金彩虹
(南京晓庄学院物理与电子工程学院,江苏 南京 211171)
图像阈值去噪因其算法简单而成为图像去噪的主流方向,其中,Chen等[1-2]提出的NeighShrink算法,将邻域的概念用于图像去噪,通过计算邻域窗内所有小波系数的平方和来设定阈值,考虑了子带系数的层内相关性,较Donoho[3]的全局阈值能更好地适应图像的细节特征,降低了全局阈值因过度扼杀分解系数造成的图像细节的损失。但是,NeighShrink算法采用各向同性的正方形邻域窗对系数进行阈值处理,没有考虑子带能量聚集的方向特性,在信号的能量聚集处不能获得最优的去噪效果。另外,由于二维小波基函数的支撑区间是正方形,当尺度变细时,二维小波只能用点来逼近图像中具有线奇异特征的边缘细节,不能实现对图像的最优稀疏逼近。2006年,Cunha等[4]提出非下采样Contourlet变换的概念。该变换基函数支撑区间不是正方形,而是长度的平方与宽度成正比,当尺度变细时,Contourlet基函数用类似于线段的长条形结构来逼近图像,实现了图像的最优稀疏逼近。而且,该变换没有下采样过程,变换具有平移不变性,能有效抑制小波变换由于不具有平移不变性特征而造成的恢复图像的伪吉布斯失真。
本文根据图像经多尺度多方向非下采样Contourlet分解后,各方向子带不同的能量聚集特性,用主轴方向与子带频率分解方向正交(也就是图像能量聚集方向)、长轴与短轴的比例与非下采样Contourlet基函数支撑区间相匹配的椭圆方向窗作为邻域窗,通过最小化Stein的无偏风险估计,确定该邻域窗的最佳大小和最佳阈值。……