基于非下采样轮廓波域混合统计模型的红外图像降噪方法

技术领域

本发明涉及一种红外图像降噪方法，尤其是关于一种基于非下采样轮廓波域(Non-SubsampledContourletDomain)混合统计模型的红外图像降噪方法，适用于受到高斯噪声污染的红外图像降噪。

背景技术

红外成像应用中的红外探测器是系统噪声的主要来源，是影响红外图像质量的主要因素，它的强度一般情况下远大于其它环节产生的噪声，同时也是最难以克服的。探测器本身的噪声是无法避免的，按照其产生的机理可分为散粒噪声、热噪声、光子噪声、产生复合噪声和噪声等。其中，散粒噪声、热噪声、光子噪声和产生复合噪声所产生的探测器电流输出是一个随机过程，由中心极限定理近似服从高斯分布。噪声是红外探测器低频部分的一种电流噪声，顾名思义，噪声与频率成反比，当频率高于一定频率时，与其它噪声相比可忽略不计。因此，可认为影响红外图像质量的噪声服从高斯分布。图像噪声会造成图像退化、图像特征被掩盖，直接影响图像分割、特征提取等后续工作的准确性，因此，抑制红外图像噪声、提升图像质量是红外成像应用中图像处理和分析的前提。

发明内容

本发明的主要目的是公开一种新的红外图像降噪方法，有效抑制红外图像噪声，提升图像质量。

本发明是采用以下技术方案及技术措施来实现的。

本发明提出一种基于非下采样轮廓波域混合统计模型的红外图像降噪方法，包括如下步骤：

S1：将被噪声污染的红外图像进行非下采样轮廓波变换，分解得到非下采样轮廓波域的带通子带系数和低频子带系数，其中，,s表示非下采样轮廓波变换分解的总尺度数，,D表示第k层分解的方向数，i、j表示变换系数矩阵的行和列坐标；

S2：将所述带通子带系数分为噪声系数和图像信号系数，根据高斯分布，建立所述噪声系数模型，根据广义拉普拉斯分布，建立所述图像信号系数模型；

S3：由所述噪声系数模型和信号系数模型，在贝叶斯理论下基于最大后验概率准则，得到带通子带系数的降噪比例因子；

S4：根据所述降噪比例因子，对被噪声污染的带通子带系数进行降噪，得到降噪后非下采样轮廓波域实际图像信号的带通子带系数；

S5：对所述带通子带系数和低频子带系数进行非下采样轮廓波反变换，将处理空间变换回空域，实现红外图像的降噪。

较佳的，前述基于非下采样轮廓波域混合统计模型的红外图像降噪方法，所述非下采样轮廓波变换的塔型滤波器为9-7，方向滤波器为pkva，分解尺度为3，方向子带数分别为16，8，4。

较佳的，前述基于非下采样轮廓波域混合统计模型的红外图像降噪方法，所述噪声系数模型为：，是图像噪声标准差，对于实际污染图像，可通过计算非下采样轮廓波变换最低尺度各个方向带通系数的绝对值中值来估计。

较佳的，前述基于非下采样轮廓波域混合统计模型的红外图像降噪方法，所述图像信号系数模型为：，其中，，是Gamma函数，参数，由最大似然函数确定其估计值。

较佳的，前述基于非下采样轮廓波域混合统计模型的红外图像降噪方法，所述降噪比例因子的表达式为：，参数表示总体分布特性的权重，由最大似然函数确定其估计值。

较佳的，前述基于非下采样轮廓波域混合统计模型的红外图像降噪方法，对所述被噪声污染的带通子带系数进行降噪，是将其带入非下采样轮廓波变换的系数降噪表达式：，从而得到所述非下采样轮廓波域带通子带的实际图像信号系数。

与现有技术相比，本发明基于非下采样轮廓波域混合统计模型的红外图像降噪方法至少具有下列优点及有益效果：本发明在非下采样轮廓波域将带通子带的噪声系数和信号系数分别按照高斯分布和广义拉普拉斯分布进行建模，然后在贝叶斯理论下基于最大后验概率准则，得到降噪比例因子，根据降噪比例因子，对被噪声污染的带通子带系数进行降噪，进而通过非下采样轮廓波反变换实现红外图像降噪。依据本发明的方法处理图像的峰值信噪比高，能有效去除图像中的高斯白噪声，较好地保持图像的边缘，特别是在噪声较大的情况下去除噪声的能力更加明显，是解决红外图像降噪问题的一种实用方法。

