留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

基于CHMM 的尖锐频率局部化Contourlet 域图像去噪

张红英 罗晓清 吴小俊

张红英, 罗晓清, 吴小俊. 基于CHMM 的尖锐频率局部化Contourlet 域图像去噪[J]. 红外与激光工程, 2014, 43(7): 2341-2348.
引用本文: 张红英, 罗晓清, 吴小俊. 基于CHMM 的尖锐频率局部化Contourlet 域图像去噪[J]. 红外与激光工程, 2014, 43(7): 2341-2348.
Zhang Hongying, Luo Xiaoqing, Wu Xiaojun. Contextual hidden Markov model-based image denoising in sharp frequency localized Contourlet transform domain[J]. Infrared and Laser Engineering, 2014, 43(7): 2341-2348.
Citation: Zhang Hongying, Luo Xiaoqing, Wu Xiaojun. Contextual hidden Markov model-based image denoising in sharp frequency localized Contourlet transform domain[J]. Infrared and Laser Engineering, 2014, 43(7): 2341-2348.

基于CHMM 的尖锐频率局部化Contourlet 域图像去噪

基金项目: 

国家自然科学基金(60973094,61103128);教育部科技研究重大项目(311024);新进科研人员启动经费(1255210232110940);111 高等学校学科创新引智计划(B12018)

详细信息
    作者简介:

    张红英(1989-),女,硕士生,主要从事多尺度几何变换、图像融合方面的研究。Email:zhanghy_0816@163.com

  • 中图分类号: TP391;TN911.4

Contextual hidden Markov model-based image denoising in sharp frequency localized Contourlet transform domain

