Contourlet变换在去噪方面的研究

论文摘要

图像去噪在图像处理中是一个经典问题,最理想的去噪结果是去除噪声后能很好的保留图像的边缘部分和细节信息,得到一幅接近自然图像的新图像。由于小波变换在去噪方面存在局限性,于是出现了一种改进后的超小波变换—Contourlet变换。它跟小波变换比,更能详细的描述图像的细节部分和边缘部分。Contourlet变换的本质是通过对含有奇异线和面的图像一种稀疏的表示。之所以将Contourlet变换称为超小波变换,是因为它从根本上继承了小波变换时频分析的多分辨率特征,而且还拥有较好的各向异性特征。图像处理中,为了更好的对图像进行分析和识别,一般都会对图像进行预处理,以便能更好的减少噪声对后面图像处理的影响,给工作带来更大的便利。Contourlet变换由拉普拉斯金字塔的分解和方向滤波器组两部分构成,拉普拉斯金字塔将图像分解为低通图像和差异图像,方向滤波器将高频图像分解为多方向的子带图像组。拉普拉斯金字塔的分解具有方向性,而方向滤波器组能对高频部分进行很好的分解,对低频部分却不行,所以将二者结合起来使用可以突出各自的优点,同时可以弥补对方的缺点。本文对Contourlet分解和重构进行了系统的研究和分析,同时也剖析了Contourlet变换和小波变换在去噪方面的优劣,阐述了Contourlet阈值去噪和循环平移去噪,同时在循环平移的阈值去噪和尺度去噪基础上提出了改进后的尺度Contourlet去噪,并在此基础上对该算法进行了展望。

论文目录

• 摘要
• Abstract
• 第一章 绪论
• 1.1 研究背景及意义
• 1.2 国内外研究现状
• 1.3 本文主要工作
• 第二章 图像噪声特性的分析
• 2.1 图像噪声的概述
• 2.2 传统图像去噪的方法
• 2.2.1 均值滤波
• 2.2.2 中值滤波
• 2.2.3 理想低通滤波器
• 2.2.4 三种滤波器的对比
• 2.3 本文小节
• 第三章 Contourlet理论分析
• 3.1 小波变换到Contourlet变换
• 3.1.1 小波变换定义
• 3.1.2 小波变换的重构和分解
• 3.1.3 Contourlet变换理论
• 3.2 拉普拉斯金字塔的建立
• 3.3 多方向滤波器组
• 3.4 Contourlet分解和重构
• 3.4.1 Contourlet分解
• 3.4.2 Contourlet变换的重构
• 3.5 小波变换重构和分解的实现
• 3.6 本章小节
• 第四章 Contourlet图像去噪
• 4.1 Contourlet闽值去噪
• 4.2 循环平移去噪
• 4.3 Contourlet变换尺度间相关的图像去噪
• 4.4 改进Contoulet尺度和循环阈值结合去噪
• 4.5 小波的去噪
• 4.5.1 小波系数阈值去噪
• 4.5.2 SSNF方法
• 4.6 滤波器的选择对去噪的效果
• 4.7 本章小结
• 第五章 系统软件流程
• 5.1 Contourlet分解的子程序
• 5.2 Contourlet重构的子程序
• 5.3 仿真结果
• 5.4 本章总结
• 第六章 总结
• 6.1 本文的工作总结
• 6.2 研究工作的展望
• 参考文献
• 附录：攻读硕士学位期间发表的论文
• 致谢