论文部分内容阅读
图像去噪的基本思想是在尽可能保留原始图像信息的前提下最大程度的去除噪声。论文主要研究了基于小波变换域和Contourlet变换域图像去噪方法。小波变换具有三个细节方向，对图像能够实现一定的稀疏性表示，但只能最优的表示图像中的点信息，Contourlet变换具有多方向性且各向异性的优点，因为它有无数个方向性，所以对于二维图像的逼近表示效果最好，对二维图像曲线、直线具有的奇异性表示能力很强。本课题的研究目的是发挥小波变换和Contourlet变换各自的优点，研究出去噪效果良好、能很好保留图像边缘细节纹理信息且具有较高信噪比的去噪方法。本文主要内容有：（1）阐述了图像去噪算法的研究背景、意义和研究现状，介绍了Contourlet变换产生和发展的背景。进一步介绍了图像去噪的概念、基本框架、特点、分类和应用，以及典型的图像去噪算法，列举了图像去噪效果的评价准则。（2）简略阐述了小波分析及多分辨率多尺度分析理论的内容，并详细介绍了小波变换与Contourlet变换的一般理论原理。（3）介绍了Bayes估计阈值估计方法。在高斯白噪声背景下，根据噪声和信号的小波系数在不同分解尺度、不同方向上高频系数的分布不同，结合Context模型，提出一种基于Context模型的小波变换阈值自适应图像去噪算法。该算法通过对不同尺度和方向的小波分解系数应用不同的阈值方法进行去噪。实验表明，本方法能较好地去除图像噪声和保留图像边缘细节信息，并在提高去噪图像PSNR值和改善视觉效果方面都表现出了良好的性能。（4）在高斯白噪声背景下，提出了一种Context模型统计Contourlet系数分布特性的图像去噪。通过深入分析Contourlet变换系数的分布特性，根据噪声和信号的Contourlet分解系数在不同分解尺度、不同方向上的分布不同，利用Context模型对其合理分类，并利用Bayes阈值估计方法确定各类合适的去噪阈值。实验证明，本算法能较好的去除图像噪声和保留图像边缘细节信息，并在改善视觉效果方面上表现出更优的性能。为了验证本文算法的有效性和优越性，对不同的经典图像进行了去噪实验。实验结果表明，本文提出的方法无论是客观评价指标上还是视觉效果上都优于小波软硬阈值去噪、Contourlet软硬阈值去噪等经典去噪方法。