论文部分内容阅读
噪声影响了人们从图像中提取信息,是影响图象质量的主要因素,因此非常有必要在分析和利用图像之前消除噪声。图像边缘细节等信息的检测是数字图像处理方向非常重要的研究内容。文章结合contourlet变换分析了传统的小波去噪方法,重点讨论了阈值去噪和相关去噪,提出了新的自适应阈值和新的相关去噪的方法。结合各向异性高通滤波的思想,提出了一种将contourlet用于图像边缘检测的新方法。论文的主要贡献如下：1)提出了新的自适应的bayesian阈值。该阈值大小随变换系数的大小自适应变化,大的变换系数属于信号的概率大,设定一个比较小的阈值保留信号,而小的变换系数则属于噪声的概率大,设定一个比较大的阈值来抑制噪声。同时由于contourlet变换本质上和小波变换相同,论文在此基础上分别用小波变换和contourlet变换对图像进行分解,然后采用提出的自适应的bayesian阈值对图像进行了去噪,并且进行了去噪效果的比较与分析。实验证明contourlet变换由于能够更稀疏的表示图像,同时具有多方向性,因此能够比小波变换更好的保留图像的细节等信息,同时自适应的阈值能够随变换系数的大小自动变化,所以能够更好的区分噪声和信号。2)传统的相关去噪方法中,主要是选择出那些属于图像信号的变换系数来重建原始图像。传统的选择变换系数的条件不能保证变换系数较小的图像信号能够被选择出来参与图像的重建。因此对传统相关去噪中的相关系数进行了改进。新的相关系数能够提取到变换系数小的细节信息,可以选择出的图像细节的变换系数更多,重建后的图像在去噪的基础上能够较好的保留图像的边缘纹理等,有相当好的视觉效果。3)提出了一种利用DFB进行边缘检测的新方法。该方法将无下采样的DFB对图像进行分解得到的各个子图看成是滤波器长轴与边缘方向夹角处于不同的角度,得到的具有方向性的DFB分解子图则是一序列方向不同的图像序列。这些图像的边缘在和滤波器长轴方向重合时保持较好,显示比较清晰,图像具有大的灰度值,当滤波器长轴与边缘夹角变大时,边缘则逐渐变模糊,图像的灰度值逐渐变小,通过合理的方法处理各个子图也能够得到图像的边缘。该方法能够比传统的方法检测到更多的边缘,同时算法实现比较简单快速。4)针对DFB用于图像边缘检测存在的单一尺度的问题以及低频分量问题,提出一种新的将contourlet变换用于图像边缘检测的方法。Contourlet变换能够利用DFB用于图像边缘检测的所有优点,并且能够进行多尺度的划分,因此既能够满足图像边缘检测需要的多尺度性,同时还可以满足图像边缘的多方向性,是一种较好的多尺度边缘检测的方法。与传统的边缘检测算子以及小波进行边缘检测的方法想比较,仿真结果表明提出的方法能够检测更多的边缘。