(10)授权公告号 CN 101980287 B
(45)授权公告日 2012.05.09C N 101980287 B
*CN101980287B*
(21)申请号 201010561492.3
(22)申请日 2010.11.28
G06T 5/00(2006.01)
G06T 7/00(2006.01)
(73)专利权人河海大学常州校区
地址213022 江苏省常州市新北区晋陵北路
200号
(72)发明人李庆武 霍冠英 石丹 程晓轩
王敏
(74)专利代理机构常州市天龙专利事务所有限
公司 32105
代理人周建观
CN 101447080 A,2009.06.03,全文.CN 101860653 A,2010.10.13,全文.CN 101866479 A,2010.10.20,全文
.(54)发明名称
一种采用非下采样轮廓波变换的图像边缘检
测方法
(57)摘要
本发明公开了一种采用非下采样轮廓波变
换的图像边缘检测方法，对输入的含噪图像进行
NSCT 分解为低频系数和高频系数、对低频系数矩
阵和各方向子带系数矩阵进行多方向微动得到多
幅微动调制图像、将各微动调制图像与原子带图
像相减以得到多幅微动变化图像、引入视觉竞争
机制取模极大值进行竞争以得到强化的各子带
边缘图、设置合适的阈值去除各子带边缘图中的
噪声、对低频子带粗边缘图及同一尺度内各方向
子带边缘叠加得到的各尺度粗边缘图进行中心细
化以得到低频子带细边缘图及各尺度细边缘图，
取或运算融合低频子带细边缘图与各尺度细边缘
图，得到最终的融合边缘图。本发明提供的方法噪
声适应性好，边缘检测完整且定位准确。
(51)Int.Cl.(56)对比文件审查员 张春
(19)中华人民共和国国家知识产权局(12)发明专利
权利要求书 1 页 说明书 6 页 附图 3 页
CN 101980287 B1/1页
1.一种图像边缘检测的方法，其特征在于：对含噪图像的边缘进行检测的步骤依次为：
（1）对含噪图像进行非下采样轮廓波变换：对含噪图像进行
级非下采样轮廓波变换，
得到低频子带系数矩阵和各尺度上的高频方向子带系数矩
阵C
j,k
，其中1≤j≤J，1≤k ≤，其中表示尺度，表示子带方向，表示尺度上分解的方向数；
（2）对步骤（1）
得到的低频子带系数矩阵和各尺度上的高频方向子带系数矩阵C
j,k
进行微动与边缘强化：对低频子带系数矩阵及各尺度上的高频方向子带系数矩阵C
j,k
在
0°、45°、90°、135°四个方向上进行1个像素距离的微动，
得到低频子带系数矩阵所对应的4个系数微动矩阵和各尺度上的高频方向子带系数矩阵C
j,k
所对应的4个系数微动
矩阵，
将低频子带系数矩阵所对应的4
个系数微动矩阵和低频子带系数矩阵相减，得
到低频子带系数矩阵所对应的4个微动变化矩阵，将各尺度上的高频方向子带系数矩阵
C j,k 所对应的4个系数微动矩阵和高频方向子带系数矩阵C
j,k
相减，得到高频方向子带系数
矩阵C
j,k
所对应的4个微动变化矩阵，对低频子带系数矩阵所对应的4个微动变化矩阵
和高频方向子带系数矩阵C
j,k
所对应的4个微动变化矩阵取模极大值，得到低频子带系数
矩阵和高频方向子带系数矩阵C
j,k
所分别对应的强化子带边缘矩阵；
（3）低频去噪：对步骤（2）
得到的低频子带系数矩阵所对应的强化子带边缘矩阵直接设置小阈值，得到低频子带粗边缘图；
（4）高频去噪：对步骤（2）得到的各尺度上的高频方向子带系数矩阵C
j,k
所对应的强化子带边缘矩阵，计算其灰度值所对应的累积概率，并选取累积概率与其所在尺度的噪声水平值相等时对应的灰度值作为其阈值，得到各尺度方向子带粗边缘图；然后，对同一尺度的各方向子带粗边缘图进行叠加，得到各尺度粗边缘图；
（5）边缘细化：对步骤（3）得到的低频子带粗边缘图进行细化，得到低频子带细边缘图；同时对步骤（4）得到的各尺度粗边缘图进行细化，得到各尺度细边缘图；
（6）边缘融合：取或运算融合低频子带细边缘图与各尺度细边缘图，得到最终的边缘图。
权 利 要 求 书
一种采用非下采样轮廓波变换的图像边缘检测方法
技术领域
[0001] 本发明属于图像处理技术领域，涉及图像边缘检测方法，具体而言是一种借鉴人眼视觉微动机理，采用非下采样轮廓波变换的图像边缘检测方法。
背景技术
[0002] 图像边缘是指其周围像素灰度有阶跃变化和屋顶变化的那些像素的集合，是图像最基本的特征之一。图像边缘往往携带一幅图像的大部分信息。边缘检测在计算机视觉、图像处理等应用中起着重要的作用，是图像分析与识别的重要环节，因此图像的边缘检测一直是人们研究的热门课题。
