基于UDCT系數的改進HMT和在圖像去噪中應用

楊興明，陳海燕，王 剛，王彬彬，趙銀平

1.合肥工業大學 計算機與信息學院，合肥 230009

2.合肥工業大學 電氣與自動化工程學院，合肥 230009

基于UDCT系數的改進HMT和在圖像去噪中應用

楊興明1，陳海燕1，王 剛1，王彬彬1，趙銀平2

1.合肥工業大學 計算機與信息學院，合肥 230009

2.合肥工業大學 電氣與自動化工程學院，合肥 230009

1 引言

圖像處理的應用非常廣泛，例如去噪、融合、分割等[1-2]，圖像噪聲去除的基本方法有空間域的和變換域的，空間域濾波能夠有效濾除光滑區域的噪聲但容易模糊邊緣；變換域去噪的方法主要由傅里葉變換和小波變換，而小波變換由于其多分辨率和時頻局部等特性，廣泛用于圖像去噪。由兩個一維正交小波基張成的二維小波具有各向同性使其在表示圖像邊界時候不具有稀疏性，不是最優基。

沿圖像的曲線邊緣表示是圖像表示的一個突破。自2000年以后常用的方法有：曲波變換（Curvelet），輪廓波變換（Contourlet）等。Curvelet變換在描述二次光滑空間的曲線時具有獨到的優勢，其通過幅度窗口函數和角度窗口函數實現對圖像曲線的完美重構，并且Curvelet變換的快速變換（Fast Discrete Curvelet Transform，FDCT）在頻率域使用FFT算法實現的[3]。Contourlet變換是在空間域通過濾波器組結構實現的參數化Curvelet變換，故Contourlet基函數不是帶限的[4]。Truong T.Nguyen和Hervé Chauris提出均勻離散曲波變換（UDCT）結合了Curvelet變換和Contourlet變換的優點：它是通過在頻域用類似Contourlet結構的多分辨率濾波器組實現的；UDCT頻率域的濾波器組的構造是滿足Curvelet基函數要求；故UDCT既具有Curvelet完整的理論基礎也有類似于Contourlet的易于實現濾波器組結構[5]。UDCT和折疊FDCT一樣都是使用FFT算法實現的，但是二者的區別是：UDCT采用濾波器組結構下的采樣來降低冗余率，而折疊FDCT是通過頻率域的對頻率進行折疊來降低冗余率的；UDCT基函數是在均勻的整數網格中的，而FDCT基函數是在非均勻網格中；UDCT系數具有和小波系數一樣的樹結構而折疊FDCT系數則不具有樹的結構。

HMT能很好地描述這種具有樹結構系數之間的關系。四叉樹建立每個父系數和其四個子系數之間的隱狀態聯系。關于Wavwlet HMT模型和Contourlet HMT模型已有大量研究并且都證明其具有良好的去噪效果[6-7]。本文將HMT模型應用到UDCT系數上，實驗證明：該模型具有良好的去噪效果。

2 均勻離散曲波變化（UDCT）的實現

均勻離散曲波變換（UDCT）是可逆多分辨率變換，是在頻率域通過類似Contourlet濾波器組結構實現的。實現過程如圖1示。

圖1 UDCT的正變換和反變換

在頻域將用到類似Contourlet濾波器組的參數化窗口，可以表示為有1個低通和2N個方向高通的二維濾波器組。在不同的分辨率下通過級聯相同的濾波器組，即是UDCT頻域離散分解。定義2-D參數化窗口函數族構成式（1）的單位分解；當N=3時，7個窗函數定義的如式（2）7帶濾波器組。

其中u0(ω)為離散低通濾波器頻率響應，ul(ω)為6個2-D方向濾波器組頻率響應，l為方向個數。

在空間域，合成濾波器gl(n)和分解濾波器是一樣的，gl(n)=fl(n)，抽取比率依然是2I，在濾波器的輸出端，重構圖像是用傅里葉逆變換得到UDCT系數的實部進行重構的，如圖2。

圖2 UDCT頻域完全重構濾波器組

3 UDCT系數統計特性分析

研究UDCT系數的統計特性首先要研究系數實部和虛部邊緣分布和聯合分布。對Lena圖像進行4層分解，取最細節的一個方向子帶，統計其系數的實部和虛部的概率統計和聯合分布如圖3示。

計算系數實部和虛部分布的峰值系數kurtosis分別為84.11和50.44，得到子帶內的系數的實部和虛部都是呈非高斯分布的特性。UDCT系數的實部和虛部是零均值、不相關、同變性。從圖3（c）中可以看出系數的實部和虛部關于圓點呈中心對稱分布的，復系數的概率密度函數只和系數的大小有關。

