框架域子帶間局部隱馬爾可夫模型在圖像去噪中的應用

申 森

（太原大學外語師范學院，山西 太原 030012）

框架域子帶間局部隱馬爾可夫模型在圖像去噪中的應用

申 森

（太原大學外語師范學院，山西 太原 030012）

噪聲是影響圖象質量的主要因素，因此，有必要在分析和利用圖像之前消除噪聲。在本文中，研究了基于框架域子帶間局部隱馬爾可夫模型。這種模型能很好地捕捉小波框架系數的“聚集”特性，也能捕捉方向間小波框架系數的相關性。本文利用這種模型進行圖像去噪。實驗表明，本文提出的去噪方法取得了較高的去噪結果。

局部隱馬爾可夫模型；圖像去噪；小波變換

1.引言

圖像在采集、獲取以及傳輸的過程中，往往要受到噪聲的污染，成為影響視覺質量的含噪圖像。圖像降噪的目的就是盡可能好地改善圖像的質量。人們根據實際圖像的特點、噪聲的統計特征和頻譜分布規律發展了各式各樣的降噪方法，其中最為直觀的方法是根據噪聲能量一般集中于高頻，而圖像頻譜則分布于一個有限區間的特點，采用低通濾波的方式進行降噪，例如滑動平均窗濾波器、Wiener 線性濾波器等。文獻[1]通過建立描述邊緣的數學模型，提出了邊緣重構技術。Yang[2]，Charbonnier[3]提出了半二次正則化方法，能很好地保持圖像的邊緣。

近年來，人們將小波變換與其它方法結合實現對圖像降噪。Crouse 等人將小波理論與馬爾可夫模型(HMM) 聯系起來，提出小波域隱馬爾可夫模型[4]-[6]。一些學者利用小波域隱馬爾可夫模型，特別是小波域隱馬爾可夫樹模型，來進行圖像處理，如圖像去噪[7][8]，圖像分隔[9]。

2.基于框架域子帶間局部隱馬爾可夫模型

圖像可以看作為二維矩陣，設圖像為{f[i,j],i,j=1, 2,...,N}，其中 N =2s,s ∈Z+。二維框架變換可以將圖像的基本特征在時域與頻域中同時展現出來。設小波框架濾波器的低通濾波器為L，高通濾波器分別為H1,H2，則通過小波框架變換，圖像變為九個子帶：子帶k=1,2,...,J 稱為分辨率細節信息，其中J為最大分解尺度。子帶LLJ稱為最低分辨率低頻信息。

圖像經小波框架變換后小波框架系數呈現稀疏性分布，即大部分小波框架系數的幅值比較小，只有少部分小波框架系數幅值較大。實際上，小波框架系數的概率密度函數呈現尖峰值、重拖尾的非高斯分布特征。高斯混合模型可以很好地描述這種非高斯性。高斯混合模型描述如下：

其中：

pSk,i,j,b(m)為 概 率 質 量 函 數 。 有 pSk,i,j,b(0)表示不同狀態：表示小波框架系數處于狀態 0 時的條件密度函數，表示小波框架系數處于狀態1時的條件密度函數。

小波框架系數的幅值和它相鄰的系數幅值有關，因此我們提出局部高斯混合模型，假設每個框架小波系數 wk,i,j,b符合局部高斯混合模型，其參數通過下式給出：

圖1 ：(a) 局部高斯混合模型結構示意圖。 (b) 局部高斯混合模型上的元素集合.黑點表示在同一尺度和位置的隨機變量W。

子帶之間的相關性對框架域是非常有用的。 為分析相關性，我們把在同一尺度和位置上的小波框架系數用wk,i,j=｛ wk,i,j,｜bb ∈B}表示，如圖1.b所示，其中B={H1L ，我們通過定義隨機變量如果則它的值為或者，如果則它的值為其中為集合的平均能量。利用高斯混合模型，把wk,i,j與式(1)結合,我們提出基于框架域的子帶間局部隱馬爾可夫模型。如下：

其中：

基于框架域的兩狀態，零均值子帶間局部隱馬爾可夫模型參數向量為：

3.去噪算法和實驗結果

數字圖像去噪的模型如下：

如F[i,j]服從零均值的混合高斯分布，則Y[i,j]也服從零均值的混合高斯分布，其方差為F[i,j]與噪聲V[i,j]的方差之和，而其它參數與F[i,j]的參數相同。 因此，如果帶噪圖像Y[i,j]的參數為則原始圖像 F[i,j]的參數為其中

給定子帶間局部隱馬爾可夫模型的參數, 可得F[i,j]的條件均值估計

1）對觀察到的圖像 y[ i,j]進行J層小波框架分解。

2）通過 EM 算法估計基于框架域的子帶間局部隱馬爾可夫模型的參數向量。

3）對每一子帶（最低頻LL保持不變），通過（4）估計F [i,j ]。

4）對 F [i,j]進行逆小波框架變換，得到去噪圖像f?[i,j]。

本文選取了lena圖像進行去噪實驗。給lena圖像加零均值的標準高斯噪聲，σ ∈｛10 ,15,20,25,30｝。去噪效果用峰值信噪比來衡量。

算法流程如下：

表1 不同算法的去噪比較(PSNR值)

4.結束語

在本文中，提出了基于框架域子帶間局部隱馬爾可夫模型。這種模型能很好地捕捉小波框架系數的“聚集”特性，也能捕捉方向間小波框架系數的相關性。本文利用這種模型進行圖像的去噪處理。實驗仿真表明，本文提出的去噪方法取得了較高的峰值信噪比。

[1] Guoliang Fan, Wai-Kuen Cham.Model-based reconstruction for low bit-rate wavelet-compressed images[J].IEEE,Transactions on Circuits and Systems for Video Technology,2000,V10(1): 120-132。

[2] D.Geman and C.Yang.Nonlinear image recovery with half-quadratic regularization and FFT’s [J].IEEE, Trans.Image processing, 1995,V(4)7:932-946。

[3] Pierre Charbonnier, L.Blanc-Feraud, G.Aubert, and Michel Barlaud.Deterministic edge-preserving regularization in computed imaging [J].IEEE, Trans.Image processing, 1997,V(6)2:298-311。

[4] Crouse M.S., Nowak R.D., Baraniuk R.G.Hidden Markov models for wavelet-based signal processing[C].In: Proceedings of the 30st Asilomar Conference on Signals, Systems and Computers, Pacific Grove, CA, USA, 1996, 1029-1035。

[5] M.Crouse, R.Nowak, and R.Baraniuk.Wavelet-based statistical signal processing using hidden Markov models [J].IEEE Trans.Signal Process, 1998, V(46)4:886-902。

[6] M.Crouse, R.Nowak, and R.Baraniuk.Contextual hidden Markov models for wavelet-domain signal processing[A].Processing of the 31st Asilomar Conference on Signals, Systems and Computers, Pacific Grove, CA, USA, 1997:95-100。

[7] J.Romberg, H.Choi, and R.Baraniuk.Bayesain tree-structured image modeling using wavelet domain hidden Markov Models[J].IEEE Trans.Image Process, 2001,V(10)7:1056-1068

[8] G.Fan and X.-G.Xia.Image denoising using local contextual hidden Markov model in the wavelet domain[J].IEEE Signal Process.Lett, 2001, V(8)5:125-128。

[9] H, Choi and R.Baraniuk.Multiscale image segmentation using wavelet-domain hidden Markov models[J].IEEE, Trans.Image Processing, 2001, V(10):1309-1321。

TN941.2+1

A

1008-7427（2012）04-0159-02

2012-02-24