[0003] 传统的边缘检测方法多数都是在空域中基于一阶或二阶微分算子，如罗伯茨（Roberts）、索贝尔（Sobel）、拉普拉斯（Laplacian）等微分算子，它们对清晰图像检测效果较好，但在实际应用中存在着去除噪声影响与边缘准确定位之间的矛盾，存在着误检和漏检的问题。这是由于微分算子对噪声非常敏感，而噪声和边缘点都具有灰度突变的特性。因此采用微分算子进行边缘检测，很有可能将噪声点作为边缘点检测出来，或由于受到噪声干扰而无法将真正的边缘检测出来。1991年，美国学者Canny J. 对传统算法进行了改进，在边缘检测之前采用高斯平滑去除噪声，并对最终检测得到的弱边缘进行连接以得到较为完整的边缘。然而，高斯平滑滤波器在去除噪声的同时，会造成边缘模糊和细节信息的丢失，虽然弱边缘连接考虑到了这一点，保证了边缘的连续性，但最终检测到的边缘会出现抖动、定位不准现象，且由于残留噪声的影响，会出现较多的边缘毛刺现象。随着小波变换的兴起，出现了一些基于小波变换的边缘检测方法，它们基本上都是基于小波系数的模极大值和过零点的方法，但是小波变换只能最优地表示具有点奇异的目标函数，在具有线奇异的目标检测中细节部分信息丢失得比较严重，难以克服伪检、漏检等检测不准的问题。[0004] 张悦庭等结合轮廓波变换与小波模极大提出了一种轮廓波变换模极大的边缘检测方法，得到的边缘较为完整。然而，该方法所需的重构操作和轮廓波的下采样特性会导致最终的边缘粗大、定位不准。与此同时，基于仿生机理的图像处理方法得到了研究者的青睐，闫金铭、李言俊等提出了一种仿生机理的空域方法用于红外目标的边缘检测，实验结果表明了该方法的有效性。然而，该方法可能会同时强化噪声的影响，导致检测的边缘残留噪声较多。
[0005] 既要提取出图像中的重要边缘，又要抑制不必要的细节和噪声，同时还要获得高精度的定位，对于单一尺度的边缘检测算子来说是很难做到的。
[0006] NSCT是一种非下采样的、具有平移不变性的多尺度变换，比较而言，各向异性的轮廓波基使得NSCT具有刻画图像的线奇异优势，这一点要优于采用小波基的非降采样小波变换；同时NSCT具有平移不变性，在这一点上又优于轮廓波、Curvelet等多尺度几何分析方法。因此，NSCT可以提供更为丰富的时域信息和精确的频率局部化信息，各个图像子带系数中的元素与图像空间域中的像素是一一对应关系，很容易利用NSCT域系数的分布规律直接检测到图像空间域中的边缘信息，不需要重构等操作。
[0007] 人眼视觉信息处理具有多层次性和复杂性，国内外研究表明，人眼在观察景物时处于微动状态，微动有三种模式：高频振颤、漂移运动和闪动。在微动情形下将出现微动对场景图像的调制，将原来静止的场景图对应的视网膜图像调制为动态序列图。人眼微动与视觉适应性和超分辨存在密切的联系。国内外的专家学者对人眼微动及其机理进行了深入的研究，当前有以下重要结论：1、人眼微动的方向是多变的，上下、左右、前后各个方向均存在；2、视网膜节细胞的种类很多，并证实已经具备对线条刺激的朝向选择，具有方向性；3、眼球的运动会产生焦距的变换，进而触发视觉系统的多尺度通道，具有多尺度性。西北工业大学李言俊等人将人眼微动引入到红外成像制导技术中，取得了大量的研究成果，具有很好的借鉴意义。
[0008] 基于非下采样轮廓波变换的多尺度、多方向边缘表达优势、定位优势及噪声去除优势，同时借鉴人眼微动对边缘的强化和定位机理，提出了一种非下采样轮廓波变换域的图像边缘检测方法。专利检索及对国内外各种科技文献的最新检索表明，尚未有基于人眼微动机理的非下采样轮廓波域边缘检测方法见诸文献。
发明内容
[0009] 本发明的目的在于提供一种顾噪声去除和边缘定位准确的采用非下采样轮廓波变换的图像边缘检测方法。
[0010] 本发明实现上述目的的技术方案是，一种图像边缘检测的方法，其创新点在于：对含噪图像的边缘进行检测的步骤依次为：
[0011] （1）对含噪图像进行非下采样轮廓波变换：对含噪图像进行
级非下采样轮廓波变换，得到低频子带系数矩阵和各尺度上的高频方向子带系数矩
阵C
j,k
（1≤j≤J，1≤k≤），其中表示尺度，表示子带方向，表示尺度上分解的方向数；
[0012] （2）对步骤（1）得到的低频子带系数矩阵和各尺度上的高频方向子带系数矩
阵C
j,k
进行微动与边缘强化：对低频子带系数矩阵及各尺度上的高频方向子带系数矩阵
C
j,k
在0°、45°、90°、135°四个方向上进行1个像素距离的微动，得到低频子带系数矩阵
所对应的4个系数微动矩阵和各尺度上的高频方向子带系数矩阵C
j,k
所对应的4个系数
微动矩阵，将低频子带系数矩阵所对应的4个系数微动矩阵和低频子带系数矩阵相
减，得到低频子带系数矩阵所对应的4个微动变化矩阵，将各尺度上的高频方向子带系
数矩阵C
j,k 所对应的4个系数微动矩阵和高频方向子带系数矩阵C
j,k
相减，得到高频方向子
带系数矩阵C
j,k
所对应的4个微动变化矩阵，对低频子带系数矩阵所对应的4个微动变
化矩阵和高频方向子带系数矩阵C
j,k
所对应的4个微动变化矩阵取模极大值，得到低频子
带系数矩阵和高频方向子带系数矩阵C
j,k
所分别对应的强化子带边缘矩阵；
[0013] （3）低频去噪：对步骤（2）得到的低频子带系数矩阵所对应的强化子带边缘矩阵直接设置小阈值，得到低频子带粗边缘图；
