專利名稱：基于Contourlet域多狀態(tài)HMT模型的含噪圖像增強(qiáng)方法
技術(shù)領(lǐng)域：
本發(fā)明涉及在Contourlet域上，利用多狀態(tài)隱馬爾科夫樹HMT模型，對(duì)含噪圖像進(jìn)行增強(qiáng)的方法，尤其是基于Contourlet域多狀態(tài)HMT模型的含噪圖像增強(qiáng)方法，該方法可用于圖像的預(yù)處理階段。
背景技術(shù)：
圖像增強(qiáng)是一項(xiàng)重要的圖像預(yù)處理技術(shù)。其目的在于改善圖像質(zhì)量，突出圖像細(xì)節(jié)，以滿足后續(xù)圖像分析和圖像理解的需要。目前，圖像 增強(qiáng)已經(jīng)廣泛地應(yīng)用于礦藏資源勘探、軍事目標(biāo)監(jiān)視、醫(yī)學(xué)病灶診斷和交通監(jiān)控等領(lǐng)域并發(fā)揮著重大作用。圖像在采集和傳輸?shù)倪^程中，會(huì)不可避免地受到噪聲的干擾，如何有效地對(duì)含噪圖像進(jìn)行增強(qiáng)是圖像處理領(lǐng)域亟待解決的關(guān)鍵問題之一。現(xiàn)有的圖像增強(qiáng)方法可以分為兩類。一類是基于空域的直方圖均衡化法和反銳化掩模法。該類方法對(duì)無噪圖像進(jìn)行增強(qiáng)，會(huì)得到較為理想的增強(qiáng)結(jié)果。當(dāng)待增強(qiáng)圖像中含有噪聲時(shí)，該類方法在增強(qiáng)圖像細(xì)節(jié)特征的同時(shí)，會(huì)不可避免地增強(qiáng)圖像中的噪聲，影響后續(xù)圖像處理的效果。對(duì)比于此類方法，有基于變換域的圖像增強(qiáng)方法。它們包括基于小波的方法和基于多尺度幾何分析工具的方法。這類方法通過選取合適的閾值來區(qū)分出含噪圖像中的噪聲并對(duì)其進(jìn)行抑制。但由于有效的閾值難以獲取，使得增強(qiáng)后的圖像在均勻區(qū)域不夠平滑。而且由于部分變換方法缺乏平移不變性，還易在增強(qiáng)圖像中引入失真。多尺度幾何分析方法——Contourlet變換可以有效捕捉到圖像中的線狀和輪廓狀幾何信息，這些信息對(duì)于圖像的后續(xù)處理十分重要。相比于小波變換，Contourlet變換所捕捉到的細(xì)節(jié)信息更為豐富，部分細(xì)節(jié)信息并沒有明顯的類別屬性，處在既可以被歸類于噪聲成分，也可以被歸類于弱邊緣成分的中間地帶，或者既可以被歸類于弱邊緣成分，也可以被歸類于強(qiáng)邊緣成分的中間地帶。因此，有必要構(gòu)建Contourlet域多狀態(tài)HMT模型，不僅可以模擬出Contourlet域噪聲、弱邊緣和強(qiáng)邊緣系數(shù)，還可以模擬出噪聲、弱邊緣和強(qiáng)邊緣系數(shù)之外的那些處于中間地帶的系數(shù)，并將其應(yīng)用到含噪圖像增強(qiáng)，同時(shí)引入循環(huán)平移策略用于克服Contourlet變換缺乏平移不變性，期望獲得細(xì)節(jié)特征突出，均勻區(qū)域平滑的增強(qiáng)結(jié)果。

發(fā)明內(nèi)容
本發(fā)明方法的目的在于克服現(xiàn)有技術(shù)的不足，即現(xiàn)有的圖像增強(qiáng)方法在對(duì)含噪圖像增強(qiáng)時(shí)會(huì)受到噪聲影響的問題，提出了一種基于Contourlet域多狀態(tài)HMT模型的含噪圖像增強(qiáng)方法，能夠改善含噪圖像的質(zhì)量，利于后續(xù)圖像處理。一種基于Contourlet域多狀態(tài)HMT模型的含噪圖像增強(qiáng)方法，其特別之處，包括如下步驟(I)輸入大小為MXN的含噪圖像imQ(m，n)，其中I彡m彡M，I彡η彡N，M和N均為大于I的自然數(shù)，初始化計(jì)數(shù)量tem=0,行位移量u=l,列位移量v=l ；
