[发明专利]结合CS-CT-CHMM的噪声图像融合新方法

说明书

技术领域

本发明涉及一种循环平移CS技术和Contourlet域上下文隐马尔科夫模型结合(CS-CT-CHMM)的噪声图像融合新方法，是数字图像处理技术领域的一项融合方法，在计算机视觉、信号处理、目标识别等系统中有广泛地应用。

背景技术

图像融合是将两个或两个以上传感器在同一时间或不同时间获取的关于某个具体场景的两幅或多幅图像进行有效综合，以生成关于此场景信息更为全面、准确、可靠的描述的处理过程。图像融合不仅能弥补单一信息源获取图像信息的不足，提高图像的分辨率，提升视觉效果，增强可识别性，而且通过整合原始图像有用的互补特征在一定程度上减少了冗余信息，消除了图像潜在的不确定性和歧义性。然而，图像在量化、编码、传输和存储的过程中常会受到成像设备和光照、温度等外界因素的影响而引入噪声干扰使图像降质，如不消除必将影响到融合、分类、目标检测、模式识别或特征提取等后续更高级的处理研究，故采用有效的方法尽可能去除噪声干扰是相当重要的预处理步骤。

图像去噪的目的是在保留图像原有特征信息的同时，最大限度地去除噪声，提高图像的PSNR值，改善图像质量。常用的去噪方法主要分为两类：基于空间域的去噪方法，如邻域平均法、中值滤波法、维纳滤波法等，算法简单，计算速度快，但以图像边缘细节的模糊为代价，丢失大量原始信息；基于变换域的去噪方法，首先对噪声图像进行某种变换，再对变换系数进行修正，最后进行逆变换得到去噪图像，经典的变换形式有傅里叶变换、小波变换及多尺度几何分析(Multiscale Geometric Analysis)方法等。

小波变换具有时频局域化、多分辨率等优点，能对具有“点奇异”特征的一维信号实现最优的非线性逼近，但每一尺度仅能分解成三个方向(水平、垂直和对角)，缺乏足够的方向选择性，故难以充分利用图像自身固有的几何正则性，无法准确描述图像中的边缘纹理特征。这一局限性使小波变换不适于处理富含大量纹理信息的图像，基于小波变换的去噪方法在减小噪声的同时会不可避免地弱化图像的轮廓等细节信息，造成图像模糊、失真。2002年，M.N.Do和Martin Vetterli在继承小波多尺度分析思想的基础上提出了一种“真正”的二维图像稀疏表示方法-Contourlet变换，也称为塔型方向滤波器组(Pyramid Directional Filter Bank)，其基函数分布于多尺度、多方向上，仅用少量系数即可有效地捕获图像中的边缘轮廓及方向性纹理等细节信息，具有高度的方向敏感性和各向异性(Anisotropic)，很好地弥补了小波变换的不足，因而更适于应用到图像去噪等领域。Shearlet变换理论于2005年提出，具有多尺度、多方向性、各向异性和平移不变性，在图像处理研究领域拥有广泛的发展和应用空间。

隐马尔科夫模型(Hidden Markov Model)是在马尔科夫模型基础上发展起来的一种统计建模的有限状态机，可对图像多尺度变换后系数的非高斯性(Non-Gaussian)、聚集性(Clustering)、持续性(Persistence)等统计相关性进行准确的描述。基于上下文的隐马尔可夫模型(Contextual HMM)，采用上下文(Context)结构来捕获分解系数在尺度间、方向间和尺度内(空间邻域内)的依赖关系，在Contourlet域，本发明根据系数的父节点、两个最近表兄弟节点及当前节点的邻域熵值设计一种新的上下文构造方案，并利用Contourlet多尺度和高度的方向敏感性有效表征图像本身所固有的几何特征，更灵活地刻画Contourlet分解系数在尺度间的持续性、尺度内的多方向选择性和空间邻域内的能量聚集特性，因而更有利于图像的去噪处理。

本发明基于CS-CT-CHMM的去噪方法能够较好地协调消除噪声和保留图像边缘之间的矛盾，该方法通过保留包含图像主要信息的低频系数，建立基于上下文隐马尔科夫统计模型来修正包含噪声干扰和表征图像边缘纹理等细节信息的高频系数以达到降噪的目的，在降噪同时可以有效地保护图像细节，获得更高的PSNR值；但由于Contourlet变换方向滤波器组中降采样和上采样的存在使其缺乏平移不变性，在图像奇异点附近会产生伪吉布斯现象，引入循环平移(Cycle Spinning)技术可以有效克服这一影响，改善图像的整体视觉效果。