附图说明

图1是本发明基于非下采样轮廓波域混合统计模型的红外图像降噪方法的流程图。

图2是用本发明方法和现有三种方法对高斯噪声标准差为30的Barbara图像进行去噪的效果对比图。

图3是用本发明方法和现有三种方法对高斯噪声标准差为50的Barbara图像进行去噪的效果对比图。

图4是用本发明方法和现有三种方法对高斯噪声标准差为30的红外舰船图像进行去噪的效果对比图。

图5是分别用本发明方法和现有三种方法对实际飞机红外图像进行去噪的的效果对比图。

具体实施方式

下面结合附图和实施例对本发明进一步说明。附图为简化示意图，用以说明本发明的基本结构。

图1是本发明基于非下采样轮廓波域混合统计模型的红外图像降噪方法的流程图，参考图1，本发明基于非下采样轮廓波域混合统计模型的红外图像降噪方法包括如下步骤：

步骤一、将受到噪声污染的红外图像变换到非下采样轮廓波域：

小波变换具有良好的时频局域化特性和多分辨率特性，在图像降噪中得到了广泛的应用。小波变换能有效地表示信号的零维奇异特征，但是对于更高维的特征则显得力不从心。在二维图像中，由于边缘、轮廓和纹理等具有高维奇异性的几何特征包含了大部分信息，小波不再是表示图像的最优基。轮廓波变换（即Contourlet变换）是一种真正的图像二维表示方法，它将小波的优点延伸到高维空间，能够更好地刻画高维信息的特性，更适合处理具有超平面奇异性的信息。但是由于采样操作，轮廓波变换不具备平移不变性，在利用它进行图像降噪时，奇异点周围会引入伪吉布斯(Gibbs)现象。

利用非下采样塔式分解和非下采样滤波器组构造出了非下采样轮廓波变换(Non-SubsampledContourletTransformNSCT)，具有平移不变性。非下采样轮廓波变换继承了轮廓波变换的多尺度、多方向以及良好的空域和频域局部特性，变换后系数能量更加集中，能够更好地捕捉和跟踪图像中重要的几何特征。同时，由于没有上采样和下采样，因此图像的分解和重构过程中不具有频率混叠项，这使得非下采样轮廓波变换具有平移不变性，以及各级子带图像与原图像具有尺寸大小相同的特性。本发明中，非下采样轮廓波变换变换的塔型滤波器为“9-7”，方向滤波器为“pkva”，分解尺度为3，方向子带数分别为[16,8,4]。

步骤二、在非下采样轮廓波域对噪声系数和图像信号系数建模：

非下采样轮廓波域信号系数尺度间和尺度内同方向子带内相关性强，噪声系数层间相关性较弱、层内无相关性。基于此，将非下采样轮廓波变换的带通子带系数分为噪声系数和信号系数两类并分别建模。信号系数包含了图像的大部分信息及主要的边缘和纹理，相邻尺度间的系数相关性较强，分解系数的统计分布在原点处的峰值更尖锐，并具有长拖尾，可采用广义的拉普拉斯分布来建模。噪声系数主要是噪声和微小细节的贡献，本发明采用具有强局部相关的零均值高斯分布来建模。

噪声所贡献的分解系数服从高斯分布：

(1)

是图像噪声标准差，对于实际污染图像，可通过计算非下采样轮廓波变换最低尺度各个方向带通系数的绝对值中值来估计。

由图像信号系数所贡献的分解系数采用广义拉普拉斯分布来描述：

(2)

的表达式为：

(3)

参数，由最大似然函数确定其估计值，是Gamma函数。

步骤三、在贝叶斯框架下，基于最大后验概率准则，推导带通子带系数的降噪比例因子：

结合步骤二，经过噪声污染的非下采样轮廓波变换带通子带分解系数的

统计分布可表示为：

(4)

式中，表示系数总体分布特性的权重参数。以及公式（2）、（3）中的可通过最大似然函数来估计：

(5)

根据贝叶斯框架下的最大后验估计理论，降噪比例因子的函数关系可表示如下：

(6)

步骤四、将降噪比例因子代入非下采样轮廓波变换带通子带系数降噪表达式，在非下采样轮廓波域对带通子带系数进行降噪：

红外图像经过非下采样轮廓波变换后分解为：，为低频子带系数，为k尺度d方向带通子带系数，s代表最大分解尺度，k表示分解尺度，,d表示方向，i、j表示变换系数矩阵的行和列坐标。

降噪的目的就是从被噪声污染的带通子带系数中恢复出实际图像信号系数。定义系数的降噪比例因子为，则可通过下面的NSCT系数降噪表达式估计：

(7)