[0014] （4）高频去噪：对步骤（2）得到的各尺度上的高频方向子带系数矩阵C j,k所对应的强化子带边缘矩阵，计算其灰度值所对应的累积概率，并选取累积概率与其所在尺度的噪声水平值相等时对应的灰度值作为其阈值，得到各尺度方向子带粗边缘图；然后，对同一尺度的各方向子带粗边缘图进行叠加，得到各尺度粗边缘图；
[0015] （5）边缘细化：对步骤（3）得到的低频子带粗边缘图进行细化，得到低频子带细边缘图；同时对步骤（4）得到的各尺度粗边缘图进行细化，得到各尺度细边缘图；
[0016] （6）边缘融合：取或运算融合低频子带细边缘图与各尺度细边缘图，得到最终的边缘图。
[0017] 本发明综合利用NSCT在边缘表达、边缘定位和噪声去除上的优点，同时借鉴了人眼微动对边缘等奇异的强化和定位。图像经NSCT分解后，小系数对应噪声，大系数对应边缘，基于竞争机制的人眼微动进一步突出了边缘并弱化了噪声的影响，通过设置合适的阈值则可以抑制噪声对边缘提取的影响。NSCT不具有下采样过程，分解得到的各系数矩阵与原始图像大小相同，各个图像子带系数中的元素与图像空间域中的像素是一一对应关系，很容易利用NSCT域系数的分布规律直接检测到图像空间域中的边缘定位信息，也有利于融合各子带的边缘信息。因此，最终得到的多尺度融合边缘图将具有较少的噪声干扰，且检测的边缘完整，定位也较为准确。
附图说明
[0018] 图1为本发明的实施示意图；
[0019] 图2为本发明的实现示意图；
[0020] 图3为针对仿真图像的实验结果图；
[0021] 图4 为实际SAR图像的实验结果图。
具体实施方式
[0022] 以下结合附图对本发明做进一步详细描述。
[0023] 一种图像边缘检测的方法，对含噪图像的边缘进行检测的步骤依次为：
[0024] （1）对含噪图像进行非下采样轮廓波变换：对含噪图像进行级非下采样轮廓波
变换，得到低频子带系数矩阵和各尺度上的高频方向子带系数矩阵C
j,k
（1≤j≤J，1≤k≤），其中表示尺度，表示子带方向，表示尺度上分解的方向数；
[0025] （2）对步骤（1）得到的低频子带系数矩阵和各尺度上的高频方向子带系数矩
阵C
j,k
进行微动与边缘强化：对低频子带系数矩阵及各尺度上的高频方向子带系数矩阵
C
j,k
在0°、45°、90°、135°四个方向上进行1个像素距离的微动，得到低频子带系数矩阵
所对应的4个系数微动矩阵和各尺度上的高频方向子带系数矩阵C
j,k
所对应的4个系数
微动矩阵，将低频子带系数矩阵所对应的4个系数微动矩阵和低频子带系数矩阵相
减，得到低频子带系数矩阵所对应的4个微动变化矩阵，将各尺度上的高频方向子带系
数矩阵C
j,k 所对应的4个系数微动矩阵和高频方向子带系数矩阵C
j,k
相减，得到高频方向子
带系数矩阵C
所对应的4个微动变化矩阵，对低频子带系数矩阵所对应的4个微动变j,k
化矩阵和高频方向子带系数矩阵C
所对应的4个微动变化矩阵取模极大值，得到低频子
j,k
带系数矩阵和高频方向子带系数矩阵C
所分别对应的强化子带边缘矩阵；
j,k
[0026] （3）低频去噪：对步骤（2）得到的低频子带系数矩阵所对应的强化子带边缘矩阵直接设置小阈值，得到低频子带粗边缘图；
[0027] （4）高频去噪：对步骤（2）得到的各尺度上的高频方向子带系数矩阵C j,k所对应的强化子带边缘矩阵，计算其灰度值所对应的累积概率，并选取累积概率与其所在尺度的噪声水平值相等时对应的灰度值作为其阈值，得到各尺度方向子带粗边缘图；然后，对同一尺度的各方向子带粗边缘图进行叠加，得到各尺度粗边缘图；
[0028] （5）边缘细化：对步骤（3）得到的低频子带粗边缘图进行细化，得到低频子带细边缘图；同时对步骤（4）得到的各尺度粗边缘图进行细化，得到各尺度细边缘图；
[0029] （6）边缘融合：取或运算融合低频子带细边缘图与各尺度细边缘图，得到最终的边缘图。
[0030] 本发明在具体实施时，多尺度分解的层数及每层分解的方向数的选取有较大的灵活性，但每层的方向数应为2的幂数。不同的分解参数选取产生的边缘提取效果可能不同，多尺度分解层数通常可取为3，按照从低分辨率层到高分辨率层，方向分解数通常可取为4、8和16，尺度分解的1D原型滤波器组一般采用‘9-7’滤波器，方向分解的1D原型滤波器组一般采用‘dmaxflat’滤波器。低频方向子带阈值选取较小，略大于0，各尺度噪声水平从低分辨率层到高分辨率层依次增加。
[0031] 本发明效果可通过以下仿真结果进一步说明。
[0032] 仿真条件：
[0033] 本发明采用含有混合噪声的模拟图像与实际包含混合噪声的SAR图像进行仿真实验。计算机硬件配置为Pentium（R）4，主频3GHz。本发明的软件平台为Matlab R2007。[0034] 仿真内容：
[0035] 采用Sobel算子、Canny算子、小波模极大、Ratio算子以及本发明提供的方法分别对仿真的三角形图像及实际的机场跑道SAR图像进行了实验，两幅图的分辨率分别为128×128及256×256。
[0036] 仿真结果：
[0037] 1、本发明的检测结果如图3、图4所示，其中：