(2)計(jì)數(shù)量遞增，即tem=tem+l,對(duì)含噪圖像imQ(m, η)進(jìn)行(u, v)步循環(huán)平移，得到循環(huán)平移后的含噪圖像imtan(m，η)；(3)對(duì)循環(huán)平移后的含噪圖像imtem(m, η)進(jìn)行L層Contourlet變換,得到低頻子帶系數(shù)￥八和高頻方向子帶系數(shù)5^，其中O彡I彡L-l，l彡k彡k1; kx表示在尺度2—1上的高頻方向子帶的數(shù)目，i e {I, 2, 3, . . . , Q}為Contourlet域系數(shù)四叉樹的索引標(biāo)記，Q為Contourlet域系數(shù)四叉樹上待觀察系數(shù)的數(shù)目，L為3 5，L為自然數(shù)；(4)采用期望最大化算法對(duì)步驟(3)得到的高頻方向子帶系數(shù)Γ, ,進(jìn)行訓(xùn)練，得到
確定的 Contourlet 域多狀態(tài)HMT模型參數(shù)向量 O，
權(quán)利要求
1.一種基于Contourlet域多狀態(tài)HMT模型的含噪圖像增強(qiáng)方法，其特征在于，包括如下步驟 (1)輸入大小為MXN的含噪圖像imQ(m，n)，其中I彡m彡M，I彡η彡N，M和N均為大于I的自然數(shù)，初始化計(jì)數(shù)量tem=0,行位移量u=l,列位移量v=l ； (2)計(jì)數(shù)量遞增，即tem=tem+l，對(duì)含噪圖像imQ(m，η)進(jìn)行(u，ν)步循環(huán)平移，得到循環(huán)平移后的含噪圖像η)； (3)對(duì)循環(huán)平移后的含噪圖像imtem(m，η)進(jìn)行L層Contourlet變換，得到低頻子帶系數(shù)Ya和高頻方向子帶系數(shù)，其中O彡I彡L-1，I彡k彡Iipk1表示在尺度2—1上的高頻方向子帶的數(shù)目，i e {I, 2, 3,... ,Q}為Contourlet域系數(shù)四叉樹的索引標(biāo)記,Q為Contourlet域系數(shù)四叉樹上待觀察系數(shù)的數(shù)目，L為3 5，L為自然數(shù)； (4)采用期望最大化算法對(duì)步驟(3)得到的高頻方向子帶系數(shù)}^進(jìn)行訓(xùn)練，得到確定的 Contourlet 域多狀態(tài) HMT 模型參數(shù)向量 Θ，Θ =·[(S = r I^ =θ],式中PQ,k為Contourlet域系數(shù)四叉樹根節(jié)點(diǎn)的隱狀態(tài)概率密度向量，= H 為高頻方向子帶系數(shù)1^的隱狀態(tài)概率，S為隱狀態(tài)變量，隱狀態(tài)的類別數(shù)取為5，分別對(duì)應(yīng)Contourlet域系數(shù)中的噪聲、近噪聲、弱邊緣、近強(qiáng)邊緣和強(qiáng)邊緣成分，有{S|S=r，r e {0,1,2,3,4}},Σρ(5 = Η^) = 1, ε ^為尺度I上第k個(gè)高頻方向子帶系數(shù)的狀態(tài)轉(zhuǎn)移概率矩陣，O1,kr=0和μ u分別為尺度I上第k個(gè)高頻方向子帶系數(shù)的標(biāo)準(zhǔn)差和均值向量； (5)利用步驟(4)得到Contourlet域多狀態(tài)HMT模型參數(shù)向量O，對(duì)高頻方向子帶系數(shù)進(jìn)行增強(qiáng)； (6)對(duì)步驟(3)得到的低頻子帶系數(shù)Ya和步驟(5)得到增強(qiáng)后的高頻方向子帶系數(shù)進(jìn)行Contourlet逆變換,得到含噪圖像imtem(m, η)的增強(qiáng)圖像; (7)對(duì)步驟(6)得到的含噪圖像imt (m，n)的增強(qiáng)圖像加匕(吼《琎行(u，v)步逆向循環(huán)平移，得到圖像，并對(duì)其進(jìn)行存儲(chǔ)； (8)列位移量遞增，即v=v+l，如果v〈=8，轉(zhuǎn)步驟(2)，否則轉(zhuǎn)步驟(9)； (9)行位移量遞增，即u=u+l，如果u〈=8，轉(zhuǎn)步驟(2)，否則轉(zhuǎn)步驟(10)； (10)計(jì)算并得到輸出含噪圖像^(m，η)的增強(qiáng)圖像 I 64 irrto {m, η) = —Y Unfem (m, η)。
