圖像去噪算法的優(yōu)點(diǎn)和缺點(diǎn)

圖像降噪算法總結(jié)

分析各種算法的優(yōu)點(diǎn)和缺點(diǎn)

1、BM3D 降噪

2、DCT 降噪

3、PCA 降噪

4、K-SVD 降噪

5、非局部均值降噪

6、WNNM 降噪

7、基于主成分分析和雙邊濾波的圖像降噪算法

8、小波變換

9、小波閾值降噪

10、Contourlet 變換

11、基于平移不變 Contourlet 變換的 SAR 圖像降噪**

1、BM3D 降噪

BM3D 是一種降噪方法提高了圖像在變換域的稀疏表示。BM3D 降噪方法的優(yōu)點(diǎn)是更好的保留圖像中的一些細(xì)節(jié)，BM3D采用了不同的去噪策略。通過(guò)搜索相似塊并在變換域進(jìn)行濾波，得到塊評(píng)估值，最后對(duì)圖像中每個(gè)點(diǎn)進(jìn)行加權(quán)得到最終去噪效果。?

原理：首先將一幅圖像分割成尺寸較小的小像素片，選定參考片后，尋找與參考片相似的小片組成 3D 塊。此過(guò)程過(guò)后將得到 3D 塊。然后將所有相似塊進(jìn)行 3D 變換。將變換后的 3D 塊進(jìn)行閾值收縮，這也是除去噪聲的過(guò)程。然后進(jìn)行 3D 逆變換。最后將所有的 3D 塊通過(guò)加權(quán)平均后還原到圖像中。

BM3D算法的大致流程：

第1步。?初始估計(jì)

（1）逐塊估計(jì)。對(duì)含噪圖像中的每一塊?

（i）分組。找到它的相似塊然后把它們聚集到一個(gè)三維數(shù)組。?

（ii）聯(lián)合硬閾值。對(duì)形成的三維數(shù)組進(jìn)行三維變換，通過(guò)對(duì)變換域的系數(shù)進(jìn)行硬閾值處理減弱噪聲，然后逆變換得到組中所有圖像塊的估計(jì)值，然后把這些估計(jì)值返回到他們的原始位置。

（2）聚集。對(duì)得到的有重疊的塊估計(jì)，通過(guò)對(duì)他們進(jìn)行加權(quán)平均得到真實(shí)圖像的基礎(chǔ)估計(jì)。?

第2步。?最終估計(jì)?

（1）逐塊估計(jì)。對(duì)基礎(chǔ)估計(jì)圖像中的每一塊?

（i）分組。通過(guò)塊匹配找到與它相似的相似塊在基礎(chǔ)估計(jì)圖像中的位置，通過(guò)這些位置得到兩個(gè)三維數(shù)組，一個(gè)是從含噪圖像中得到的，一個(gè)是從基礎(chǔ)估計(jì)圖像中得到的。?

（ii）聯(lián)合維納濾波。對(duì)形成的兩個(gè)三維數(shù)組均進(jìn)行三維變換，以基礎(chǔ)估計(jì)圖像中的能量譜作為能量譜對(duì)含噪三維數(shù)組進(jìn)行維納濾波，然后逆變換得到組中所有圖像塊的估計(jì)，然后把這些估計(jì)值返回到他們的原始位置。

（2）聚集。對(duì)得到的有重疊的局部塊估計(jì)，通過(guò)對(duì)他們進(jìn)行加權(quán)平均得到真實(shí)圖像的最終估計(jì)。

2、DCT 降噪

DCT 變換是正交變換。這個(gè)方法是對(duì)滑動(dòng)的窗口內(nèi)的圖像做 DCT 變換，在局部變換域做系數(shù)收縮。由滑動(dòng)窗口產(chǎn)的重疊部分滿足圖像的過(guò)完備表示。如果采用的變換不能將普通圖像的細(xì)節(jié)過(guò)完備表示，那么這種變換的過(guò)完備性就不能抵消無(wú)效的收縮。因此只使用二維變換獲得稀疏表示只適于特定的圖像模式。

B-DCT圖像降噪方法一般是處理逐像素滑動(dòng)的窗口得到的像素矩陣，對(duì)矩陣做二維DCT變換，（這以過(guò)程可以看作是在矩陣左右兩側(cè)同時(shí)乘正交矩陣，左乘的矩陣相當(dāng)于對(duì)像素矩陣做列DCT變換，右乘的正交矩陣相當(dāng)于對(duì)像素矩陣做行DCT變換）在變換域中對(duì)系數(shù)進(jìn)行硬閾值收縮，然后對(duì)收縮后的矩陣做二維DCT逆變換。與B-DCT變換不同的是 SA-DCT變換可以對(duì)任意形狀的像素片做DCT變換，它的方法是分別對(duì)每行和每列做一維DCT變換做完后進(jìn)行系數(shù)收縮，然后再相應(yīng)一維 DCT 變換的順序做逆變換。

