基于结构纹理分解的图像去噪方法

《基于结构纹理分解的图像去噪方法》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、科#学#技#术#与#工#程#第!"卷#第$$期#$%!"年&月;34?5@$%!"!'(!!!&!)"$%!"#$$*''%%*%)#,-./0-/1/-2034356708905.0//:.05#$%!"#,-.<1/-2<905:5

2、像分解为结构部分和纹理部分!然后用改进的G*H扩散和相干增强扩散结合方法对纹理部分去噪!最后重新组合结构部分和去噪后的纹理部分!得到最终去噪的图像#数值试验结果表明!方法有效提高了图像去噪的质量!较好地保护了边缘(纹理信息!恢复其光滑的线状结构关键词#结构##纹理##图像分解##图像去噪中图法分类号#1G"O!<+!%####文献标志码#>###随着计算机(数码相机等数字化产品的普及应和数据分析表明$该方法能有效提高图像去噪的用$图像处理技术已涉及到人们工作(生活的各个质量'方面'由于图像在采集(传输(存储过程中容易受$因此图像去噪是图像

3、处理技术中最!"图像的结构纹理分解到噪声的干扰低层而又必需的工作$图像去噪的好坏直接影响到已知图像U"9$:#$图像结构纹理分解的目的就高层次的图像处理工作'基于偏微分方程的图像是&将原图像U"9$:#分解为结构部分V"9$:#和纹去噪方法是近几年发展起来的图像去噪中一种主理部分&"9$:#$满足 &U"9$:#"V"9$:#/&"9$:#%要方法$它不但能较好地抑制噪声$还能保持较好其中结构部分为图像的主要结构$具有分片光滑的的图像边缘和纹理信息$如&经典的G*H扩散模特征%纹理部分为图像的小尺度细节和噪声等$具型$U]h全变差极小化模

4、型)$*等$在此基础上人有一定的空域周期性特征)!*'们又不断提出改进$如&加权变分的图像去噪算H/6/:基于U]h全变差极小化)$*提出了振荡函数空间的理论'该理论认为有界变差函数空法(基于分数阶积分的图像去噪(小波域的偏)'*)"*)+*间"简称A;空间#对纹理不是理想的函数空间$并 微分方程图像去噪算法))*等等'但是$抑制噪声与定义了"个适合于描述纹理的泛函空间及相应的图 边缘纹理细节的保持$始终是图像去噪难以解决的像分解模型%但是该模型没有标准的9?4/:*C75:705/一个矛盾$即过度的平滑会使细节信息丢失$而要方程$很难直

5、接求解'C?K.0.[7><;/P/和 保持细节信息$则噪声不容易被消除,[704/6'i<]P2/:提出了一个较为简单而有效的近似模型本文提出基于结构纹理分解的图像去噪方法$)(*";/P/*]P2/:模型#&首先将含噪图像分解为结构和纹理"包含噪声#部分$然后利用相干增强扩散对边缘线条去噪的优 "".0_"SVS/SU+V+0"V$8$8#%!$$$势$对纹理部分去噪$最后将去噪后的纹理部分与V$8$8!$$结构部分重新组合$得到去噪后的图像'实验结果++9!:$8+8S898:/!%%槡$$"!#*)"8/8#898:*$!$$%!

6、"年+月!&日收到陕西省自然科学基础研究式"!#中$参数A%$考虑到计算的复&"8.8$,计划"$%!!i9%!!#$陕西省教育厅专项基金"$%!"iE%'%$#资助"*第一作者简介&张力娜"!O(&!#$女$讲师'硕士'研究方向&图像杂度$取%"!'模型中第一项V的正则项用来度量处理$小波分析'结构分量$第二项为V/&的保真项$第三项则是对$$期张力娜$等&基于结构纹理分解的图像去噪方法''%!图!#;/P/*]P2/:模型对A7:a7:7噪声图像分解的结果纹理分量&的度量$U与V(&的关系为的质量'结合G*H模型在处理光滑区域的优势

7、$文&U"V/&/=$V为结构"分片光滑#部分$&为纹理部分$=则献)O*提出了G*H扩散和相干增强扩散结合的去噪是被磨掉的噪声或部分图像信息';/P/*]P2/:模型模型&将图像分解为结构部分V和纹理部分&的同时$能+V"D"9$:#8.)U"SVS#V*/D"9$""消除一部分噪声$但也会损失很小一部分图像信息'!$+7以图"中$)'d$)'大小的a7:a7:7灰度图像为:#8.)5V*"$#"式"$#中权重函数!是含噪图像V的%D"9$:#实验图像$加入方差$为$%的高斯白噪声后$用))+!梯度模VS的递减函数$权重函数SD"9

8、$:#"!+;/P/*]P2/:模型将噪声图像U分解为结构部分V和$""9$:#'在边缘(纹理处纹理部分&$其中="U+V+&为丢弃的少部分噪声DD"9$:#%$D"9$:#,,!!$!$相干