Shearlet变换作为后小波时代的一个重要的多尺度几何分析工具具有良好的各向异性和方向捕捉性,同时它也可以对诸如图像等多维信号进行一种近最优的稀疏表示.非下采样Shearlet变换(NSST)在保持Shearlet变换特性的同时还具有平移不变特性...Shearlet变换作为后小波时代的一个重要的多尺度几何分析工具具有良好的各向异性和方向捕捉性,同时它也可以对诸如图像等多维信号进行一种近最优的稀疏表示.非下采样Shearlet变换(NSST)在保持Shearlet变换特性的同时还具有平移不变特性,这在具有丰富纹理和细节信息的图像处理中发挥着重要作用.该文首先对图像NSST方向子带内系数的概率密度分布进行分析,获得系数的稀疏统计特性和Cauchy分布拟合子带内系数的有效性;其次对NSST方向子带间系数的联合概率分布进行分析,获得方向子带系数间所具有的持续和传递特性,确定了一种NSST子带间树形架构的系数对应关系,进而提出一种NSST域隐马尔可夫模树模型(C-NSSTHMT),该模型通过Cauchy分布来拟合NSST系数,更好地揭示图像NSST变换后相同尺度子带内和不同尺度子带间系数的相关性.进一步提出一种基于所提出C-NSST-HMT模型的图像去噪算法,该算法对于含噪声方差为30和40的噪声图像,其去噪后的PSNR(Peak Signal to Noise Ratio)较NSCT-HMT方法分别提高了1.995dB和1.193dB.特别对纹理和细节丰富的图像,该算法在去噪的同时,有效地保留了图像的几何信息.展开更多
文摘Shearlet变换作为后小波时代的一个重要的多尺度几何分析工具具有良好的各向异性和方向捕捉性,同时它也可以对诸如图像等多维信号进行一种近最优的稀疏表示.非下采样Shearlet变换(NSST)在保持Shearlet变换特性的同时还具有平移不变特性,这在具有丰富纹理和细节信息的图像处理中发挥着重要作用.该文首先对图像NSST方向子带内系数的概率密度分布进行分析,获得系数的稀疏统计特性和Cauchy分布拟合子带内系数的有效性;其次对NSST方向子带间系数的联合概率分布进行分析,获得方向子带系数间所具有的持续和传递特性,确定了一种NSST子带间树形架构的系数对应关系,进而提出一种NSST域隐马尔可夫模树模型(C-NSSTHMT),该模型通过Cauchy分布来拟合NSST系数,更好地揭示图像NSST变换后相同尺度子带内和不同尺度子带间系数的相关性.进一步提出一种基于所提出C-NSST-HMT模型的图像去噪算法,该算法对于含噪声方差为30和40的噪声图像,其去噪后的PSNR(Peak Signal to Noise Ratio)较NSCT-HMT方法分别提高了1.995dB和1.193dB.特别对纹理和细节丰富的图像,该算法在去噪的同时,有效地保留了图像的几何信息.
