[发明专利]一种基于多元统计模型的分形小波自适应图像去噪方法

权利要求书

1.一种基于多元统计模型的分形小波自适应图像去噪方法，其特征在于，包括以下步骤：

步骤1：对含噪图像进行同态变换；通过同态变换，含乘性噪声的原图像I_B转换为只含加性噪声的图像I_B′；

步骤2：先对含噪信号f(k)进行分形小波变换，选择小波基和小波分解层数j，得到相应的小波系数和

步骤3：选择MGGD多元统计模型自适应求解参数α和β；在对自然图像的小波系数分布情况进行分析后，获得最适合的参数值α和β；

步骤4：对分解得到的小波系数和利用分形小波编码方法对噪声图像进行无噪预测编码；

步骤5：利用和进行小波重构，得到估计信号和即为去噪后的图像信号。

2.根据权利要求1所述的方法，其特征在于，所述步骤3的具体方法为：在所述的分析过程中，利用Daubechies20滤波器对图像集进行分形小波分解，寻找最接近每个子带分析的MGGD多元统计模型；确定最适合的参数问题就可以转化为数据拟合问题；如果考虑两个分布函数均方差，残差的L2范数可以用下式来定义：

R1=||p2(xρ|α,β)-p1(xρ)||L22]]>

=Σi(p2(xρi|α,β)-p1(xρi))2]]>

为此，利用Matlab的优化工具箱lsqcurvefit()函数来分析，通过最小化R₁得到最接近的及其参数α、β；定义对数残差的L²范数为：

R2=||1np2(xρ|α,β)-1np1(xρ)||L22]]>

=||1np2(xρ|α,β)p1(xρ)||L22]]>

=Σi(1np2(xρi|α,β)-1np1(xρi))2]]>

由于没有样本时可能为0和取值小得不合理时，利用lsqcurvefit()函数可能得到不准确解；风险值R₂和参数α、β之间的关系可以通过观测获得。