[0038] 图3(a1)为仿真的多边形图像进行边缘检测，该多边形包含了水平、45度及22.5度等典型方向上的细微边缘，图像大小为128×128像素。图3(a2)为图3(a1)的仿真多边形图像添加斑点噪声及高斯噪声后得到的含噪图像，其中，斑点噪声的方差为0.02，高斯噪声的方差为0.01。图3(b)为采用Sobel算子得到的最佳边缘图，其最佳阈值经实验选取为0.15。图3(c)为采用Canny算子得到的最佳边缘图，其最佳阈值经实验选取为0.76。图3(d)为采用小波模极大方法得到的最佳边缘图，其最佳阈值经实验选取为0.44。图3(e)为采用Ratio算子得到的最佳边缘图，其最佳阈值经实验选取为0.65。图3(f)为采用本发明提供的方法得到的最佳边缘图，其低频方向子带阈值选取约为0.025，各尺度噪声水平从低分辨率层到高分辨率层分别为0.4，0.52，0.58。
[0039] 图4(a)为实际的机场跑道SAR图像，该图像包含了多方向的跑道边缘，图像大小为256×256像素。图4(b)为采用Sobel算子得到的最佳边缘图，其最佳阈值经实验选取为0.15。图4(c)为采用Canny算子得到的最佳边缘图，其最佳阈值经实验选取为0.6。图4(d)为采用小波模极大方法得到的最佳边缘图，其最佳阈值经实验选取为0.4。图4(e)为采用Ratio算子得到的最佳边缘图，其最佳阈值经实验选取为0.5。图4(f)为采用本发明提供的方法得到的最佳边缘图，其低频方向子带阈值选取约为0.035，各尺度噪声水平从低分辨率到高分辨率分别约为0.8，0.8，0.9。
[0040] 2、同时给出了与图3相关的定量的边缘检测指标，如表1所示：
[0041] 表1 图3边缘检测结果的定量分析表
[0042]
[0043] 通过对图3、图4得到的结果图的定性分析和表1的边缘检测结果的定量分析我们有以下结论：
[0044] Sobel差分算子边缘检测算法对噪声较为敏感，检测的边缘会出现较多的断续、定位不准等现象，同时，易把一些噪声较强的点检测为边缘点。虽然通过提高阈值可以去除噪声点，然而会加剧边缘的间断性。总体而言，Sobel算子在几种方法中效果偏差，对仿真SAR 图像和实际SAR图像的边缘检测结果均说明了这一点。
[0045] Canny是当前公认的边缘检测较优算子。通过选取合适的阈值，Canny算子得到的边缘可以取得较为完整的结果，图3、图4的结果均说明了这一点。这是因为Canny采用的高斯平滑使其对噪声具有较好的适应性，弱边缘连接使其能够较为完整地检测边缘，边缘断续情况较轻。然而，高斯平滑滤波器在去除噪声的同时，会造成边缘模糊和细节信息的丢失，虽然弱边缘连接考虑到了这一点，保证了边缘的连续性，但最终检测到的边缘会出现抖
动、定位不准现象，且由于残留噪声的影响，会出现较多的边缘毛刺现象。
[0046] 小波模极大值边缘检测算法利用了小波函数对点奇异检测的有效性和模极大值对边缘中心点的定位准确性。表1的定量分析结果表明其相比其它三种算子具有边缘检测定位准确性的优势。然而，小波函数的点奇异性使其不能较好地检测受到噪声破坏而不连续的边缘，特别是受到SAR图像的复杂噪声影响，其同Sobel一样会出现较多的边缘间断现象，阈值越大，间断越明显。
[0047] 基于区域均值比的Ratio算子通常要求检测的边缘有一定的宽度，考虑到噪声的影响，本文选择的窗口大小为7×7。由于窗口有一定的大小，Ratio较难完整地检测出细微边缘，图3的实验结果说明了这一点。而对于较粗大的边缘检测，Ratio检测的结果则较为完整，相比Canny等也具有更少的背景噪声。然而，在宽边缘内部，噪声残余较多，且检测的边缘粗大，较难准确定位。
[0048] 本发明提供的方法充分利用了NSCT在噪声去除和边缘等线奇异表示方面的优势，同时借鉴了人眼微动对边缘的强化与定位机理。NSCT的线奇异表示优势使其能够更好地检测因噪声破坏而不连续的边缘，人眼微动可以更好地强化边缘，竞争机制的引入强化了对弱边缘的检测，NSCT的稀疏性和各向异性使得可以通过为不同子带边缘矩阵设置不同的阈值较好地去除噪声的干扰。因此，最终检测的边缘结果具有较好的噪声适应性、边缘定位准确性及完整性。实验结果的主客观评价均说明了本发明的优势。
图
1
图
2
图3（a1
）图3（a2
）图
3(b)图
3(c)
图3(d ）
图3(e)图3(f)
图4(a)
图4(b)图4(c)
图4(d)图4(e)
图4(f)