将（6）式带入（7）式，对每一尺度各个方向上的带通子带系数分别用降噪比例因子进行比例萎缩处理，即可得到降噪后非下采样轮廓波域实际图像信号的带通子带系数。

步骤五、对变换系数，即所述带通子带系数和低频子带系数进行非下采样轮廓波反变换，将处理空间变换回空域，实现红外图像的降噪。

下面通过仿真实验验证本发明的效果。

常用的评价图像降噪效果的指标为峰值信噪比PSNR，表达式为：

（8）

式（8）中，是降噪后的图像，是未加噪声的原图像。

实验选用的图像去噪方法是：

1、本发明的图像去噪方法：非下采样轮廓波域混合统计模型降噪法；

2、现有技术中的三种图像去噪方法：1）、小波域软阈值法降噪：用“sym4”小波，分解级数为3级；2）、Contourlet域阈值法降噪；3）、Contourlet域混合统计模型降噪。

实验一：

选取图像处理领域常用的Lena、Barbara、Pepper三幅可见光图像，对其分别施加均值为零、标准差分别为10、20、30、40和50的五种髙斯噪声，可得到15个加噪图像测试样本。

1、用本发明方法和现有三种方法对15个测试样本分别进行图像去噪处理,表1是用上述方法对15个测试样本进行去噪处理的PSNR值统计表。

从表1可看出，本发明的非下采样轮廓波域混合统计模型降噪法的PSNR最高。

2、用本发明方法和现有三种方法对高斯噪声标准差为30和50的Barbara图像分别进行去噪处理，图2是用本发明方法和现有三种方法对高斯噪声标准差为30的Barbara图像进行去噪的效果对比图，图2（a）是原始图像，图2（b）是噪声图像，PSNR=18.60dB，图2（c）是采用小波域软阈值法方法降噪后的图像，PSNR=23.73dB，图2（d）是采用Contourlet域阈值法降噪后的图像，PSNR=24.36dB，图2（e）是采用Contourlet域混合统计模型降噪后的图像，PSNR=28.45dB，图2（f）是采用本发明方法降噪后的图像，PSNR=28.71dB。

图3是用本发明方法和现有三种方法对高斯噪声标准差为50的Barbara图像进行去噪的效果对比图。图3（a）是原始图像，图3（b）是噪声图像，PSNR=14.15dB，图2（c）是采用小波域软阈值法方法降噪后的图像，PSNR=21.63dB，图2（d）是采用Contourlet域阈值法降噪后的图像，PSNR=22.34dB，图2（e）是采用Contourlet域混合统计模型降噪后的图像，PSNR=25.46dB，图2（f）是采用本发明方法降噪后的图像，PSNR=26.08dB。

结合表1，从图2和图3中可以看出，本发明能有效去除图像中的高斯白噪声，较好地保持图像的边缘，特别是在噪声较大的情况下去除噪声的能力更加明显。

实验二：

选取红外舰船图像，对其施加均值为零、标准差为30的高斯噪声，分别用本发明方法和现有三种方法对图像进行去噪处理。图4是用本发明方法和现有三种方法对高斯噪声标准差为30的红外舰船图像进行去噪的效果对比图。图4（a）是原始图像，图4（b）是噪声图像，PSNR=18.63dB，图4（c）是采用小波域软阈值法方法降噪后的图像，PSNR=28.45dB，图4（d）是采用Contourlet域阈值法降噪后的图像，PSNR=29.63dB，图4（e）是采用Contourlet域混合统计模型降噪后的图像，PSNR=31.27dB，图4（f）是采用本发明方法降噪后的图像，PSNR=32.56dB。

实验三：

选取受到噪声污染的实际飞机红外图像，分别用本发明方法和现有三种方法对图像进行去噪处理。图5是分别用本发明方法和现有三种方法对实际飞机红外图像进行去噪的的效果对比图。图5（a）是实际红外图像，图5（b）是采用小波域软阈值法方法降噪后的图像，图5（c）是采用Contourlet域阈值法降噪后的图像，图5（d）是采用Contourlet域混合统计模型降噪后的图像，图5（e）是采用本发明方法降噪后的图像。

结合表1，由图2至图5可得出：1、小波软阈值法降噪效果较为平滑，但通常会造成边缘细节的模糊；Contourlet阈值降噪法细节部分保持较好,也能有效平滑噪声,但是出现了较为明显的栅格效应；基于Contourlet域混合统计模型降噪法在视觉效果上同本发明的NSCT域方法接近，但在PSNR值上比本发明的NSCT域方法稍差；2、本发明的NSCT域混合统计模型降噪法较好的克服了现有方法的缺陷，既平滑了噪声，又有效地保持了图像的边缘，在峰值信噪比PSNR上有所提高，在视觉去噪效果上有所增强，取得了良好的图像去噪效果。

本发明还可以广泛地用在其他实施例中，并且本发明的保护范围并不受实施例的限定，以权利要求的保护范围为准。任何熟悉本专业的技术人员，可以在不偏离本发明技术思想的范围内，进行多样的变更以及修改，仍属于本发明技术方案的保护范围。