專利名稱：基于Context模型和雙樹復(fù)小波變換的水下聲納圖像的去噪方法
技術(shù)領(lǐng)域：
本發(fā)明涉及的是一種圖像處理技術(shù)領(lǐng)域的去噪方法。
背景技術(shù)：
圖像在采集和傳輸?shù)倪^程中往往會(huì)受到外界環(huán)境的干擾，造成圖像質(zhì)量退化，這嚴(yán)重影響了后續(xù)的圖像處理工作。因而圖像的去噪預(yù)處理也成為了圖像處理的研究熱點(diǎn)，它為后續(xù)高層次的圖像處理提供了更好的研究基礎(chǔ)。圖像去噪的方法的種類很多，主要分為空間域方法和變換域方法?？臻g域方法是 針對(duì)圖像的灰度值直接進(jìn)行運(yùn)算處理，常用的方法有中值濾波、均值濾波、非局部均值濾波等等。中值濾波和均值濾波都會(huì)存在一定程度的邊緣模糊現(xiàn)象，非局部均值濾波的計(jì)算量較大。變換域方法中常用的方法是基于小波的萎縮閾值法，傳統(tǒng)的全局閾值對(duì)每一個(gè)變換系數(shù)并不是最優(yōu)的，導(dǎo)致圖像的細(xì)節(jié)信息丟失。

發(fā)明內(nèi)容
本發(fā)明的目的在于提供具備良好的平移不變性和方向選擇性的基于Context模型和雙樹復(fù)小波變換的水下聲納圖像的去噪方法。本發(fā)明的目的是這樣實(shí)現(xiàn)的本發(fā)明基于Context模型和雙樹復(fù)小波變換的水下聲納圖像的去噪方法，其特征是(I)對(duì)水下聲納圖像進(jìn)行雙樹復(fù)小波分解，分解層數(shù)為四層圖像經(jīng)過四層雙樹復(fù)小波變換，獲得一個(gè)低頻近似分量和四個(gè)尺度下的高頻分量，yl代表經(jīng)過4層分解后圖像的低頻近似分量的系數(shù)矩陣，yhk分別表示第一、二、三、四層的高頻分量，k = I, 2，3，4，每一層高頻分量包含6個(gè)復(fù)系數(shù)矩陣，分別代表該尺度下雙樹復(fù)小波變換分解的6個(gè)方向的高頻細(xì)節(jié)信息；(2)保留圖像分解后的低頻分量yl ；(3)對(duì)圖像分解的四層高頻分量yhp yh2、yh3和yh4進(jìn)行去噪處理I)圖像的第一層高頻分量yhi和第二層高頻分量yh2，采用非線性軟閾值方法進(jìn)行去噪處理；2)圖像的第三層高頻分量yh3和第四層高頻分量yh4，采用Context模型對(duì)系數(shù)進(jìn)行分類，針對(duì)每一類系數(shù)確定各自的閾值，結(jié)合軟閾值函數(shù)進(jìn)行去噪處理①獲取圖像的第三層高頻分量yh3中六個(gè)復(fù)系數(shù)矩陣的實(shí)部和虛部系數(shù)；圖像的第三層高頻分量yh3同樣由六個(gè)復(fù)系數(shù)矩陣組成，每一個(gè)系數(shù)矩陣代表著該尺度下圖像6個(gè)方向的高頻信息，yh3 (d) (d= 1，2，...，6)表示該尺度下任意一個(gè)方向的復(fù)系數(shù)矩陣，它的實(shí)部和虛部系數(shù)分別為a3 (d) = real (yh3 (d)) (d = I, 2, . . . , 6)
b3 (d) = imag (yh3 (d)) (d = 1,2,...,6)a3(d)和133((1)表示第三層高頻分量的任意一個(gè)方向復(fù)系數(shù)的實(shí)數(shù)和虛數(shù)部分，實(shí)現(xiàn)后續(xù)對(duì)獲得的實(shí)部和虛部分別進(jìn)行處理；②利用Context模型對(duì)系數(shù)進(jìn)行分類；用Context模型來衡量變換系數(shù)的能量的接近程度，首先計(jì)算出每個(gè)系數(shù)的Context 值 Z(i, j)z (i, j) = 2 X (IY (i-i, j-i) I +1Y (i-i, j) I +1Y (i-i, j+i) I +1Y (i, j-i) I +1Y (i, j)
