
一般說(shuō)來(lái),,傳統(tǒng)圖像去噪方法大致可以劃分為雙邊濾波、非局部均值,、條件隨機(jī)場(chǎng),、各向異性擴(kuò)散和統(tǒng)計(jì)模型方法等[1]。
雙邊濾波[2]不僅考慮空間位置上的距離關(guān)系,,同時(shí)也考慮相鄰像素灰度值之間的距離關(guān)系,,通過(guò)對(duì)二者的非線性組合,在去除噪聲的同時(shí)實(shí)現(xiàn)了對(duì)邊緣信息的良好保留,,然而,,它常常使圖像過(guò)于平滑。非局部均值法[3]是利用圖像中具有重復(fù)結(jié)構(gòu)的性質(zhì)來(lái)去除噪聲,,可以得到較好的去噪效果,,但它計(jì)算復(fù)雜度高,限制了其實(shí)際應(yīng)用,。條件隨機(jī)場(chǎng)(CRFs)[4]建模比較靈活,,且不需要明確的先驗(yàn)?zāi)P停欢?,在真?shí)世界中,,很難找到擁有全局最小值的能量函數(shù)。各向異性擴(kuò)散法[5]能在保持邊緣的前提下平滑噪聲,,獲得較好的去噪效果,,但是該方法過(guò)于平滑圖像且邊界過(guò)于尖銳,以至于喪失了很多紋理信息。統(tǒng)計(jì)模型法[6]通?;诤?jiǎn)單的統(tǒng)計(jì)模型去刻畫圖像信息,,這些信息往往是自然圖像的某些共同特征。統(tǒng)計(jì)模型的目的就是使用少量的參數(shù)捕獲這些典型的特征,,并且將這些特征在圖像處理中作為先驗(yàn)信息使用,。
傳統(tǒng)分析工具對(duì)于圖像邊緣紋理信息捕獲不是很理想,二維經(jīng)驗(yàn)?zāi)B(tài)分解(Bidimensional Empirical Mode Decoposition,,BEMD)[7-8]是一種新型的自適應(yīng)信號(hào)時(shí)頻處理方法,,特別適用于非線性、非平穩(wěn)信號(hào)的分析處理,。這種方法的主要思想是把一個(gè)時(shí)間序列的信號(hào)分解成不同尺度的本征模函數(shù)(IntrinsicMode Function,,IMF),分解后的本征模態(tài)函數(shù)的頻率逐步降低,,并在分解過(guò)程中保持信號(hào)本身的特性,。它與傳統(tǒng)方法的主要不同之處在于不需要事先選擇“基函數(shù)”,而是根據(jù)信號(hào)本身的特性自適應(yīng)地產(chǎn)生合適的表示函數(shù),,與小波方法相比有更好的時(shí)頻特性。綜合各種模型和多分辨率分析方法的優(yōu)缺點(diǎn),,提出了一種基于BEMD域的新型HMT模型去噪算法,。
1 BEMD變換
BEMD[7-8]可以將信號(hào)分解為多個(gè)局部窄帶的IMF和殘差趨勢(shì)項(xiàng)的和:
其中f(x)代表信號(hào),n為分解層數(shù),,imfi(x)表示第i層IMF,,rn(x)表示殘差趨勢(shì)項(xiàng)。二維經(jīng)驗(yàn)?zāi)B(tài)分解算法簡(jiǎn)述如下:
?。?)初始化:r0(x1,,x2)=f(x1,x2),,j=1,。
(2)篩選抽取第j個(gè)IMF:
?、俪跏蓟篽0(x1,,x2)=rj-1(x1,x2),,i=1,。
②提取hj-1(x1,,x2)的上包絡(luò)hupper(x1,,x2)、下包絡(luò)hlower(x1,x2)和包絡(luò)均值mj-1(x1,,x2),。
③hj(x1,,x2)=hj-1(x1,,x2)-mj-1(x1,x2),。
?、苡?jì)算終止條件SD:
其中,Maxmid為mi-1(x1,,x2)的絕對(duì)值的最大值,;Maxma為f(x1,x2)的絕對(duì)值的最大值,。
?、萑鬝D小于給定閾值ε,則imfj(x1,,x2)=hi-1(x1,,x2);否則令i=i+1,,轉(zhuǎn)到步驟②,。
(3)rj(x1,,x2)=rj-1(x1,,x2)-imfj(x1,x2),。
?。?)得到BEMD分解表達(dá):
2 BEMD域的新型HMT圖像去噪
首先對(duì)圖像進(jìn)行BEMD變換,得到高頻子帶IMF和低頻子帶rn(x),。大量實(shí)驗(yàn)結(jié)果表明,,噪聲主要存在于分解的高頻子帶,而低頻子帶中幾乎不含有噪聲能量,,所以接下來(lái)只對(duì)高頻子帶進(jìn)行去噪處理,。
2.1 計(jì)算變換系數(shù)的條件概率密度