多媒体通信复习指南2014版 1.多媒体通信概述 （1）举例论述对“Multimedia =Variety + Integration + Interaction”的理解。 要点：Variety：多种媒体（声、像、图、文…） Integration: 将多种不同类型媒体集成为一体 Interactivity: 用户与系统之间交互、通信 比如：数字电视这种多媒体系统，将电视节目、电影、文字信息等多种信息（Variety），通过MPEG-2流的方式整合（Integration），利用DVB网络与用户交互（Interaction）。 （2）分析多媒体通信中的“Synchronization”和“Network offerings”特征。 Network offerings：网络承载 Synchronization：同步 承载层起到承上启下的作用，对它的基本要求是：按照业务层的要求把每个业务信息流从源端引导到目的端；按照每种业务的属性要求调度网络资源确保业务的功能和性能；实现多媒体业务对通信形态的特殊要求；它将适应各种类型数据流的非固定速率特性，并提供统计复用功能；通过在承载层组建不同的承载VPN，可以为不同类型和性质的通信提供其所需要的QoS 保证和网络安全保证。 多媒体信息本身具有一定的时效性，因此在通信过程中, 终端显示的多媒体信息必须问步、且能与其它媒体同步, 这也是多媒体通信的一个重要特点。 2.多媒体数据压缩国际标准 （3）爱迪生的留声机、磁带录音机、CD-DA、MP3对声音进行记录和存储的方式有何区别，试分析音频存储技术变化的趋势。 1、爱迪生的留声机用机械刻纹的方式记录，以音槽形式存储模拟声音信号。磁带录音机，利用磁记录原理直接记录和存储模拟声音信号。CD-DA（Compact Disc-Digital Audio）采用数字方式记录声音信息，通过对模拟声音信号进行采样、量化、编码，将声音信息以0、1数字信号的形式通过激光刻录存储在光盘上。MP3（Moving Picture Experts Group Audio Layer III）除了对模拟音频信号做AD转换外，根据声音信号的时间冗余和人耳的听觉特点还对转换后的数字音频信号进行压缩、编码，从而既降低了存储成本，又保证了声音质量。 2、以数字技术主导的现代信息技术中，对声音的记录和存储方式由模拟到数字方式转变推动了音频信息技术的发展。随着多媒体技术和互联网技术的普及，人们对声音的记录、存储、传输变得频繁。高质量、小体积是音频存储技术的发展目标。实现的技术从单纯的对音频数据去除本身的冗余，到重视人们的听觉特点和体验，音频数据的压缩方式变得更加综合。 （4）JPEG压缩标准中为何选择DCT变换？MP3压缩中为何选择MDCT变换？ 因为JPEG压缩对象为静止图像，而图像是空间信号，采用2D-DCT变换能够很好地去除空间信号的相关性，从而去除图像的空间冗余；其次DCT变换具有快速算法来实现，借此可以得到较高的算法效率；MP3压缩对象为音频信号，即一维时间信号。在MP3压缩算法中，由于心理声学模型的引入，当一段语音信号的连续两帧波动差别较大时，波动较小的帧将被当做噪声，而对之选用较大的量化步长，进而造成严重失真。MDCT变换通过对相邻两帧的语音信号进行加窗，然后做DCT变换，起到了平滑作用，可以很好地解决这个问题。 （5）JPEG系列的各图像压缩标准（JPEG、JPEG-LS、JPEG2000、JPEG XR）实现压缩的技术手段中各自体现了哪些思想？ JPEG：1、色彩空间由RGB转换到YUV，通过选取不同的缩减采样方式可以对图像做不同压缩程度的压缩，该方法利用了人眼对亮度差异的敏感度高于色彩变化的视觉特点。2、通过对图像作DCT变换，该方法去除了图像的空间冗余。3、通过对DCT变换系数做有区别的量化，
第38卷第4期 2016年8月 光学仪器 OPTICAL INSTRUMENTS Vol. 38，No. 4 August,2016 文章编号：1005-5630(2016)04-0303-05 基于视觉显著性的红外与可见光图像融合 华玮平S赵巨岭S李梦S高秀敏〃 (1.杭州电子科技大学电子信息学院，浙江杭州310018; 2.上海理工大学光电信息与计算机工程学院，上海200093) 摘要：多波段图像融合可以有效综合各个波段图像中包含的特征信息。针对可见光和红外图 像，提出了一种结合红外图像视觉显著性提取的双波段图像融合方法，一方面旨在凸显红外图 像的目标信息，另一方面又尽可能的保留了可见光图像的丰富细节信息。首先，在局部窗口内 实现红外图像的显著性图提取，并通过窗口尺寸的变化形成多尺度的显著性图，并对这些显著 性图进行最大值的优选叠加，以获取能反映整幅红外图像各个尺寸目标的显著性图；其次，通过 结合显著性图与红外图实现显著性图的加权增强；最后，利用增强的红外显著性图进行双波段 图像的融合。通过两组对比实验，数据表明该方法给出的融合图像视觉效果好，运算速度快，客 观评价值优于对比的7种融合方法。 关键词：图像融合；红外图像增强；视觉显著性 中图分类号：TN 911. 73 文献标志码：A doi:10. 3969/j. issa 1005-5630. 2016. 04. 