+ |Y(i, j+1) +|Y(i+l，j-1) +|Y(i+l，j) +|Y(i+l，j+1) 1))/9式中i，j表示變換系數(shù)在矩陣中的位置，Y表示實(shí)數(shù)部分或虛數(shù)部分，利用上式計(jì)算所有方向的復(fù)系數(shù)的實(shí)部和虛部的Context值,將Context值分類,在Context值小于20時(shí)，每隔5分一級(jí)，20以后增大分級(jí)間隔；③確定閾值選取經(jīng)Context模型分類后a3(4)系數(shù)進(jìn)行閾值估計(jì)，確定每一類系數(shù)的閾值首先估計(jì)噪聲的標(biāo)準(zhǔn)差σ n，計(jì)算噪聲的能量σ η2，然后求取每一類系數(shù)的方差，再根據(jù)下式獲得信號(hào)的能量σχ2:σχ2 = var (y) - σ n2式中y是每一類系數(shù)，var (y)是求解y的方差，最后采用Bayes閾值估計(jì)方法確定每一類系數(shù)的閾值T :T = Txafl /σχ式中r是可調(diào)節(jié)參數(shù)；④對(duì)任意方向經(jīng)Context模型分類后的變換系數(shù)的實(shí)部和虛部分別采用軟閾值函數(shù)式進(jìn)行濾波處理；每一類系數(shù)所選取的閾值由式/’ = Γχσ; /σχ確定，經(jīng)過處理后的實(shí)部和虛部系數(shù)表示為 al3 (d) (d = I, 2, . . , 6)和 bl3 (d) (d = 1,2,...,6)；⑤將處理后的實(shí)部和虛部系數(shù)重新組合，獲得處理后的復(fù)系數(shù)，復(fù)系數(shù)表達(dá)式為yh3 (d) = al3 (d) +bl3 (d) X i (d = I, 2, . . . , 6)式中i表示虛數(shù)單位；⑥對(duì)圖像分解的第四層高頻分量按照步驟①-⑤進(jìn)行處理；(4)對(duì)處理后的復(fù)小波系數(shù)進(jìn)行雙樹復(fù)小波反變換，獲得最終去噪后的圖像。本發(fā)明還可以包括I、所述的非線性軟閾值方法為(I)獲取圖像的第一層高頻分量Yh1中六個(gè)復(fù)系數(shù)矩陣的實(shí)部和虛部系數(shù)圖像的第一層高頻分量Yh1由六個(gè)復(fù)系數(shù)矩陣組成，分別代表著該尺度下圖像6個(gè)方向的高頻信息，yhjd) (d= 1,2,...,6)表示該尺度下任意一個(gè)方向的復(fù)系數(shù)矩陣，它的實(shí)部和虛部系數(shù)分別為H1 (d) = real (Yh1 (d)) (d = 1,2, , 6) h1 (d) = imag Cyh1 (d)) (d = I, 2, . . . , 6)
式中real和imag表示求取實(shí)數(shù)和虛數(shù)部分,S1 (d)和Id1 (d)表示第一層高頻分量的任意一個(gè)方向復(fù)系數(shù)的實(shí)數(shù)和虛數(shù)部分；(2)確定閾值T :選取ai (4)系數(shù)進(jìn)行閾值估計(jì)，閾值通過非線性軟閾值獲得Γ = σ" XIog(AZ)式中= η= median(\a{ (4)|) / 0.6745 <是 σ η 的估計(jì)；Ν 是 ⑷中含有
