小波域图像去噪
基本模型
考虑加性噪声模型
y = x + n y=x+n 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 Y=X+N 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 X ^ \hat{X} X^,即
X ^ = a r g max X P ( X ∣ Y ) \hat{X} = arg \max\limits_X{P(X|Y)} X^=argXmaxP(X∣Y)
采用贝叶斯模型,即
P ( X ∣ Y ) = P ( Y ∣ X ) P ( X ) P ( Y ) P(X|Y)=\frac{P(Y|X)P(X)}{P(Y)} P(X∣Y)=P(Y)P(Y∣X)P(X)
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^=argXmaxP(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 ) P(Y|X)=P((X+N)|X)=P(X|X)+P(N|X)=1+P(N) 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^=argXmaxP(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{
−2σn2ni,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{
−2σN2n