基于二维变分模态分解和自适应中值滤波的图像去噪方法

作者:刘嘉敏;彭玲;袁佳成;刘军委; 刊名:计算机应用研究 上传者:李英武

【摘要】图像在采集、获取和传输过程中往往夹杂着噪声,针对几种常用方法去噪效果不理想,提出了一种新的图像去噪方法。此方法通过二维变分模态分解将图像分解为一系列不同中心频率的子模态,保留其低频模态,并对其进行自适应中值滤波处理,从而得到其去噪后的图像。实验结果表明,与其他几种常用的去噪方法相比,该方法在滤除噪声的同时,能较好地保留图像的边缘细节,图像也获得了较好的视觉效果,此外客观评价参数也得到明显的改善,随着噪声强度加大去噪效果愈明显。

全文阅读

0引言图像在采集、获取和传输过程中,往往受到噪声的污染,同时噪声也是影响图像质量的主要因素,极大地影响了人们从图像中提取重要的信息,因此噪声去除是图像处理的一个重要问题[1]。均值滤波[2]是一种简单的图像去噪方法,对高斯噪声有较好的去噪能力,但存在图像细节和边缘模糊的问题;传统中值滤波[3,4]方法对椒盐噪声非常有效,但是它对所有的像素进行一致处理,在滤除噪声的同时会引入误差;此外,针对图像本身特性进行分解后进行去噪的方法也有很多,主要包括小波变换、曲波变换、二维变分模态分解等,以及在它们基础上的改进算法;小波阈值去噪[5]方法虽是从信号本身出发进行算法研究,但它的去噪效果取决于小波基的选择;曲波变换[6]是一种新的多尺度变换理论,继承和发展了小波分析优良的空域和频域局部特性,更适合描绘图像的几何特性,更适合提取图像的细节信息,但同样存在小波类似的缺陷问题。Nunes等人[7]、贺一楠等人[8]将经验模态分解(empiricalmodedecompo-sition,EMD)扩展到二维空间,在一定程度上丰富了其应用,在图像处理中将图像分解为多个子模态,对应于图像的细节信息和趋势信息,在图像去噪中比较关注的是细节信息,它表示的就是图像的边缘和噪声,对细节信息进行处理就可达到去噪的目的,但是该方法缺乏严格的数学基础、算法效率低、存在模态混叠等问题。变分模态分解(variationalmodedecomposition,VMD)是Dragomiretskiy等人[9]于2014年提出的一种新的自适应信号分解方法,目前较为广泛地应用到机械故障诊断、特征提取等方面,它本身是由多个自适应维纳滤波器组成,具有较好的抗噪能力,同时在一定程度上弥补了EMD方法的不足,只要参数合适就能准确地分解信号。二维变分模态分解(bimensionalvariationalmodedecomposition,BVMD)是在其基础上的扩展。针对上述图像去噪方法所面临的问题,提出利用BVMD对图像进行非递归的自适应分解,同时采用BVMD方法和自适应中值滤波相结合的方式来达到去除噪声的目的。通过BVMD将含噪声的图像分解为一系列不同中心频率的子模态,保留其低频模态,以保留图像的原始信息;再对其进行自适应中值滤波去噪处理,以保留图像的细节和边缘,达到去除噪声的目的。实验结果表明,与传统单一的图像去噪方法相比,该方法具有较好的去噪能力,在去除图像噪声的同时,尽可能保留了图像的细节和边缘信息。1二维变分模态分解及其滤波分析VMD[9]是一种新的自适应时频信号分析工具,它是将信号分解为一系列不同尺度波动或趋势分量的固有模态分量。在其基础上扩展的BVMD,充分利用其非递归、完全自适应性、在分解图像过程中保持自身的特性,并应用于图像去噪领域。它的详细分解过程可参考文献[10]。1.1二维解析信号在一维时域中,通过添加原信号的希尔伯特变换作为虚部得到其解析信号:fAS(t)=f(t)+jH{f}(t)(1)其中:一维希尔伯特变换定义为H{f}(t):=1f{}()(t)=1pvRf(v)t-vdv(2)通过取解析信号的实部来恢复原信号。而在谱域,解析信号是通过去除负频得到,因此它就是一个单边频谱:f^AS()=2^f()if>0^f()if=00if?????<0(3)解析信号频谱的单边特性使得它在一维领域获得广泛的应用。这个特性将模态的频谱移到基带,通过一个混合指数将其调整到各自估计的中心频率上。若在二维领域模仿这个特性,则频域的一个半平面必须有效设置为零,选择的这个分界面相当于一个向量,记为k

参考文献

引证文献

问答

我要提问