Wavelet image de-noising method based on noise standard deviation estimation

基于噪声标准偏差估计的小波图像去噪方法
摘要
小波阈值降噪方法是图像降噪的重要方法。 本文介绍了图像噪声的标准偏差估计，并给出了校正方法。 在校正的基础上，提出了一种基于小波收缩阈值的图像去噪方法。 讨论了小波图像去噪的原理。 图像噪声的标准偏差由两个Laplace模板之间的差异估算。 针对小波域中有用信号和噪声的不同行为，设计了图像去噪方法。 从仿真图像和温度场图像的去噪结果可以看出，该方法可以很好地估计噪声标准偏差，提高峰值信噪比和视觉质量，并去除图像中的噪声。 有效。 并且表明该方法也比其他传统方法更好。
关键词：噪声标准偏差 小波变换 阈值过程； 图像去噪
1.简介
图像降噪是图像处理的重要组成部分，它强烈影响随后的更高级别的处理，因此极其有必要从图像中去除噪声。 保留图像细节并尽可能消除随机噪声是图像去噪的目标。 根据实际图像和噪声的特征，提出了各种图像去噪方法。 由于小波变换具有熵值低，分辨率高，解相关性强，选择小波主函数的灵活性等优点，已经成为目前图像去噪的主要方法。
小波变换为信号和图像提供了多分辨率表达。 它同时产生信号和图像的时域（空间域）和频域信息。 因此，在小波变换域中进行的噪声平滑在空间和频域均具有双重选择性。 另一方面，理论和实验证明，噪声的小波变换条件与图像信号的奇异条件之间存在明显不同的特性，这是分离信号和噪声的主要规律。 基于小波变换的去噪算法通常包括以下三个步骤：
（i）进行信号的小波变换
（ii）使用标准空间中信号和噪声的不同条件，将信号切为小波变换系数，并从信号中去除噪声
（iii）用算法重建信号
小波去噪方法通常可以分为三种：小波收缩方法，小波投影方法和小波相关方法。目前，小波收缩法是一种广泛的方法，包括小波阈值收缩法和小波比例收缩法。前一种主要基于以下事实：小波系数通常是有用信号，而较小的系数通常是噪声[1]。因此，应选择适当的阈值。首先，将小于阈值的系数设置为零，并保留大于阈值的系数。然后，可以在阈值函数映射之后获得估计的系数。最后，通过对估计系数进行逆变换，可以实现图像的去噪和重构。 Donoho等人已经证明该方法具有最大的统计特性[2]。通过利用噪声的统计特性，许多提出的小波阈值收缩方法可以实现阈值降噪[3]。但是在许多实际应用中，噪声的确定特性是未知的。基于噪声标准偏差估计，提出了一种小波阈值收缩方法，对实际图像进行去噪处理。

2.基于噪声标准差估计的小波图像去噪方法

2.1.小波图像去噪原理
观察图像信号可以表示为

其中，f（x，y）是观察图像信号，s（x，y）是目标信号，n（x，y）是高斯噪声，并且服从独立且相同的分布N（0，σ2），σ 是噪声n（x，y）的标准偏差。

让我们假设二维离散小波变换的缩放函数为Φ（x，y），其对应的小波函数为Ψ1（x，y），Ψ2（x，y）和Ψ3（x，y）， 其中f（x，y）∈L2（R2）。 图像信号f（x，y）在2-j分辨率下的小波变换为[4]：

在（2）中，Ad2j是f（x，y）的低频分量，它表示图像的轮廓。 在（3）〜（5）中，D12j，D22j和D32j分别表示f（x，y）的水平分量，垂直分量和对角高频分量，它们代表图像的细节信息。 噪声主要在于这些细节系数。 因此，小波去噪处理主要是对细节系数进行处理，然后经过小波逆变换后可以估计出s（x，y）。
使用小波阈值收缩方法来处理高频分量，应选择阈值和阈值函数。 假设小波变换系数为ω，阈值为T，并且通用软阈值[5]处理为

其中T与σ有关。 选择阈值的常用方法如下：全局阈值T为σ2lnN，其中N为信号长度； 部分阈值T为σ2ln（N）/ ln（j +1），其中，j为分解等级数。 但是在实际应用中，σ通常是未知的。 为了实现图像降噪，应估计σ。

2.2。 噪声标准偏差估计
目前，有很多方法可以估算噪声标准偏差。 一种方法是使用拉普拉斯模板，图像的其余部分是噪声[6]。 讨论了这种估计方法的原理，然后给出了校正方法。 式（7）是图像信号的拉普拉斯算子，其离散形式与式（8）相同。

使用（8），可以得到两个拉普拉斯模板的近似值，如下所示：

通过使用上述两个模板之间的差异来抑制图像，可以估计噪声。 噪声估计模板M表示为

从（9）可以看出，M的平均值为零。 让我们假设每个图像元素的标准偏差为σn，M的方差为36σn。 由于部分邻域中图像元素的强烈相关性，在f（x，y）受M影响后，可以获得噪声方差估计。

其中，k和l分别表示f（x，y）的行号和行号，∗表示时域卷积。 如果n（x，y）服从独立且相同的分布N（0，σ2），则可以按以下方式获得σ的简化计算：

因为在计算过程中简化了（11），所以在许多情况下σ的估计值都不准确。 因此，必须对（11）进行校正，其校正结果如下：

其中，η是校正项，可以通过经验来实现。
因为在实际应用中，噪声通常服从高斯分布或近似服从高斯分布，所以使用（12）估算噪声非常有价值。
2.3。 算法设计
在充分分析有用信号和小波变换域噪声的不同条件特征之后，采用上述小波去噪理论和校正后的噪声估计方法对噪声进行平滑处理。 本文提出了一种基于噪声标准偏差估计的图像去噪方法，实现步骤如下：