的系數(shù)個(gè)數(shù)；(3)采用軟閾值函數(shù)對(duì)變換系數(shù)的實(shí)部ai(d) (d= 1,2,...,6)和虛部bJdMd = 1，2, · · ·，6)分別進(jìn)行去噪處理軟閾值函數(shù)表達(dá)式為
f_(x)x(|x|-r)，Ixl >ΓJ= Μ 'τ
[O,\χ\<τ式中X是需要進(jìn)行閾值處理的變換系數(shù)，對(duì)任意方向的變換系數(shù)的實(shí)部和虛部分別采用軟閾值函數(shù)進(jìn)行濾波處理，經(jīng)過處理后的實(shí)部和虛部系數(shù)表示為aljd) (d =1，2，· · ·，6)和 M1(Cl) (d = 1，2，· · ·，6)；(4)將處理后的實(shí)部和虛部系數(shù)重新組合，獲得處理后的復(fù)系數(shù)復(fù)系數(shù)表達(dá)式為Yh1 (d) = ali (d) +M1 (d) X i (d = I, 2, . . . , 6)式中i表示虛數(shù)單位；(5)對(duì)圖像分解的第二層高頻分量按照步驟(I) - (4)進(jìn)行處理。本發(fā)明的優(yōu)勢(shì)在于本發(fā)明采用Context模型衡量雙樹復(fù)小波系數(shù)之間能量的相似性，將能量相接近的系數(shù)歸類，針對(duì)每一類系數(shù)確定不同的閾值，并結(jié)合軟閾值函數(shù)實(shí)現(xiàn)噪聲的去除。優(yōu)化了閾值的選取，在去除噪聲的同時(shí)保留了更多的圖像細(xì)節(jié)，抑制了系數(shù)被過扼殺的現(xiàn)象。


圖I為本發(fā)明的流程圖；圖2為一維雙樹復(fù)小波分解濾波器結(jié)構(gòu)圖；圖3a為噪聲方差σ = 10時(shí)的含噪圖像；圖3b為噪聲方差σ = 10時(shí)采用本發(fā)明方法的去噪后圖像；圖4a為噪聲方差σ = 15時(shí)的含噪圖像；圖4b為噪聲方差σ = 15時(shí)采用本發(fā)明方法的去噪后圖像；圖5a為噪聲方差σ = 20時(shí)的含噪圖像；圖5b為噪聲方差σ = 20時(shí)采用本發(fā)明方法的去噪后圖像；圖6不同噪聲方差下去噪前后圖像的峰值信噪比(PSNR)對(duì)比圖。
具體實(shí)施例方式下面結(jié)合附圖舉例對(duì)本發(fā)明做更詳細(xì)地描述
結(jié)合圖I 6，選取的水下聲納圖像的尺寸大小為256X256，分別采用小波硬閾值、小波軟閾值、雙樹復(fù)小波軟閾值和本發(fā)明對(duì)含有相同噪聲的圖像進(jìn)行去噪處理。并以峰值信噪比(PSNR)作為評(píng)價(jià)指標(biāo)衡量去噪效果。圖I所示的是本發(fā)明的流程示意圖，本發(fā)明的具體實(shí)施步驟如下I.對(duì)所選取的水下聲納圖像進(jìn)行雙樹復(fù)小波分解，分解層數(shù)為四層。圖2所示的是一維雙樹復(fù)小波變換分解濾波器組的結(jié)構(gòu)圖。圖中樹A和樹B分別代表復(fù)數(shù)小波的實(shí)數(shù)部分和虛數(shù)部分，灰度圖像作為二維信號(hào)，采用的是二維雙樹復(fù)小波變換，同小波變換一樣，二維雙樹復(fù)小波變換是一維變換的擴(kuò)展。圖像經(jīng)過四層雙樹復(fù)小波變換，獲得一個(gè)低頻近似分量和四個(gè)尺度下的高頻分量，yl代表經(jīng)過4層分解后圖像的低頻近似分量的系數(shù)矩陣，yhk(k = I, 2，3,4)分別表示第一、二、三、四層的高頻分量，每一層高頻分量包含6個(gè)復(fù)系數(shù)矩陣，分別代表該尺度下雙樹復(fù)小波變換分解的6個(gè)方向的高頻細(xì)節(jié)信息?！?.保留圖像分解后的低頻分量yl。3.對(duì)圖像分解的四層高頻分量yV yh2、yh3和yh4進(jìn)行處理。