基于形态成分分析和Contourlet变换的自适应阈值图像去噪方法-论文.pdf

《基于形态成分分析和Contourlet变换的自适应阈值图像去噪方法-论文.pdf》由会员上传分享，免费在线阅读，更多相关内容在应用文档-天天文库。

1、第27卷第6期模式识别与人工智能Vo1．27No．62014年6月PR＆AIJune2014基于形态成分分析和Contourlet变换的自适应阈值图像去噪方法术纪建许双星李晓(西安电子科技大学计算机学院西安710071)摘要针对含有丰富纹理和边缘特征的噪声图像，提出一种基于形态成分分析(MCA)和Contourlet变换的自适应阈值图像去噪方法．该方法首先引入MCA将噪声图像分为低频部分和高频部分，在此基础上设计一种自适应的分层阈值估计处理策略．根据噪声的分布特性，通过阈值估计和Contourlet变换对噪声图像的低频部分和高频部分进行分频带去噪处理，有

2、效去除噪声图像中的噪声．通过对噪声图像的仿真实验表明，文中方法能较好地保留图像纹理和边缘，并且去噪效果优于传统的均值滤波去噪、中值滤波去噪、小波多层阈值去噪和轮廓波多层阈值去噪方法．关键词形态成分分析(MCA)，轮廓波变换，自适应阈值，图像去噪中图法分类号TP391AnAdaptiveThresholdingImageDenoisingMethodBasedonMorphologicalComponentAnalysisandContourletTransformjIJian，XUShuang—Xing，LIXiao(SchoolofComputerSc

3、ienceandTechnology，XidianUniversity，Xi"an710071)ABSTRACTAimingatthenoiseimagewithrichtextureandedgefeature，anadaptivethresholdingimagedenoisingmethodbasedonmorphologicalcomponentanalysis(MCA)andcontourlettransformisproposed．Firstly，MCAmethodisintroducedtoseparatetheimageintothelo

4、wfrequencypartandthehighfrequencypart．Then，anadaptivethresholdingprocessingmethodisdesigned．Finally，accordingtothecharacteristicsofnoisedistribution，thethresholdestimationandcontourlettransformareusedinthelowfrequencypartandthehighfrequencyparttoeffectivelyremovethenoisefromtheno

5、isyimage．Theexperimentalresuhsonnoiseimagesillustratethattheproposedmethodreservesbettertexturesandedgesoftheimage，anditsdenoisingperformanceisbetterthanthatofthemeanfilter，themedianfilter，thewaveletmuhilevelthresholddenoisingandthecontourletmuhileve1thresholddenoising．KeyWordsMo

6、rphologicalComponentAnalysis(MCA)，ContourletTransform，AdaptiveThresholding，ImageDenoising国家自然科学基金项目(No．61101248)、中央高校基本科研业务费专项资金项目(No．JB140315)资助收稿日期：2012—12—24；修回日期：2013—05—09作者简介纪建(通讯作者)，女，1971年生，博士，副教授，主要研究方向为图像处理、模式识别．E—mail：jji@xidian．edu．en．许双星，男，1988年生，硕士，主要研究方向为图像处理、模式识别．

7、李晓，男，1987年生，硕士，主要研究方向为图像处理、模式识别．562模式识别与人工智能27卷1引言同，需对噪声方差进行再估计，采用中值估计算子估计噪声方差．再通过所估计的噪声方差和基于Cont—ourlet变换分层自适应阈值处理的方法对低频部分在图像处理中，如何利用图像的成分来表示图和高频部分去噪处理，最后得到去噪后的图像．像并且进行图像分离，这在图像去噪、压缩、特征提本文将MCA与Contourlet变换及自适应阈值估取等应用中有着重要意义．独立成分分析(Inde．计的方法结合起来，先通过MCA将噪声图像稀疏分pendentComponentsAna

8、lysis，ICA)¨假设源信号是解为低频部分和高频部分，在此基础上设计一种自独