圖3 Lena高頻子帶系數邊緣統計和聯合分布

同時，還需要對尺度間的系數的關系進行研究，系數X的鄰系數集包括：其上尺度的父系數（parentPX）、同一尺度內的鄰系數（neighborNX）和同一尺度的不同方向子帶的方向系數（cousinCX），如圖4所示。對Lena圖像進行UDCT后得到的系數，選取一個細尺度系數X，在已知父系數情況下實部和虛部的Kurtosis分別為：4.12和3.95，所以，在已知父系數PX的條件下，系數X實部和虛部的分布可以用高斯混合分布進行建模。

4 基于信息理論系數依賴性分析

考察系數X和其PX，NX，CX的依賴性強弱，可以通過計算系數之間的互信息量。X和Y的互信息表示Y從X那得到的信息的多少，當X，Y獨立時，互信息量為0，當X=Y時，互信息量最大為1。X，Y的互信息的定義如下：

其中，fX(x)，fY(y)分別為X，Y的邊緣概率密度函數，fXY(x，y)為X，Y聯合概率密度函數。實際中用直方圖結合熵和互信息中的方法計算I(X;Y)[8]。互信息量常被用于小波域和曲波域來評價系數的相關性[9-10]。由于UDCT系數的實數部分和虛數部分具有相似的性質，這里僅研究系數X的實數部分和其PX、NX、CX的互信息量，如表1所示。

表1 系數X和其鄰系數PX、NX、CX的互信息量

從表1中，可以看出：

子帶內系數之間的相關性具有對其他相關性的主導性。即：X服從什么分布和NX的依賴性最大的，這和已得的小波系數和曲波系數的依賴性結果是一致的[9]。

5 UDCT系數的HMT模型

5.1 UDCT系數的HMT模型建立

由第二、第三部分討論得出的UDCT系數在已知父系數PX的條件下，系數X實部和虛部的分布可以用高斯混合分布進行建模的條件高斯特性和系數間的依賴性關系，選擇HMT進行建模。首先進行UDCT進行4層分解，每一層的方向分別為：6、6、12、12，對其建立如圖4（c）的多樹模型。

圖4（a）所示的是Wavelet系數的父子關系，每一個小波系數的子系數只能在一個子帶內，圖4（b）中UDCT系數的子系數可以在兩個子帶中，在圖4（c）中樹的第三層中可以看出兩個子帶對應于一個父系數。

對于在尺度j，方向k位置n的系數記為c(j，k，n)，其相應的隱狀態為S(j，k，n)，值為L，S分別代表具有此狀態的系數是服從大的方差和小的方差的分布。當S(j，k，n)=L對應的分布的均值和方差，當值為S時，對應分布的均值和方差分別為。則UDCT系數的概率密度函數為：

其中，UDCT系數為零均值的，則

P(S(j，k，n)=m)表示系數s(j，k，n)是狀態m(L,S)的概率，

5.2 模型參數的初始化和估計

圖4 Wavelet系數和UDCT系數父子關系

用EM算法對UDCT系數的HMT模型的參數估計，該算法估計的參數在圖像去噪中取得非常好的效果，但是該算法由于計算量龐大導致運算時間較長，不利于對時間要求比較高的應用，針對這個問題，可以通過選擇合適的初始參數來減小運算時間[11]。通過研究UDCT系數的延續性，發現其具有規律性。以圖4（c）為例，UDCT分解層數為4層，6個方向，分別建立了6棵樹，不同層，同層不同方向子帶的狀態轉移概率是不同的，即：若原來父系數是服從大方差分布的但是其子系數是符合大方差還是小方差分布的概率和其所在的分解層數有關的；UDCT系數在高頻上具有很強的方向性，隨著尺度的增加，小系數產生小系數的概率不斷增加，到一定的尺度之后，邊界被完全分開只剩下平滑的區域，則小系數產生小系數的概率趨向于1，邊界在任一高分辨率子空間可能存在也可能消失，不存在邊界的高分辨率子空間的UDCT系數值較小，故大系數產生大系數的概率逐漸趨向于1/2。在中間層，由于UDCT函數的方向性，邊界沒有完全分開，出現大小系數的概率是差不多的。狀態轉移概率是用來刻畫UDCT系數的尺度間的延續性的，考察的是子帶與其父子帶的狀態概率的關系。為了研究這種關系，可以用子帶和其父帶的各狀態的統計來揭示它們的狀態概率的關系。由于用高斯混合模型來模擬UDCT系數的“大”、“小”狀態，則根據UDCT變換的特點，用一個自適應的閾值T[n1，n2]把每個子帶的UDCT系數分成大、小兩類來分別統計其狀態。