  • 摘要: 提出了一种基于上下文信息隐马尔科夫模型(CHMM)的尖锐频率局部化Contourlet 域图像去噪方法。首先,对噪声图像进行循环平移操作,再利用尖锐频率局部化Contourlet 变换对平移后的图像进行分解,解决了原始Contourlet 变换频率非局部化及缺乏平移不变性的问题,抑制图像在奇异点处产生的伪吉布斯现象。然后,设计一种新的上下文构造方案,针对图像高频子带系数构建CHMM 进行去噪处理。最后,执行尖锐频率局部化Contourlet 逆变换以及逆向循环平移操作获得最终的去噪图像。文中方法采用有效的变换机制并利用上下文信息构建了一个全面的统计相关模型,充分表达了轮廓波高频子带系数在尺度间的持续性、尺度内的多方向选择性和空间邻域内的能量聚集特性,更加有利于图像的去噪处理。实验结果表明:该方法在提高去噪图像PSNR 值的同时进一步改善了其视觉效果,去噪性能优于基于小波变换和原始Contourlet 变换的去噪方法。
  • [1]
    [2] Crouse M S, Nowak R D, Baraniuk R G. Wavelet-based statistical signal processing using hidden Markov models [J]. Signal Processing, 1989, 46(4): 86-902.
    [3] Jiao Licheng, Tan Shan. Development and prospect of image multiscale geometric analysis [J]. Acta Electronica Sinica, 2003, 31(z1): 1975-1981. (in Chinese) 焦李成, 谭山. 图像的多尺度几何分析:回顾和展望[J]. 电子学报, 2003, 31(z1): 1975-1981.
    [4]
    [5] Do M N, Vetterli M. The Contourlet transform: an efficient directional multiresolution image representation [J]. Image Processing, 2005, 14(12): 2091-2106.
    [6]
    [7] Yue Lu, Do M N. A new Contourlet transform with sharp frequency localized [C]//Image Processing, IEEE International Conference, 2006: 1629-1632.
    [8]
    [9]
    [10] Eslami R, Radha H. The Contourlet transform for image denoising using cycle spinning [C]//Signals,Systems and Computers, Conference Record of the Thirty-Seventh Asilomar Conference, 2003, 2: 1982-1986.
    [11] Crouse M S, Baraniuk R G, Nowark R D. Hidden Markov models for wavelet-based Signal Processing [C]//Conference Record of the Thirtieth Asilomar Conference, 1996, 2: 1029-1035.
    [12]
    [13] Po D D-Y, Do M N. Directional multiscale modeling of images using the contourlet transform[J]. IEEE Transactions on Image Processing, 2006, 15(6): 1610-1620.
    [14]
    [15] Crouse M S, Baraniuk R G. Contextual hidden Markov models for wavelet-domain signal processing [C]//Signals,Systems and Computers,Conference Record of the Thirty-First Asilomar Conference, 1997, 1: 95-100.
    [16]
    [17] Fan Guoliang, Xia Xianggen. Image denoising using a local contextual hidden Markov model in the wavelet domain [J]. Signal Processing Letters, 2001, 8(5): 125-128.
    [18]
    [19]
    [20] Long Zhiling, Younan N H. Contourlet image modeling with contextual hidden markov models [C]//IEEE Southwest Symposium on Image Analysis and Interpretation, 2006: 173-177.
    [21] Long Zhiling,Younan N H. Statistical image modeling in the contourlet domain using contextual hidden Markov modelsle[J]. Signal Processing, 2009, 89(5): 946-951.
    [22]
    [23]
    [24] Qu Xiaobo, Yan Jingwen, Yang Guide. Sum-modified-Laplacian-based multifocus image fusion method in cycle spinning sharp frequency localized contourlet transform domain [J]. Optics and Precision Engineering, 2009, 17(5): 1203-1212. (in Chinese) 屈小波, 闫敬文, 杨贵德. 改进拉普拉斯能量和的尖锐频率局部化Contourlet 域多聚焦图像融合方法[J]. 光学精密工程, 2009, 17(5): 1203-1212.
    [25] Chipman H, Kolaczyk E, McCulloch R. Adaptive Bayesian wavelet shrinkage [J]. Journal of the American Statistical Association, 1997, 92: 1413-1421.
    [26]
    [27] Romberg J K, Hyeokho Choi, Baraniuk R G. Bayesian tree-structured image modeling using wavelet-domain hidden Markov models[J]. IEEE Transactions on Image Processing, 2001, 10(7): 1056-1068.
    [28]
    [29] Mahafza B R, Elsherbeni A Z. Matlab Simulations for Radar Systems Design[M]. New York: CRC Press Company, 2004.
    [30]
    [31]
    [32]
  • [1] 胡浩丰, 黄一钊, 朱震, 马千文, 翟京生, 李校博.  基于深度学习复杂环境的偏振成像技术研究进展(特邀) . 红外与激光工程, 2024, 53(3): 20240057-1-20240057-18. doi: 10.3788/IRLA20240057
    [2] 张逸文, 蔡宇, 苑莉薪, 胡明列.  基于循环神经网络的超短脉冲光纤放大器模型(特邀) . 红外与激光工程, 2022, 51(1): 20210857-1-20210857-7. doi: 10.3788/IRLA20210857
    [3] 王向军, 欧阳文森.  多尺度循环注意力网络运动模糊图像复原方法 . 红外与激光工程, 2022, 51(6): 20210605-1-20210605-9. doi: 10.3788/IRLA20210605
    [4] 张骏, 朱标, 沈玉真, 张鹏.  基于引导滤波的多分支注意力残差红外图像去噪网络 . 红外与激光工程, 2022, 51(11): 20220060-1-20220060-11. doi: 10.3788/IRLA20220060
    [5] 李慧, 樊宏杰, 陈前荣, 邹前进.  运动平移台静态指向误差建模、测试与修正 . 红外与激光工程, 2021, 50(12): 20210161-1-20210161-7. doi: 10.3788/IRLA20210161
    [6] 李鹏举, 张雅声, 方宇强, 殷智勇.  基于改进马尔可夫随机场的事件相机去噪算法 . 红外与激光工程, 2021, 50(10): 20210294-1-20210294-8. doi: 10.3788/IRLA20210294
    [7] 陈法领, 丁庆海, 罗海波, 惠斌, 常铮, 刘云鹏.  采用时空上下文的抗遮挡实时目标跟踪 . 红外与激光工程, 2021, 50(1): 20200105-1-20200105-11. doi: 10.3788/IRLA20200105
    [8] 李方舟, 赵耀宏, 向伟, 刘海峥.  基于改进非局部均值的红外图像混合噪声去除方法 . 红外与激光工程, 2019, 48(S1): 163-173. doi: 10.3788/IRLA201948.S128001
    [9] 张爱武, 赵江华, 赵宁宁, 康孝岩, 郭超凡.  结合张量空间与倒易晶胞的高光谱影像去噪去混叠 . 红外与激光工程, 2018, 47(10): 1026002-1026002(10). doi: 10.3788/IRLA201847.1026002
    [10] 崔珊珊, 李琦.  基于小波变换的太赫兹数字全息再现像去噪研究 . 红外与激光工程, 2015, 44(6): 1836-1840.
    [11] 徐冬, 孙蕾, 罗建书.  结合NAPCA 和复小波变换的高光谱遥感图像去噪 . 红外与激光工程, 2015, 44(1): 327-334.
    [12] 王晓飞, 王霄衣, 史翔宇, 阎秋静, 陈向南.  基于空间上下文单类分类器的目标检测算法 . 红外与激光工程, 2015, 44(S1): 236-240.
    [13] 蒋立辉, 李猛, 熊兴隆, 冯帅.  探测因子优化的多尺度形态滤波器去噪方法 . 红外与激光工程, 2014, 43(2): 654-658.
    [14] 邢砾云, 张瑾, 崔洪亮.  小波域马尔可夫随机场在THz 图像处理中的应用 . 红外与激光工程, 2014, 43(7): 2324-2334.
    [15] 马媛花, 胡炳樑, 李然, 孙朗, 孙念, 王峥杰.  采用Gyrator变换的泰伯效应及图像去噪 . 红外与激光工程, 2014, 43(2): 665-670.
    [16] 张凌晓, 刘克成, 李财莲.  Tetrolet变换方块效应改善算法 . 红外与激光工程, 2014, 43(5): 1679-1684.
    [17] 葛广一, 魏振忠.  图像去雾过程中的噪声抑制方法 . 红外与激光工程, 2014, 43(8): 2765-2771.
    [18] 席志红, 初守艳, 肖易寒.  基于预选算法的全局平移运动参数估计 . 红外与激光工程, 2013, 42(11): 3144-3149.
    [19] 熊兴隆, 李猛, 蒋立辉, 冯帅.  极点均值型经验模式分解及其去噪应用 . 红外与激光工程, 2013, 42(6): 1628-1634.
    [20] 吴坤, 张合新, 孟飞, 陈聪.  激光主动成像图像噪声抑制方法 . 红外与激光工程, 2013, 42(9): 2397-2402.
  • 加载中
计量
  • 文章访问数:  882
  • HTML全文浏览量:  66
  • PDF下载量:  149
  • 被引次数: 0
出版历程
  • 收稿日期:  2013-11-14
  • 修回日期:  2013-12-20
  • 刊出日期:  2014-07-25