a.圖像的第一層高頻分量Yh1和第二層高頻分量yh2，采用傳統(tǒng)的非線性軟閾值方法進(jìn)行去噪處理。具體步驟如下I)獲取圖像的第一層高頻分量Yh1中六個(gè)復(fù)系數(shù)矩陣的實(shí)部和虛部系數(shù)；圖像的第一層高頻分量Yh1由六個(gè)復(fù)系數(shù)矩陣組成，分別代表著該尺度下圖像6個(gè)方向的高頻信息，yhjd) (d= 1，2，...，6)表示該尺度下任意一個(gè)方向的復(fù)系數(shù)矩陣，它的實(shí)部和虛部系數(shù)為B1 (d) = real (yh! (d)) (d = 1,2,..., 6) (I)h1 (d) = imag Cyh1 (d)) (d = 1,2, , 6) (2)式中real和imag表示求取實(shí)數(shù)和虛數(shù)部分,S1 (d)和Id1 (d)表示第一層高頻分量的任意一個(gè)方向復(fù)系數(shù)的實(shí)數(shù)和虛數(shù)部分。2)根據(jù)某一方向的變換系數(shù)確定閾值T ;在同一尺度下的小波變換系數(shù)受到噪聲污染的程度是相同的，因此只需要選擇一個(gè)方向的復(fù)系數(shù)的實(shí)部或者虛部的系數(shù)進(jìn)行閾值估計(jì)。本發(fā)明選取^ (4)系數(shù)進(jìn)行閾值估計(jì)，閾值通過非線性軟閾值獲得T = σ., X ^2 Iog(Az)(3)式中σΒ =ση= WiMfem(Ia1(W)I)/0.6745 <是σ η的估計(jì)；Ν是⑷中含有的系數(shù)個(gè)數(shù)。3)采用軟閾值函數(shù)對(duì)變換系數(shù)的實(shí)部(d) (d = 1，2，. . .，6)和虛部Id1 (d) (d =1，2，· · ·，6)分別進(jìn)行去噪處理；軟閾值函數(shù)表達(dá)式為
^ (χ)χ(|χ|-Γ), \x\>TJ = ^(4)
[O,\x\<T式中T是2)中確定的閾值，X是需要進(jìn)行閾值處理的變換系數(shù)。對(duì)任意方向的變換系數(shù)的實(shí)部和虛部分別采用軟閾值函數(shù)進(jìn)行濾波處理，經(jīng)過處理后的實(shí)部和虛部系數(shù)表示為 Sl1 (d) (d = I, 2,... , 6)和 M1 (d) (d = I, 2,... , 6) 4)將處理后的實(shí)部和虛部系數(shù)重新組合，獲得處理后的復(fù)系數(shù)；復(fù)系數(shù)表達(dá)式為Yh1 (d) = ali (d) +M1 (d) X i (d = I, 2, . . . , 6) (5)式中i表示虛數(shù)單位。5)對(duì)圖像分解的第二層高頻分量按照步驟I) _4)進(jìn)行處理。b.圖像的第三層高頻分量yh3和第四層高頻分量yh4,采用Context模型對(duì)系數(shù)進(jìn)行分類，針對(duì)每一類系數(shù)確定各自的閾值，結(jié)合軟閾值函數(shù)進(jìn)行去噪處理。具體處理步驟如下
I)獲取圖像的第三層高頻分量yh3中六個(gè)復(fù)系數(shù)矩陣的實(shí)部和虛部系數(shù)；圖像的第三層高頻分量yh3同樣由六個(gè)復(fù)系數(shù)矩陣組成，每一個(gè)系數(shù)矩陣代表著該尺度下圖像6個(gè)方向的高頻信息，yh3 (d) (d= 1，2，...