形狀自適應(yīng)變換域系數(shù)收縮降噪方法面臨兩點(diǎn)問(wèn)題：

1、變換能否適應(yīng)像素片形狀，

2、像素片形狀是否適應(yīng)圖像的紋理特點(diǎn)。PSA-DCT 方法針對(duì)第二點(diǎn)采用 LPA-ICI 方法獲得與圖像紋理特點(diǎn)對(duì)應(yīng)的像素小片。

實(shí)驗(yàn)雖然獲得了較好的降噪效果，但是 DCT 變換降噪這種方法本質(zhì)上的問(wèn)題：

1、由于是逐像素滑動(dòng)變換動(dòng)窗口帶來(lái)的數(shù)據(jù)存儲(chǔ)和 DCT 變換計(jì)算量較大。

2、還有DCT變換基底并沒(méi)有將自然圖像信息與噪聲做出良好的分割導(dǎo)致了這類方法的局限性。

3、PCA 降噪

PCA應(yīng)用于圖像降噪的方法的提出克服了標(biāo)準(zhǔn)正交變換帶來(lái)的缺點(diǎn)，這種方法對(duì)于高結(jié)構(gòu)性的圖像細(xì)節(jié)都有很好的結(jié)果。但是由于噪聲的存在勢(shì)必影響主成分分析的準(zhǔn)確性。

4、K-SVD 降噪

K-SVD降噪方法解決了固定變換矩陣基底不能自適應(yīng)圖像紋理信息的缺點(diǎn)，，這種算法的缺點(diǎn)是更新字典的計(jì)算量較大。

5、非局部均值降噪

早期的降噪方法一般為局部平滑濾波方法，例如，高斯濾波降噪，局部均值濾波降噪。這類方法很難處理圖像的非平滑部分，像添加的噪聲和圖像的紋理信息，去噪的同時(shí)不能有效保留紋理信息。非局部均值降噪方法就為解決這一問(wèn)題。

6. WNNM 降噪

設(shè)y=x+n，y是含噪聲的圖像，x是清晰圖像，n是均值為零標(biāo)準(zhǔn)差為σ_n的高斯白噪聲。y中局部小片yj，在y尋找yj的相似片，形成矩陣Yj，我們就 Yj=Xj+Nj，Xj和Nj是原圖像和噪聲形成的矩陣，Xj是一個(gè)低階矩陣，通過(guò)這個(gè)性質(zhì)可以解析下式達(dá)到降噪的目的：

這是一個(gè)WNNM問(wèn)題，可以通過(guò)收縮Yj的奇異值方法解得。首先對(duì)Yj做SVD分解，得到特征矩陣U和V還有奇異值矩陣Σ。 對(duì)每個(gè)奇異值Σij減去權(quán)值？？，

即Sw （Σ）ij=max（Σ_ii-wi，0），權(quán)值w與Xj的奇異值有關(guān)，記Xj的奇異值為：

大的奇異值為Xj的主成分，收縮的少。

小的奇異值收縮的

7、基于主成分分析和雙邊濾波的圖像降噪算法

方法主要分為兩步進(jìn)行處理。第一步首先采用局部像素塊匹配算法選出 PCA 的訓(xùn)練樣本集，然后應(yīng)用主成分分析法濾除絕大部分的高斯噪聲，第二步對(duì)系數(shù)收縮重構(gòu)圖像的殘余噪聲方差進(jìn)行估計(jì)，然后將一步去噪后的圖像輸入自適應(yīng)雙邊濾波器中，最后輸出降噪后的圖像。

8、小波變換

小波變換作為一種新的時(shí)頻分析方法，具有多尺度、多分辨率分析的特點(diǎn)，為信號(hào)處理提供了一種新的強(qiáng)有力手段。小波變換在圖像降噪領(lǐng)域的成功應(yīng)用主要得益于其具有低熵性、多分辨率特性、去相關(guān)性和選基靈活性的優(yōu)點(diǎn)。

小波降噪本質(zhì)上是一個(gè)信號(hào)的濾波問(wèn)題，實(shí)際上是特征提取和低通濾波的綜合。波降噪的處理流程是：首先對(duì)含有噪聲的信號(hào)進(jìn)行多尺度小波變換，在各尺度下盡可能提取出小波系數(shù)，最后利用逆小波變換重構(gòu)信號(hào)。

9、小波閾值降噪

信號(hào)通常是低頻或者平穩(wěn)信號(hào)的形式，而噪聲一般都是高頻信號(hào)，所以降噪的過(guò)程也就是濾除高頻信號(hào)的一個(gè)過(guò)程，小波閾值降噪就是利用的這一原理。