其中，＜N[n1，n2]＞為以n1，n2為中心的鄰域；c(j,k,a,b)為鄰域內的UDCT系數。利用式（6）得到子帶和其父帶的二值圖像B[n1，n2]，B[n1/2，n2/2]：

式（6）可以得到每個子帶和其父帶的二值圖像即狀態分布圖，分別統計子帶和其父帶“大”、“小”狀態個數，利用式（7）得到狀態轉移關系。

其中，number()表示事件發生的次數；m=L，S；按子帶內每塊是8×8，其父子帶是4×4統計，經過多次實驗得如圖5所示關系。

圖5 UDCT系數狀態轉移概率和尺度關系

其中，j為分解層數。用式（8）初始化HMT參數，足以表征狀態轉移的趨勢。UDCT系數隨著尺度的增加成指數遞減的規律，如圖6所示。混合方差的值也反應了UDCT系數的指數衰減性，故可以利用這種規律性初始化方差為：

圖6 UDCT系數隨尺度衰減性

用UDCT系數方差和狀態轉移的規律對參數估計初始化后用EM算法做參數估計。EM算法過程如下（6通道同時進行）：

（2）計算隱狀態變量的聯合概率密度函數f(c(j，k，n))；

（3）更新模型參數θl+1=argmax[lnf(c(j，k，n))|c(j，k，n)，θl]，用初始化狀態轉移矩陣減少迭代次數；

（4）l=l+1，若滿足收斂條件則停止，否則轉（2）。

6 圖像去噪

圖像去噪問題一般被描述為如式（9）的問題。

y為去噪后的圖像UDCT系數；x為含噪圖像的UDCT系數；w為噪聲的UDCT系數；x為已知的，w為通過隨機噪聲計算出來的。具體算法步驟為：

（1）對含噪圖像進行4層分解，每層的方向分別為6，6，12，12，得到含噪系數x。

（2）對含噪系數進行HMT建模，用EM算法結合提出的改進參數估計方法得到參數集θv，在實驗中取cs=2，cl=5，ps1=(0.5，0.5)，ui，m=0。

（3）利用式（10）和模型參數θv得到去噪之后的參數θu：

圖7 Lena加噪圖像不同去噪結果的對比

為Monte-Carlo方法得到的在j尺度，k方向，n位置的噪聲方差。

（4）對于給定狀態的系數的分布是符合高斯分布的，求解過程可以簡化為：

（5）對已求得去噪圖像的UDCT系數進行重構就得到去噪之后圖像。

通過這種初始化的狀態矩陣在保證去噪精度的同時，訓練序列的時間減少了2/5，證明該初始化是有意義的。表2所示為改進后的HMT模型算法用到圖像序列訓練和去噪的時間和其他算法時間的對比。實驗圖片均采用lena512。當噪聲是加性噪聲Wiener2函數進行濾波效果較線性濾波器是最好的，算法簡單，但不適用于非平穩信號濾波。

表2 UDCT IHMT（優化的）與各種去噪方法時間對比 s

對去噪效果的評價選擇峰值信噪比（PSNR）和圖像重構以后的結構相似性（SSIM）[12]；對lena512進行4層分解，分別用Wiener2、Wavelet HMT[9]、Contourlet HMT[7]、UDCT IHMT四種不同的去噪方法進行對比。表3對應的PSNR的值，表4是對應的結構相似性（SSIM）。

圖7是lena512加標準差為40的噪聲和各種去噪以后的圖像。選擇加高斯白噪聲的標準差為40，從左到右依次分別為加噪、Wiener2、Wavelet HMT、Contourlet HMT、UDCT IHMT去噪圖像。

表3 UDCT IHMT與各種去噪方法的PSNR值 dB

表4 UDCT IHMT與各種去噪方法的SSIM對比

7 結論

通過研究UDCT系數X與其父系數PX，鄰系數NX，方向系數CX的條件分布，根據互信息量表征各系數之間的聯系，用HMT模型來模擬UDCT系數之間的關系，提出初始化方差和狀態轉移矩陣的方法，保證模型精確性同時節省數據訓練時間。通過對比不同的去噪方法證明：雖然算法簡單性不如Wiener2，但UDCT的IHMT模型在圖像去噪效果方面優于其他方法。

[1]劉仁金，高遠飊，郝祥根.文本圖像頁面分割算法研究[J].中國科學技術大學學報，2010，40（5）：500-504.