含有加性高斯白噪聲的圖像經(jīng)過(guò)變換后,其系數(shù)所含噪聲依然為加性,。根據(jù)這一原理,,可以使用卷積運(yùn)算得到噪聲系數(shù)的條件概率密度[9-12]:
由于卷積計(jì)算非常困難,此處采用GSM方法表示式(3),,其方差為zCX+CW,,在隱乘子z下的條件概率密度為:
fY|Z(y|z)=N(y,;0,zCX+CW)(4)
對(duì)fY|Z(y|z)進(jìn)行積分運(yùn)算:
2.2 計(jì)算系數(shù)尺度間平均圓錐比率概率密度
之前的HMT模型去噪算法基本上都是只考慮了系數(shù)尺度內(nèi)的關(guān)系,,忽略了尺度間的關(guān)系,。系數(shù)尺度間比率(Average Cone Ratio,ACR)[10]能夠很好地描述圖像分解后每個(gè)尺度間系數(shù)的特性,,結(jié)合鄰域間的關(guān)系,,把它定義為:
其中,j表示尺度,,l表示中心點(diǎn)位置,,yj,m表示變換系數(shù),。子帶中每個(gè)點(diǎn)都有自己的圓錐比率,,但是我們需要計(jì)算的是某個(gè)點(diǎn)的平均圓錐比率,這才是后面進(jìn)行聯(lián)合概率密度計(jì)算時(shí)需要的,。首先,,求出子帶所有點(diǎn)的圓錐比率之和,然后除以系數(shù)的個(gè)數(shù)得到整個(gè)子帶的平均圓錐比率,,最后點(diǎn)A的平均圓錐比率等于A點(diǎn)的圓錐比率除以整個(gè)子帶的平均圓錐比率,。
2.3 新型HMT樹訓(xùn)練
在2.1、2.2節(jié)中計(jì)算出了變換系數(shù)尺度內(nèi)的條件概率密度|yl|以及變換系數(shù)尺度間對(duì)應(yīng)位置的平均圓錐比率?茁,,使用聯(lián)合概率密度函數(shù)[10]:
求出上述聯(lián)合概率密度之后,,應(yīng)用新型HMT模型對(duì)BEMD變換系數(shù)進(jìn)行訓(xùn)練,詳細(xì)步驟如下[12]:
?。?)對(duì)每一個(gè)高頻子帶,估計(jì)它們的指數(shù)分布參數(shù):?專={τ,,CX},。
(2)計(jì)算條件概率密度f(wàn)M|S(m|s=0)和fM|S(m|s=1),。
?。?)為了加快訓(xùn)練速度,采用如下狀態(tài)概率進(jìn)行初始化:
?。?)使用EM算法進(jìn)行訓(xùn)練,,其中,E步:估計(jì)隱狀態(tài)變量的概率,;M步:更新,,最大化似然函數(shù)。
?。?)一直遞歸運(yùn)算,,直到收斂,。
2.4 使用貝葉斯規(guī)則進(jìn)行去噪
隱狀態(tài)概率已經(jīng)在HMT中被計(jì)算出來(lái),所以可以使用收縮函數(shù)算法進(jìn)行去噪:
通過(guò)式(8)對(duì)含噪圖像進(jìn)行去噪,,得到去噪后系數(shù),,應(yīng)用BEMD逆變換得到去噪后圖像。
3 仿真實(shí)驗(yàn)結(jié)果
為了檢驗(yàn)本文算法的正確性和有效性,,實(shí)驗(yàn)中比較了ProbShrink去噪,、BLS-GSM去噪、SUREbivariate去噪,、Contourlet HMT去噪以及C-CHMM去噪,,實(shí)驗(yàn)結(jié)果如表1、圖1所示,。
從表1中可以看出,,與ProbShrink去噪、BLS-GSM去噪,、SUREbivariate去噪相比,,本文方法的PSNR值較高,尤其是Barbara圖像,。與Contourlet HMT去噪,、C-CHMM去噪相比,本文方法有0.5 dB~1 dB的提高,。
同時(shí)為了從主觀上比較本文算法與以上HMT算法的去噪效果,,給出了Lena圖像去噪主觀結(jié)果的比較。圖1中包含了去噪圖像的對(duì)比以及殘差圖像的對(duì)比,。從圖1中可以看出,,BEMD+新型HMT去噪后的圖像得到了適度的平滑,同時(shí)細(xì)節(jié)信息比較完整地保存了下來(lái),,視覺效果有明顯改善,。綜上所述,本文方法更好地保存了原始圖像的細(xì)節(jié)特征,,同時(shí)有效消除了噪聲,,在圖像質(zhì)量和PSNR值的表現(xiàn)上都有顯著的提升,視覺效果有明顯的改善,。