小波閾值降噪方法就是通過(guò)設(shè)置某種閾值，將小波系數(shù)與閾值進(jìn)行比較，將小于閾值的系數(shù)設(shè)置為 0，而對(duì)大于閾值的小波系數(shù)，通過(guò)某種閾值函數(shù)（也稱閾值規(guī)則）進(jìn)行修正得到其估計(jì)系數(shù)。閾值的確定是最為關(guān)鍵的問(wèn)題。閾值的選擇對(duì)降噪效果有著很大的影響，如果閾值太小，降噪后的信號(hào)仍然有噪聲存在，反之，閾值太大則重要的圖像特征又將被濾除，造成圖像模糊，閾值的選擇始終是在抑制噪聲和保護(hù)圖像細(xì)節(jié)之間折中。目前應(yīng)用較多的閾值方法包括針對(duì)多維正態(tài)變量聯(lián)合分布的 Visushrink 閾值方法、利用均方差準(zhǔn)則的無(wú)偏估計(jì)的 Sureshrink 閾值方法、利用貝葉斯最大后驗(yàn)概率估計(jì)理論的 Mapsbrink 閾值方法、利用鄰域信息的分塊閾值方法等。

10、Contourlet 變換

Contourlet 變換是一種多分辨率、多方向的圖像稀疏表示方法。它能夠用少量的系數(shù)有效地表示圖像中的輪廓等重要特征。它主要利用了拉普拉斯塔形分解和方向?yàn)V波器組來(lái)實(shí)現(xiàn)圖像的稀疏表示。

①改進(jìn)閾值法：改進(jìn)閾值法主要有兩種改進(jìn)方法，第一種就是對(duì)閾值的選取進(jìn)行改進(jìn)，改進(jìn)后仍然是一個(gè)硬閾值，這種方法與全局閾值法有所不同，它是根據(jù)系數(shù)及其領(lǐng)域系數(shù)的關(guān)系來(lái)計(jì)算出閾值，這種方法在一定程度上改善了降噪效果，但是該方法的閾值選取具有一定的隨機(jī)性，降噪效果不穩(wěn)定。第二種就是自適應(yīng)的閾值方法，如引入高頻能量比來(lái)不斷更新閾值，但是這種改進(jìn)的閾值方法也有一定的缺陷，因?yàn)樗皇窃谌珠撝档幕A(chǔ)上加了一個(gè)調(diào)節(jié)因子，得到的閾值時(shí)不夠準(zhǔn)確的，降噪效果不是很理想，也會(huì)損失圖像的細(xì)節(jié)信息。

②Wiener 濾波：在 Contourlet 分解的基礎(chǔ)上加入了 Wiener 濾波這一步驟，它的原理是對(duì) Contourlet 分解的高頻系數(shù)進(jìn)行橢圓窗口的 Wiener 濾波；利用自適應(yīng)窗口的 Wiener 濾波對(duì) Contourlet 分解得到的高頻子帶進(jìn)行濾波。

③建模法：據(jù)高頻系數(shù)及其鄰域系數(shù)的相關(guān)性，對(duì)這些系數(shù)進(jìn)行 HMT 建模，然后應(yīng)用到圖像中對(duì)圖像進(jìn)行降噪處理；對(duì)信號(hào)方差進(jìn)行最優(yōu)估計(jì)，然后對(duì)圖像進(jìn)行閾值去噪。此類方法的優(yōu)點(diǎn)是利用了系數(shù)間的相關(guān)性，缺點(diǎn)是并沒(méi)有充分利用系數(shù)間的相關(guān)性。

④改進(jìn) Contourlet 降噪算法由于 Contourlet 變換的下采樣操作導(dǎo)致 Contourlet沒(méi)有平移不變性，LP 濾波器組缺乏局部化能力，這使 DFB 頻譜中出現(xiàn)了頻譜混疊?？够殳B Contourlet 變換對(duì) LP 的濾波器組進(jìn)行了一些改進(jìn)，采用可分離低通濾波器以及滿足 Nyquist 抽樣定律的高通濾波器來(lái)代替 Contourlet 中的 LP 濾波器組，圖像通過(guò)高通濾波器后級(jí)聯(lián) DFB，這樣使各方向的子帶中無(wú)法出現(xiàn)由多尺度分解造成的頻譜混疊，抑制了頻譜混疊問(wèn)題。

11、基于平移不變 Contourlet 變換的 SAR 圖像降噪

Contourlet 變換會(huì)在重構(gòu)圖像中會(huì)出現(xiàn)嚴(yán)重的劃痕原因是Contourlet 變換在 LP 和 DFB 分解中采用了下采樣操作，導(dǎo)致了局部性不夠理想，不能夠平移不變 。 鑒于這個(gè)原因，本文采用了 Eslami 提出的平移不變 Contourlet變換（TICT），該變換克服了 Contourlet 不能夠平移不變的缺點(diǎn)，不僅能很好的抑制噪聲，還能達(dá)到更強(qiáng)的魯棒性。