[2]汪一休.一種交互式圖像分割的修正優化算法[J].中國科學技術大學學報，2010，40（2）：129-132.

[3]Candes E J，Donoho D L，Ying L.Fast discrete curvelet transform[J].Multiscale Modeling and Simulation，2006，5（3）：861-899.

[4]Do M N，Vetterli M.The contourlet transform：an effect directional multi-resolution image representation[J].IEEE Trans on Image Processing，2005，14：2091-2106.

[5]Nguyen T T，Chauris H.Uniform discrete curvelet transform[J]. IEEE Transactions on Signal Processing，2010，58（7）：3618-3633.

[6]Crouse M，Nowak R，Baraniuk R.Wavelet-based statistical signal processing using hidden Markov models[J].IEEE Trans on Signal Processing，1998，46：886-902.

[7]Po D D Y，Do M N.Directional multi-scale modeling of images using the contourlet transform[J].IEEE Trans on Image Processing，2006，15：1610-1620.

[8]Moddemeijer R.On estimation of entropy and mutual information of continuous distributions[J].Signal Processing，1989，16（3）：233-246.

[9]Liu J，Moulin P.Information-theoretic analysis of inter-scale dependencies between image wavelet coefficients[J].IEEE Trans on Image Processing，2001，10：1647-1658.

[10]Alecu A，Munteanu A，Pizurical A.Analysis of the statistical dependencies in the curvelet domain and applications in image compression[C]//Lecture Notes in Computer Science，2007，4678：1061-1071.

[11]汪西莉，劉芳，焦李成.一種小波域HMT模型參數初始化方法[J].計算機科學，2003，30（1）：85-87.

[12]Wang Z，Bovik A C，Sheikh H R，et al.Image quality assessment：from error visibility to structural similarity[J].Image Processing，2004，13：600-612.

YANG Xingming1,CHEN Haiyan1,WANG Gang1,WANG Binbin1,ZHAO Yinping2

1.School of Computer and Information Science,Hefei University of Technology,Hefei 230009,China
2.School of Electrical and Automation Engineering,Hefei University of Technology,Hefei 230009,China

Based on the statistical properties of coefficients of the Uniform Discrete Curvelet Transform（UDCT）,and the analysis of correlation metric mutual information about the coefficients,this paper chooses the Hidden Markov Tree to model the coefficients finally and trains the sequence with the EM algorithm.With amount of time consuming,an optimization EM algorithm based on HMT of UDCT coefficients is presented;it further optimizes the algorithm by defining the variance and state transition matrix based on the attenuation of coefficients and continuity between the scales.Experimental results show that,in the use of similarity and Peak Signal to Noise Ratio effect as the measurement of image de-noising,under the same conditions,the algorithm proposed has better real-time and de-noising effect than the Wavelet HMT,Contourlet HMT,UDCT HMT algorithm.

Uniform Discrete Curvelet Transform（UDCT）;mutual information;Hidden Markov Tree model（HMT）;Expectation-Maximization（EM）algorithm;image denoising

通過對均勻離散曲波變換（Uniform Discrete Curvelet Transform，UDCT）系數的統計特性研究，同時對系數相關性度量指標互信息量的分析，最終選擇隱馬爾可夫樹模型對其系數建模，且用EM算法訓練序列；針對訓練時間過長問題，通過分析系數的衰減性和尺度間系數延續性，提出一種新的對算法參數初值的方差和狀態轉移矩陣的優化方法，實驗結果證明，在采用峰值信噪比和相似度作為圖像去噪效果的度量時，同等條件下文中提出的算法比Wavelet HMT、Contourlet HMT、UDCT HMT算法有較好的實時性和去噪效果。

均勻離散曲波變換；互信息；隱馬爾可夫樹模型（HMT）；最大期望（EM）算法；圖像去噪

A

TP751.1

10.3778/j.issn.1002-8331.1112-0463

YANG Xingming,CHEN Haiyan,WANG Gang,et al.Improvement of HMT based on uniform discrete curvelet coefficients and application in image denoising.Computer Engineering and Applications,2013,49（18）：195-199.

安徽省2009年度自然科學基金資助（No.090412041）。

楊興明（1977—），男，博士，副教授，研究方向：小波分析處理，自動控制。E-mail：xmyang@hfut.edu.cn

2011-12-23

2012-02-27

1002-8331（2013）18-0195-05

CNKI出版日期：2012-06-05 http://www.cnki.net/kcms/detail/11.2127.TP.20120605.1519.001.html