本文算法性能突出,,歸結(jié)為以下兩個(gè)原因:(1)新型HMT利用聯(lián)合概率密度對(duì)系數(shù)進(jìn)行訓(xùn)練,通過(guò)描述系數(shù)尺度內(nèi)與尺度間的多種關(guān)系,,可以較好地保存圖像的細(xì)小邊緣和紋理等信息,,明顯地改善了圖像的視覺效果;(2)BEMD具有多尺度,、多方向性,,能夠有效捕捉圖像中的幾何特征及對(duì)圖像進(jìn)行稀疏表示,,為圖像去噪提供更多的有用信息,保留更多的細(xì)節(jié)信息,。
4 總結(jié)
本文提出了一種基于BEMD域新型HMT的圖像去噪方法,。首先在BEMD變換的基礎(chǔ)上利用HMT建立圖像模型,然后通過(guò)貝葉斯估計(jì)得到去噪后的圖像,。實(shí)驗(yàn)結(jié)果表明,,該方法能很好地去除圖像中的高斯白噪聲,提取圖像的輪廓細(xì)節(jié),,提高去噪圖像的PSNR值,。與其他的去噪方法相比,BEMD+新型HMT的去噪方法不僅在去噪性能指標(biāo)而且在邊緣保持的主觀視覺上都表現(xiàn)出優(yōu)異的性能,。
參考文獻(xiàn)
[1] QIU P,, MUKHERJEE P S. Edge structure preserving image denoising[J]. Signal Processing, 2010,,90(10):2851-2862.
[2] TIAN C,, KRISHNAN S. Accelerated bilateral filtering with block skipping[J]. IEEE Signal Processing. Lett, 2013,,20(5):419.
[3] 鄭鈺輝,,孫權(quán)森,夏德深,,基于2DPCA的有效非局部濾波方法[J].自動(dòng)化學(xué)報(bào),,2010,36(10):1379-1389.
[4] CHEN S,, LIU M,, ZHANG W. Edge preserving image denoising with a closed form solution[J]. Pattern Recognition, 2013,,46(3):976-988.
[5] TSIOTSIOS C,, PETROU M. On the choice of the parameters for anisotropic diffusion in image processing[J]. Pattern Recognition, 2013,,46(5):1369-1381.
[6] Sun Qi, Wang Yaming,, Xu Chunxia. Fabric image denoising method based on wavelet-domain HMT model[J]. Multimedia and Signal Processing,, 2012,346(9):383-388.
[7] 李峰,,呂回.基于BEMD和小波閾值的MRI醫(yī)學(xué)圖像去噪[J].中國(guó)圖象圖形學(xué)報(bào),,2009,14(10):1972-1977.
[8] 王婷.EMD算法研究及其在信號(hào)去噪中的應(yīng)用[D].哈爾濱:哈爾濱工程大學(xué),,2010.
[9] FATHI A,, NAGHSH-NILCHI A R. Efficient image denoising method based on a new adaptive wavelet packet thresholding function[J]. IEEE Trans. on Image Processing,, 2012,21(9):3981-3990.
[10] PIZURICA A,, PHILIPS W,, LEMAHIEU I, et al. A joint inter-and intrascale statistical model for bayesian wavelet based image denoising[J]. IEEE Trans. on Image Processing,, 2002,,11(5):545-557.
[11] Hou Biao, Zhai Yanxia,, Jiao Licheng. Second generation bandelet-domain hidden markov tree-3S model for SAR image segmentation[J]. Journal of Infrared and Millimeter Waves,, 2010,29(2):145-149.
[12] 劉陽(yáng)成.圖像去噪的若干問(wèn)題研究[D].大連:遼寧師范大學(xué),,2014.