基于非下采样轮廓波变换的红外热图去噪方法.docx

基于非下采样轮廓波变换的红外热图去噪方法摘要：红外热图去噪不仅可以去除红外热图的噪声还能提高图像的清晰度具有很强的实用性。在此提出一种基于非下采样轮廓波变换的Bayes自适应去噪算法并且结合变换后的每一层子带的各个方向间的能量分布规律对不同的方向子带自适应地设置阈值对相应的子带系数进行软阈值去噪保留了更多的原始图像的纹理和边缘等细节信息。在Matlab环境下的仿真结果表明该算法不仅去噪效果优异而且处理后的图像更加接近原图像的视觉效果。关键词：红外热图去噪；NSCT变换；Bayes估计；软阈值中图分类号：TN919?34；TP391文献标识码：A文章编号：1004?373X（2013）16?0071?030引言红外热像技术是利用红外探测器与光学成像物镜将物体发出的不可见红外线转变为热图像。由于红外热像的获取装置是一个窄带光谱辐射测温系统并且是根据测到的辐射能计算出来的。因此在实际测量时不免会引进一些噪声对这些噪声的清除将大大改善红外热像仪的视觉效果更进一步提高红外热像技术的使用前景。2002年DOMN和Vetterlim共同提出了Contourlet变换[1?2]这是一种结合了多分辨率分析和多方向滤波的小波变换它不仅具有小波变换所具体的多尺度、时频局域性而且还具有多方向、各向异性等特征。但由于Contourlet变换不具有平移不变性A.L.Cunha等人于2005年提出了非下采样的Contourlet变换（NonsubsampledContourletTransformNSCT[3]）该算法不仅得到了灵活的多分辨率、多方向性而且还具有平移不变性。该算法包括无下采样的金字塔分解和无下采样的方向滤波器组不仅得到了灵活的多分辨率、多方向性而且还具有平移不变性。本文提出的基于NSCT变换的去噪方法根据不同方向子带的Bayes估计原始图像信号的噪声结合能量分布自适应的调整相应的阈值避免了统一阈值的截断式处理可能造成的图像细节丢失。1理论基础1.1非下采样金字塔A.L.Cunha等人于2005年提出了NSCT变换该算法分为两部分：无下采样的LP[4]（LaplacianPyramid）分解和无下采样的DFB（DirectionalFilterBank）分解。无下采样的LP分解不同于Contourlet变换中的LP分解。在NSCT变换中采用àtrous算法的思想对低通滤波器和高通滤波器分别进行上采样（对于第j尺度上的分解在相邻两个滤波器系数间同时插入[2j-1]个零）然后对上一尺度滤波后的低频图像用上采样后的低通滤波器进行低通滤波得到低频图像对上一尺度滤波后的高频图像用上采样[5]后的高通滤波器进行高通滤波得到LP分解后的高频图像。无下采样的LP分解过程（见图1）。图中[xj+1]表示无下采样的第[j+1]尺度上的低频信号[yj+1]表示无下采样的第[j+1]尺度上的高频信号。[Hj][Gj]分别表示[H0][G0]的[2j]尺度膨胀（即在相邻两个滤波器系数之间同时插入[2j-1]个零）。1.2非下采样方向分解对于NSCT中的无下采样的DFB分解而言在第一级分解中采用标准的扇形滤波器来获得图像频谱的“水平”分量和“垂直”分量。在第二级分解中对扇形滤波器采用梅花形矩阵进行上采样得到的插值扇形滤波器有棋盘状的频域支撑称为象限滤波器。如图2所示。1.3NSCT变换的性质总结以上分析可知NSCT并不对LP分解后的分量和DFB分解后的分量进行下采样而是分别对滤波器进行上采样由此获得了平移不变性消除了图像恢复过程中的伪Gibbs失真同时增强了图像的NSCT的方向选择性使后期去噪合成的图像能够更加逼近原始图像。2阈值去噪2.1噪声信号模型图像噪声信号模型为g=s+n其中s为图像信号的真实值n为图像信号中夹杂的噪声g为图像信号观测值。对应NSCT模型的噪声信号为：[gmkk=smkk+nmkk]（1）式中[gmkk]是噪声图像经NSCT分解后的第k（当前分解层数）层第[mk]（当前的方向数）方向的分解系数[smkk]是原图像信号经NSCT变换分解后的第k层第[mk]方向的分解系数[nmkk]是噪声信号经NSCT变换分解后的第k层第d方向的分解系数。2.2去噪算法阈值去噪的思路是：对含噪图像进行NSCT后得到的系数只有少量的较大幅值系数表示图像的纹理和边缘等图像细节信息其他大部分小幅值系数代表图像的噪声信号或平滑分量。对小于某一阈值的NSCT系数（除低频子带）收