005 Dual-band image fusion for infrared and visible images based on image visual saliency HUA Weiping1, ZHAO Jufeng1, LI Meng1, GAO Xiumin1,2 (1. Electronics and Information College, Hangzhou Dianzi University, Hangzhou 310018, China； 2. School of Optical-Electrical and Computer Engineering, University of Shanghai for Science and Technology, Shanghai 200093，China) Abstract： Dual-band image fusion is able to well synthesize the feature information from the different bands. To fuse visible and infrared images, in this paper, an infrared image visual saliency detection-based approach was proposed. This method aimed to highlight the target information from infrared image, meanwhile preserve abundant detail information from visible one as much as possible. Firstly, visual saliency map was extracted within a local window, and multiple window-based saliency maps could be obtained by changing the size of local window. And the final saliency map was generated by selecting maximum value, and this map could mirror all target information in the infrared image. Secondly，the saliency map was enhanced by combining infrared image and the previous saliency map. Finally, the enhanced saliency map was used for dual-band image fusion. Comparing with other seven methods, the 收稿日期：2015-10-13 基金项目：国家自然科学基金项目（61405052，61378035) 作者简介：华玮平(1994 )，男，本科生，主要从事光学成像等方面的研究。E-m ail:564810049@qq.c〇m 通信作者：赵巨峰(1985 )，男，讲师，主要从事光学成像、图像处理等方面的研究。E-m ail:daba〇zjf@https://www.doczj.com/doc/9919090887.html,.C n
第36卷第10期 光电工程V ol.36, No.10 2009年10月Opto-Electronic Engineering Oct, 2009 文章编号：1003-501X(2009)10-0111-05 基于复轮廓波变换的图像消噪 陈新武1, 2，龚俊斌2，刘玮2，田金文2 ( 1. 信阳师范学院物理电子工程学院，河南信阳 464000； 2. 华中科技大学多谱信息处理技术国家重点实验室，武汉 430074 ) 摘要：为了克服实轮廓波图像消噪后广泛存在的混叠现象，研究了基于双树复小波级联方向滤波器架构的复轮廓波变换图像消噪的若干性质，证明了对于高斯白噪声图像，该变换具有更好的分割能力和抑制能力，并在此基础上提出了一种基于该变换的图像消噪算法。该算法采用蒙特卡罗方法来确定门限收敛因子，并采用这些因子修正3σ准则，对变换域系数模值采用硬阈值处理。图像消噪实验结果表明：该消噪算法比基于实轮廓波变换的消噪算法，具有更高的峰值信噪比和更好的视觉效果。 关键词：图像消噪；复轮廓波变换；蒙特卡罗法；门限收敛因子；峰值信噪比 中图分类号：TN911.73; TP391 文献标志码：A doi：10.3969/j.issn.1003-501X.2009.10.022 Image Denoising Based on Complex Contourlet Transform CHEN Xin-wu1, 2，GONG Jun-bin2，LIU Wei2，TIAN Jin-wen2 ( 1. College of Physics and Electronics, Xinyang Normal University, Xinyang 464000, Henan Province, China; 2. State Key Laboratory for Multi-Spectral Information Processing Technology, Huazhong University of Science & Technology, Wuhan 