基于CHMM 的尖锐频率局部化Contourlet 域图像去噪

    作者简介:

    张红英(1989-),女,硕士生,主要从事多尺度几何变换、图像融合方面的研究。Email:zhanghy_0816@163.com

基金项目:

国家自然科学基金(60973094,61103128);教育部科技研究重大项目(311024);新进科研人员启动经费(1255210232110940);111 高等学校学科创新引智计划(B12018)

  • 中图分类号: TP391;TN911.4

摘要: 提出了一种基于上下文信息隐马尔科夫模型(CHMM)的尖锐频率局部化Contourlet 域图像去噪方法。首先,对噪声图像进行循环平移操作,再利用尖锐频率局部化Contourlet 变换对平移后的图像进行分解,解决了原始Contourlet 变换频率非局部化及缺乏平移不变性的问题,抑制图像在奇异点处产生的伪吉布斯现象。然后,设计一种新的上下文构造方案,针对图像高频子带系数构建CHMM 进行去噪处理。最后,执行尖锐频率局部化Contourlet 逆变换以及逆向循环平移操作获得最终的去噪图像。文中方法采用有效的变换机制并利用上下文信息构建了一个全面的统计相关模型,充分表达了轮廓波高频子带系数在尺度间的持续性、尺度内的多方向选择性和空间邻域内的能量聚集特性,更加有利于图像的去噪处理。实验结果表明:该方法在提高去噪图像PSNR 值的同时进一步改善了其视觉效果,去噪性能优于基于小波变换和原始Contourlet 变换的去噪方法。

English Abstract

参考文献 (32)

目录

    /

    返回文章
    返回