，6)表示該尺度下任意一個(gè)方向的復(fù)系數(shù)矩陣，它的實(shí)部和虛部系數(shù)為a3 (d) = real (yh3 (d)) (d = 1,2,..., 6) (6)b3(d) = imag(yh3(d)) (d = 1，2，· · ·，6) (7)式中a3(d)和b3(d)表示第三層高頻分量的任意一個(gè)方向復(fù)系數(shù)的實(shí)數(shù)和虛數(shù)部分，實(shí)現(xiàn)后續(xù)對(duì)獲得的實(shí)部和虛部分別進(jìn)行處理。2)利用Context模型對(duì)系數(shù)進(jìn)行分類；用Context模型來衡量變換系數(shù)的能量的接近程度，首先計(jì)算出每個(gè)系數(shù)的Context 值 Z (i, j), Context 值 Z (i, j)的計(jì)算公式為Z (i, j) = 2 X (IY (i-1, j-1) I +1Y (i_l，j) | +1Y (i-1, j+1) I +1Y (i, j-1) I +1Y (i, j)
+ |Y(i, j+1) +|Y(i+l，j-1) +|Y(i+l，j) +|Y(i+l，j+1) |))/9(8)式中i，j表示變換系數(shù)在矩陣中的位置。以某一方向變換系數(shù)的實(shí)數(shù)部分a3(l)為例，Context值的計(jì)算公式為Z(i，j) = 2 X (I a3 (I) (i_l, j_l) I + I a3 (I) (i_l, j) I + I a3 (I) (i_l, j + 1) I + I a3 (I)(i, j_l) | + |a3(l) (i, j) + I a3 (I) (i, j + 1) | + |a3(l) (i + 1, j-1) + I a3 (I) (i + 1, j) | + |a3(l)(i+1, j+1) |))/9(9)利用式(8)計(jì)算所有方向的復(fù)系數(shù)的實(shí)部和虛部的Context值,將Context值接近的系數(shù)分為一類，在Context值小于20時(shí)，每隔5分一級(jí)，20以后增大分級(jí)間隔。3)選擇某一方向經(jīng)Context模型分類后的系數(shù)確定閾值；由于同一尺度下的小波變換系數(shù)受到噪聲污染的程度是相同的，本發(fā)明選取經(jīng)Context模型分類后a3 (4)系數(shù)進(jìn)行閾值估計(jì)，確定每一類系數(shù)的閾值。首先利用式(3)估計(jì)噪聲的標(biāo)準(zhǔn)差ση，計(jì)算噪聲的能量ση2。然后求取每一類系數(shù)的方差，再根據(jù)式(10)獲得信號(hào)的能量.σχ2 = var (y) - σ n2 (10)式中y是每一類系數(shù),var(y)是求解y的方差。最后采用Bayes閾值估計(jì)方法確定每一類系數(shù)的閾值T :
T = Γχσ 2 !σχ(11)式中r是可調(diào)節(jié)參數(shù)，通常r = 42。4)對(duì)任意方向經(jīng)Context模型分類后的變換系數(shù)的實(shí)部和虛部分別采用軟閾值函數(shù)式(11)進(jìn)行濾波處理；每一類系數(shù)所選取的閾值由3)中的式(11)確定，經(jīng)過處理后的實(shí)部和虛部系數(shù)表示為 al3 (d) (d = I, 2, . . . , 6)和 bl3 (d) (d = 1，2,…，6)。5)將處理后的實(shí)部和虛部系數(shù)重新組合，獲得處理后的復(fù)系數(shù)；復(fù)系數(shù)表達(dá)式為 yh3 (d) = al3 (d) +bl3 (d) X i (d = I, 2, ... , 6) (12)式中i表示虛數(shù)單位。6)對(duì)圖像分解的第四層高頻分量按照步驟1)_5)進(jìn)行處理。4.