430074, China ) Abstract: In order to overcome the aliasing phenomenon commonly existing in real contourlet transform image denoising, some characters of complex contourlet transform whose structure is a cascading of dual tree complex wavelet and directional filter banks are discussed. It is proved that the transform performs well at division and restraining ability under white Gaussian noise condition. Then, an image denoising algorithm was proposed based on the transform. Furthermore, Mento-Carlo method was used to find convergence factors for modifying the 3σ rule, and hard threshold method was carried on complex contourlet tranform domain coefficients. Experimental results show that the image denoising algorithm proposed in this paper is superior to that using real contourlet transform both at Peak Signal-to-noise Ratio (PSNR) values and visual quality. Key words: image denoising; complex contourlet transform; Mento-Carlo method; threshold convergence factors; PSNR 0 引 言 如何有效地从含噪图像中尽可能准确地恢复出原始图像，一直是图像处理领域的重要课题之一。小波能够稀疏的表示信号并能够有效地识别信号中的奇异点，因而在信号消噪领域受到广泛的关注和青睐[1-2]。然而，采用一维小波张量积来表示图像信号则不能有效表示图像中的边界信息和纹理信息[3]。也就是说，虽然小波在描述一维信号的情况下，能够表现出优良的性能，但是在二维情况下，由于物体边缘的光滑性与几何特征不能在变换域被张量小波稀疏的表示，因而小波消噪不能获得最优的效果[4]。为了解决这个问题，许多学者展开了大量的研究工作。其中，Do博士和他的导师Vetterli Martin提出的轮廓波变换[5](我们称之为第一代轮廓波变换)，备受业界推崇。该变换采用拉普拉斯金字塔[6](LP)级联方向滤波器[7](DFB)，构收稿日期：2009-01-13；收到修改稿日期：2009-05-14 基金项目：国家自然科学基金资助项目(60572048/F010204) 作者简介：陈新武(1969-)，男(汉族)，河南修武人。副教授，博士，研究方向为数字图像的多尺度几何分析。E-mail: chenxinwu@https://www.doczj.com/doc/9919090887.html,。
—228 — 基于改进轮廓波变换的图像去噪算法 王 蕊，尹忠科，龙 奕 (西南交通大学数字信号处理实验室，成都 610031) 摘 要：在轮廓波变换中进行拉普拉斯金字塔分解时，所得的带通图像在奇异性点附近产生振荡，影响了图像去噪的效果。针对该问题，提出一种改进的拉普拉斯金字塔分解，可消除边缘附近的震荡。利用改进的拉普拉斯金字塔实现轮廓波变换，并对图像进行自适应去噪。实验结果表明，该算法所得的峰值信噪比较轮廓波变换自适应去噪算法有显著提高，且视觉效果有较大改善。 关键词：轮廓波变换；拉普拉斯金字塔；图像去噪；奇异性 Image Denoising Algorithm Based on Improved Contourlet Transform WANG Rui, YIN Zhong-ke, LONG Yi (Laboratory for Digital Signal Processing, South West Jiaotong University, Chengdu 610031) 【Abstract 】In the contourlet transform, the image obtained by Laplacian Pyramid(LP) decomposition may produce artifacts on singularity of signal,which is harmful to