復(fù)Ｄａｕｂｅｃｈｉｅｓ小波域ＨＭＴ模型Ｂａｙｅｓｉａｎ圖像去噪

摘要：提出了基于復(fù)Daubechies小波域隱馬爾可夫樹(SDW－HMT)模型Bayesian圖像去噪算法，由于SDW小波是緊支撐、對(duì)稱、正交小波，且具有近似線性相位，將其與HMT模型結(jié)合，能夠更加準(zhǔn)確地刻畫小波系數(shù)的統(tǒng)計(jì)特征，在Bayesian圖像去噪中獲得很好的效果，仿真實(shí)例顯示了所提算法的有效性。

關(guān)鍵詞：復(fù)Daubechies小波； 隱馬爾可夫樹模型； 線性相位； 貝葉斯去噪

中圖分類號(hào)：TP391文獻(xiàn)標(biāo)志碼：A

文章編號(hào)：1001－3695(2008)04－1103－02

小波分析已成為信號(hào)和圖像處理的有力工具，基于小波分析的圖像去噪、壓縮、檢測(cè)、融合等已得到成功應(yīng)用。小波圖像去噪方法主要有空域相關(guān)濾波、模極大值重構(gòu)濾波、閾值濾波以及基于各種小波系數(shù)模型的Bayesian濾波。大多數(shù)濾波方法均假定小波系數(shù)是獨(dú)立的或具有聯(lián)合高斯分布，但這與事實(shí)不符。M.S.Crouse等人[1]提出的混合型高斯隱馬爾可夫模型充分刻畫了小波系數(shù)尺度內(nèi)及尺度間的統(tǒng)計(jì)特征，基于該模型的去噪算法獲得了很好的效果。

對(duì)信號(hào)和圖像進(jìn)行小波分析時(shí)，通常希望所選的小波基能同時(shí)具有緊支撐、對(duì)稱（反對(duì)稱）和正交性質(zhì)，但除Haar小波外，實(shí)小波不可能同時(shí)具有這些性質(zhì)。由于SDW小波是緊支撐、對(duì)稱、正交小波，且具有近似線性相位，本文將SDW小波與HMT模型結(jié)合，將其應(yīng)用于圖像的Bayesian估計(jì)去噪中，仿真實(shí)例顯示能有效提高圖像去噪效果。

4結(jié)束語(yǔ)

通過(guò)對(duì)大量含噪圖像去噪結(jié)果的分析，進(jìn)一步驗(yàn)證了基于SDW－HMT模型圖像去噪算法比傳統(tǒng)的閾值法以及基于DWT－HMT模型的圖像去噪算法效果要好。在保留圖像細(xì)節(jié)的同時(shí)也避免了圖像出現(xiàn)偽振鈴現(xiàn)象，這與SDW所具有的特性是一致的。理論分析和實(shí)驗(yàn)結(jié)果均表明基于SDW－HMT模型的Bayesian去噪算法不論在視覺(jué)上還是在PSNR方面均優(yōu)于傳統(tǒng)的去噪算法。

參考文獻(xiàn)：

[1] CROUSE M S， NOWAK R D， BARANIUK R G. Wavelet－based statistical signal processing using hidden Markov models[J]. IEEE Trans on Signal Processing， 1998，46(4):886－902.

[2]ROMBERG J K， CHOI H， BARANIUK R G.Bayesian tree－structured image modeling using wavelet－domain hidden Markov models[J]. IEEE Trans on Image Proc， 2001，6(10):1056－1068.

[3]LINA J M， MAYRAND M. Complex Daubechies wavelets[J]. App Comp Harmonic Anal， 1995，2:219－229.

[4]MALLAT S. A theory for multiresolution signal decomposition: the wavelet representation[J]. IEEE Trans Pattern Analysis and Machine Intell， 1989，11:674－693.

[5]DONOHO D L. De－noising by soft thresholding[J]. IEEE Trans on Inform Theory， 1995，41:613－627.

[6]RONEN O， ROHLICEK J R， OSTENDORF M. Parameter estimation of dependence tree models using the EM algorithm[J]. IEEE Signal Processing Letters， 1995，2(8):157－159.

[7]FANG G L， XIA X G. Improved hidden Markov models in the

wavelet－domain[J].IEEE Trans on Signal Processing， 2001，49(1):115－120.

“本文中所涉及到的圖表、注解、公式等內(nèi)容請(qǐng)以PDF格式閱讀原文”