64 tem=]
2.如權(quán)利要求I所述的一種基于Contourlet域多狀態(tài)HMT模型的含噪圖像增強(qiáng)方法，其特征在于其中步驟(5)所述的利用Contourlet域多狀態(tài)HMT模型參數(shù)向量θ,對(duì)高頻方向子帶系數(shù)5^進(jìn)行增強(qiáng)，具體按如下過程進(jìn)行I)利用高頻方向子帶系數(shù)1^的隱狀態(tài)概率= r I Y^k)將: 區(qū)分為五種類別，有噪聲系數(shù)，如果P (S = OI ) = max { P P = r I ), r e {0,1,2，3，4}}近噪聲系數(shù)，如果p(S =IIFi^) = max{p(5' = H ；)),re{0,1，2，3，4}}Yik 是 j 弱邊緣系數(shù)，如果/7 (S = 21 私―)=max { P (S = H 私)，r e {0,1,2,3,4}};近強(qiáng)邊緣系數(shù)，如果/ (S=3I Y,[k) = mm{p(S = r\Y；t),re {0,1,2,3,4}}強(qiáng)邊緣系數(shù)，如果P (S = 41 私―)=max { / (S = r I 匕)，r e {0，1，2，3，4}}2)利用增益規(guī)則公式，對(duì)獲得了類別屬性的高頻方向子帶系數(shù)進(jìn)行初始修正，即 α0·Υ；Λ,如果為噪聲系數(shù) α, ·￥,[,,如果私_為近噪聲系數(shù) X[k = < a2 (Y；ki /為) 為，如果Fi為弱邊緣系數(shù) ’ a2 {Y,\kl Ai) ·為，如果為近強(qiáng)邊緣系數(shù) O3 Y[k,如果為強(qiáng)邊緣系數(shù) 式中，Ai力L所在高頻方向子帶系數(shù)的最大模值，設(shè)置aQ=0，a=i, a3=2, a2 ( ·)為非線性增益函數(shù)，有 a2 (Yi,k I Α )~ 1 + < (- .!··Λ)/Λ 1 + f/*、l\ ，式中，參數(shù)t用于控制含噪圖像增強(qiáng)的程度，設(shè)置參數(shù)t=6，e為自然常數(shù)，e=2. 71828 ； 3)利用高頻方向子帶系數(shù)的隱狀態(tài)概率=和步驟2)中得到的高頻方向子帶系數(shù)吃4的初始修正結(jié)果，計(jì)算增強(qiáng)后高頻方向子帶系數(shù)，sp Kk =jP(S = r\ Yik) ·( )· Xiu ·,(°),k ) 式中,σ=是尺度I上第k個(gè)高頻方向子帶的噪聲系數(shù)的標(biāo)準(zhǔn)差，并且通過蒙特卡羅方法獲得。
全文摘要
本發(fā)明涉及在Contourlet域上，利用多狀態(tài)隱馬爾科夫樹HMT模型，對(duì)含噪圖像進(jìn)行增強(qiáng)的方法，尤其是基于Contourlet域多狀態(tài)HMT模型的含噪圖像增強(qiáng)方法。本發(fā)明方法具有以下優(yōu)點(diǎn)1.采用了非下采樣Contourlet變換，可以有效捕捉到含噪圖像中的線狀和輪廓狀幾何信息，有利于圖像的后續(xù)處理。2.引入了循環(huán)平移策略，可以有效避免因Contoutlet變換缺乏平移不變性，而易在增強(qiáng)后的圖像中產(chǎn)生的人工失真。3.通過構(gòu)建Contourlet域HMT模型的多種隱狀態(tài)，進(jìn)一步模擬出Contourlet域系數(shù)的近噪聲和近強(qiáng)邊緣成分，有利于獲得細(xì)節(jié)特征突出，均勻區(qū)域平滑的增強(qiáng)結(jié)果。
文檔編號(hào)G06T5/00GK102968771SQ20121050850
公開日2013年3月13日 申請(qǐng)日期2012年12月3日 優(yōu)先權(quán)日2012年12月3日
發(fā)明者常霞, 高岳林, 黃永東, 馬自萍 申請(qǐng)人:北方民族大學(xué)