對(duì)處理后的復(fù)小波系數(shù)進(jìn)行雙樹復(fù)小波反變換，獲得最終去噪后的圖像。圖3，圖4和圖5中所示的是在噪聲方差σ = 10、15、20時(shí)本發(fā)明的去噪效果對(duì)比圖。從圖中可以看出，采用本發(fā)明的去噪方法后，傳統(tǒng)全局閾值對(duì)圖像去噪后產(chǎn)生的過扼殺現(xiàn)象得到了較好的抑制，在去除噪聲的同時(shí)能夠更好地保持圖像的細(xì)節(jié)信息。為了進(jìn)一步說明去噪效果，實(shí)驗(yàn)中分別計(jì)算了不同噪聲方差下圖像的峰值信噪比(PSNR)，圖6中所示的是不同噪聲方差下的去噪前后圖像的峰值信噪比曲線，從圖中可以看出，采用本發(fā)明方法去噪后圖像的PSNR得到了較大幅度的提升，去噪效果明顯。
權(quán)利要求
1.基于Context模型和雙樹復(fù)小波變換的水下聲納圖像的去噪方法，其特征是 (1)對(duì)水下聲納圖像進(jìn)行雙樹復(fù)小波分解，分解層數(shù)為四層 圖像經(jīng)過四層雙樹復(fù)小波變換，獲得一個(gè)低頻近似分量和四個(gè)尺度下的高頻分量，yl代表經(jīng)過4層分解后圖像的低頻近似分量的系數(shù)矩陣，yhk分別表示第一、二、三、四層的高頻分量，k = 1，2，3，4，每一層高頻分量包含6個(gè)復(fù)系數(shù)矩陣，分別代表該尺度下雙樹復(fù)小波變換分解的6個(gè)方向的高頻細(xì)節(jié)信息； (2)保留圖像分解后的低頻分量yl； (3)對(duì)圖像分解的四層高頻分量yhpyh2、yh3和yh4進(jìn)行去噪處理 .1)圖像的第一層高頻分量Yh1和第二層高頻分量yh2，采用非線性軟閾值方法進(jìn)行去噪處理； .2)圖像的第三層高頻分量yh3和第四層高頻分量yh4，采用Context模型對(duì)系數(shù)進(jìn)行分類，針對(duì)每一類系數(shù)確定各自的閾值，結(jié)合軟閾值函數(shù)進(jìn)行去噪處理 ①獲取圖像的第三層高頻分量yh3中六個(gè)復(fù)系數(shù)矩陣的實(shí)部和虛部系數(shù)； 圖像的第三層高頻分量yh3同樣由六個(gè)復(fù)系數(shù)矩陣組成，每一個(gè)系數(shù)矩陣代表著該尺度下圖像6個(gè)方向的高頻信息，yh3 (d) (d= 1,2,..,6)表示該尺度下任意一個(gè)方向的復(fù)系數(shù)矩陣，它的實(shí)部和虛部系數(shù)分別為a3 (d) = real (yh3 (d)) (d = 1,2,..., 6)b3 (d) = imag (yh3 (d)) (d = 1,2,..., 6) a3(d)和133((1)表示第三層高頻分量的任意一個(gè)方向復(fù)系數(shù)的實(shí)數(shù)和虛數(shù)部分，實(shí)現(xiàn)后續(xù)對(duì)獲得的實(shí)部和虛部分別進(jìn)行處理； ②利用Context模型對(duì)系數(shù)進(jìn)行分類； 用Context模型來衡量變換系數(shù)的能量的接近程度，首先計(jì)算出每個(gè)系數(shù)的Context值 Z(i，j)Z(i, j) = 2X (|Y(i-l, j-1) | + |Y(i_l，j) | + |Y(i_l，j+1) | + |Y(i，j_l) | + |Y(i，j) | + |Y(i,j+1) +|Y(i+l，j-1) +|Y(i+l，j) +|Y(i+l，j+1) 1))/9 式中i，j表示變換系數(shù)在矩陣中的位置，Y表示實(shí)數(shù)部分或虛數(shù)部分，利用上式計(jì)算所有方向的復(fù)系數(shù)的實(shí)部和虛部的Context值,將Context值分類,在Context值小于20時(shí)，每隔5分一級(jí)，20以后增大分級(jí)間隔； ③確定閾值 