image denoising. Due to the lack, a new LP decomposition is proposed and it can suppress the artifacts around the edge effectively. The new LP is used to implement the improved contourlet transform. Denoising experiments for Lena image using adaptive threshold show that denoising performance of the improved contourlet transform outperforms the contourlet transforms both in peak signal-to-noise ratio and visual quality. 【Key words 】contourlet transform; Laplacian Pyramid(LP); image denoising; singularity 计 算 机 工 程Computer Engineering 第35卷 第6期 Vol.35 No.6 2009年3月 March 2009 ·图形图像处理· 文章编号：1000—3428(2009)06—0228—03 文献标识码：A 中图分类号：TP391 1 概述 实际图像数据在采集和传输的过程中，都会受到噪声的干扰。噪声的存在严重影响了图像的后期处理，如识别和压缩等。采用适当的方法尽量降低噪声是非常重要的预处理步骤。小波变换作为信号处理的一种有力手段，在信号和图像处理许多领域得到了应用并取得了显著效果。变换阈值的经典算法是由Donoho 等人提出的Visual Shrink 方法(VS)和基于stein 无风险估计的Sure Shrink(SS)方法，Chang 等人根据图像小波系数的分布特点提出基于Bayes 准则的Bayes shrink 去噪方法等，也收到了良好的去噪效果。 阈值法的图像去噪效果依赖于用少数几个基向量有效地近似信号的能力，也就是取决于图像表达的稀疏性的能力以及噪声阈值的准确选取。而对于二维图像信号，其奇异性主要由边缘和轮廓产生。2D 张量小波变换由于方向有限(H,V 和D)而在表示图像时存在不足，因此需要能够有效捕获图像的主要关键特征的稀疏图像表示方法。 为了更好地处理高维信号的奇异性，一类带有方向性的稀疏表示方法——多尺度几何分析应运而生。如Candes 和Donoho 等人相继提出的脊波变换(ridgelet transform)、曲线波 变换(curvelet transform)。脊波是在二维连续空间R 2 中定义的多方向小波，在离散二维空间中要借助Randon 变换及一维小波变换实现，它是表示具有直线边缘图像的最优基。曲线波是脊波的推广，它结合了分块脊波变换和子带分解算法，具有良好的空域和频域局部性及非线性逼近性能，它是表示具有二阶可微的平滑曲线边缘图像的最优基。虽然curvelet 能很有效地捕捉曲线奇异性，但离散化的困难促使M. N. Do 和Martin Vetterli 提出一种类似于curvelet 方向性的多分辨变换，但它却是直接产生于离散域的变换——contourlet [1]。 contourlet 是一种真正的二维图像表示方法。这种方法可以很好地抓住图像的几何结构，并且因利用轮廓线段的构造方式产生了一种灵活可变的多分辨分析、局部和方向性的表示方法而得名。但轮廓波变换也存在一些不足：由于使用了拉普拉斯金字塔，使得轮廓波分解的细节图像在奇异点附近产生振荡，影响了去噪效果。本文针对轮廓波变换的这种缺陷，对拉普拉斯分解作了改进，构造了一种新的轮廓波变换，并将其应用于图像去噪，取得了良好效果。 2 轮廓波变换理论 2.1 轮廓波变换的实现 实现步骤如下： (1)由拉普拉斯塔式分解(Laplacian Pyramid, LP)[2]对图像进行多尺度分解以“捕获”奇异点。每一次的LP 分解都会产生一个分辨率为原图像一半的低通子带和一个带通子带，而对于低通子带使用LP 分解进行迭代，就可以实现图像的多尺度分解。 (2)将由第(1)步LP 滤波器产生的带通图像通过二维方向滤波器组(Directional Filter Bank, DFB)，把分布在同方向上的 奇异点合成为一个系数。 DFB 的作用是捕获图像的高频信息，通过一层树状结构的分解快速实现，产生2l 个锲形子带，每个子带分别代表一个方向。contourlet 变换的结果是用类似于 基金项目：国家自然科学基金资助项目(60772084) 作者简介：王 蕊(1979－)，女，助教、硕士，主研方向：信号处理，图像处理；尹忠科，教授；龙 奕，讲师、硕士 收稿日期：2008-06-23 E-mail ：cloud790312@https://www.doczj.com/doc/9919090887.html,