小波域图像降噪

小波域图像去噪

基本模型

考虑加性噪声模型
$$y=x+n$$
其中， y为观测图像， x 为真实图像，n为噪声

等号两边进行小波变换，因为小波变换的叠加性可得
$$Y=X+N$$
其中 Y 为 y 的小波变换，X 为 x 的小波变换， N 为 n 的小波变换

从统计学的角度来讲，我们要得到真是图像 X 的最有估计 $\hat{X}$，即
$$\hat{X}=arg\underset{X}{\max }P(X|Y)$$
采用贝叶斯模型，即
$$P(X|Y)=\frac{P(Y|X)P(X)}{P(Y)}$$
则
X ^ = a r g max ⁡ X P ( Y ∣ X ) P ( X ) P ( Y ) = a r g min ⁡ X { − log ⁡ P ( Y ∣ X ) − log ⁡ P ( X ) } \hat{X} = arg \max\limits_X{\frac{P(Y|X)P(X)}{P(Y)}}=arg \min\limits_X \{ -\log P(Y|X)-\log P(X) \} X^=argXmax​P(Y)P(Y∣X)P(X)​=argXmin​{ −logP(Y∣X)−logP(X)}
而
$$P(Y|X)=P((X+N)|X)=P(X|X)+P(N|X)=1+P(N)$$
因此
(1) X ^ = a r g max ⁡ X P ( Y ∣ X ) P ( X ) P ( Y ) = a r g min ⁡ X { − log ⁡ P ( N ) − log ⁡ P ( X ) } \hat{X} = arg \max\limits_X{\frac{P(Y|X)P(X)}{P(Y)}}=arg \min\limits_X \{ -\log P(N)-\log P(X) \} \tag{1} X^=argXmax​P(Y)P(Y∣X)P(X)​=argXmin​{ −logP(N)−logP(X)}(1)
首先考虑（1）式的第一项

假设噪声 n 服从零均值高斯白噪声，即
P ( n i j ) ∝ e x p { − n i , j 2 2 σ n 2 } P(n_{ij})\propto exp \{ -\frac{n_{i,j}^2}{2 \sigma_n^2} \} P(nij​)∝exp{ −2σn2​ni,j2​​}
对于正交小波变换，白噪声在小波变换前后性质不变，方差不变，即
(2) P ( N i , j ) ∝ e x p { − n i , j 2 2 σ N 2 } = e x p { − ( Y i , j − X i , j ) 2 2 σ N 2 } P(N_{i,j})\propto exp \{ -\frac{n_{i,j}^2}{2 \sigma_N^2} \}= exp \{ -\frac{(Y_{i,j}-X_{i,j})^2}{2 \sigma_N^2} \} \tag{2} P(Ni,j​)∝exp{ −2σN2​n