選取經(jīng)Context模型分類后a3(4)系數(shù)進(jìn)行閾值估計(jì)，確定每一類系數(shù)的閾值 首先估計(jì)噪聲的標(biāo)準(zhǔn)差ση，計(jì)算噪聲的能量ση2，然后求取每一類系數(shù)的方差，再根據(jù)下式獲得信號(hào)的能量σ、2σχ2 = var (y) _ σ n2 式中y是每一類系數(shù)，var(y)是求解y的方差，最后采用Bayes閾值估計(jì)方法確定每一類系數(shù)的閾值T : T = rxa2, /σχ HX 式中r是可調(diào)節(jié)參數(shù)； ④對(duì)任意方向經(jīng)Context模型分類后的變換系數(shù)的實(shí)部和虛部分別采用軟閾值函數(shù)式進(jìn)行濾波處理； 每一類系數(shù)所選取的閾值由式Γ 二 Γχσ 2/σχ確定，經(jīng)過處理后的實(shí)部和虛部系數(shù)表示為 al3 (d) (d = 1，2，· · ·，6)和 bl3 (d) (d = 1，2，· · ·，6)； ⑤將處理后的實(shí)部和虛部系數(shù)重新組合，獲得處理后的復(fù)系數(shù)，復(fù)系數(shù)表達(dá)式為 yh3 (d) = al3 (d) +bl3 (d) X i (d = I, 2, . . . , 6) 式中i表示虛數(shù)單位； ⑥對(duì)圖像分解的第四層高頻分量按照步驟①-⑤進(jìn)行處理； (4)對(duì)處理后的復(fù)小波系數(shù)進(jìn)行雙樹復(fù)小波反變換，獲得最終去噪后的圖像。
2.根據(jù)權(quán)利要求I所述的基于Context模型和雙樹復(fù)小波變換的水下聲納圖像的去噪方法，其特征是所述的非線性軟閾值方法為 (O獲取圖像的第一層高頻分量Yh1中六個(gè)復(fù)系數(shù)矩陣的實(shí)部和虛部系數(shù) 圖像的第一層高頻分量Yh1由六個(gè)復(fù)系數(shù)矩陣組成，分別代表著該尺度下圖像6個(gè)方向的高頻信息，Yh1(Cl) (d= 1,2,...,6)表示該尺度下任意一個(gè)方向的復(fù)系數(shù)矩陣，它的實(shí)部和虛部系數(shù)分別為
全文摘要
本發(fā)明的目的在于提供基于Context模型和雙樹復(fù)小波變換的水下聲納圖像的去噪方法，包括如下步驟對(duì)水下聲納圖像進(jìn)行雙樹復(fù)小波分解，圖像經(jīng)四層雙樹復(fù)小波分解后獲得的低頻近似分量保持不變，對(duì)圖像的高頻分量進(jìn)行去噪處理，對(duì)處理后的復(fù)小波系數(shù)進(jìn)行雙樹復(fù)小波反變換，獲得最終去噪后的圖像。本發(fā)明采用Context模型衡量雙樹復(fù)小波系數(shù)之間能量的相似性，將能量相接近的系數(shù)歸類，針對(duì)每一類系數(shù)確定不同的閾值，并結(jié)合軟閾值函數(shù)實(shí)現(xiàn)噪聲的去除。優(yōu)化了閾值的選取，在去除噪聲的同時(shí)保留了更多的圖像細(xì)節(jié)，抑制了系數(shù)被過扼殺的現(xiàn)象。
文檔編號(hào)G06T5/00GK102903083SQ20121035886
公開日2013年1月30日 申請(qǐng)日期2012年9月25日 優(yōu)先權(quán)日2012年9月25日
發(fā)明者李一兵, 張靜, 葉方, 湯春瑞, 付強(qiáng), 李一晨, 李驁, 田雪怡 申請(qǐng)人:哈爾濱工程大學(xué)