[發明專利]基于多尺度的卡爾曼濾波圖像去噪方法

有效

• 申請號: 201310535630.4
• 申請日: 2013-10-31
• 公開（公告）號: CN103530857A
• 公開（公告）日: 2014-01-22
• 發明（設計）人: 王好謙;楊江峰;王興政;戴瓊海
• 申請（專利權）人: 清華大學深圳研究生院
• 主分類號: G06T5/00
• 分類號: G06T5/00
• 代理公司: 深圳新創友知識產權代理有限公司 44223
• 代理人: 江耀純

【技術領域】

本發明涉及圖像處理領域，具體涉及一種基于多尺度的卡爾曼濾波圖像去噪方法。

【背景技術】

數字圖像在采集，轉換以及傳輸的過程中會受到噪聲的污染。圖像恢復（復原）是計算機圖像處理的主要內容之一，其目的在于消除或減輕在圖像獲取及傳輸過程中造成的圖像品質下降即退化現象，恢復圖像的本來面目。

傳統的去噪方法大致可以分為兩類，一類是基于空域的方法，一類是基于變換域的方法。空域去噪方法中比較經典的方法有高斯濾波，中值濾波，雙邊濾波等。空域的方法都是直接對圖像的灰度進行處理。變換域的方法都是將圖像進行轉換，如傅立葉變換，小波變換，曲波變換，輪廓波變換等。

小波變換是變換域中比較典型的去噪算法，主要是對變換后的系數直接進行閾值處理。但這種處理往往沒有考慮不同尺度之間系數的相關性，可以利用這種相關性，提高卡爾曼預測效果。

卡爾曼濾波是一個最優化自回歸數據處理算法，最突出的優點是可以快速實時處理問題。它廣泛應用于機器人導航、控制、傳感器數據融合甚至軍事方面的雷達系統以及導彈追蹤等等。近年來更被應用于計算機圖像處理如圖像去噪、圖像復原、人臉識別、圖像分割、圖像邊緣檢測等等。傳統的kalman濾波用于圖像處理時，往往只是對一副圖像單一尺度進行處理，雖然利用了圖像之間的相關性進行預測和更新，但是其預測和更新比較復雜，效果也并不理想。

【發明內容】

現有卡爾曼濾波對圖像的處理，并沒有更多地考慮圖像中低頻和高頻之間的相關關系。且kalman濾波對初始估計依賴性很強，好的初值更能獲得好的預測效果，否則預測效果不佳。

為了克服現有技術的不足，本發明提供了一種基于多尺度的卡爾曼濾波圖像去噪方法，以達到在不增加計算復雜度的基礎上，獲得更好的去噪效果。

一種基于多尺度的卡爾曼濾波圖像去噪方法，包括如下步驟：

小波分解步驟，對圖像進行小波變換，所述圖像被分解為多個層，每個層包括四個部分：LL部分、HL部分、LH部分和HH部分，其中，LL部分屬于低頻部分，HL部分、LH部分和HH部分屬于高頻部分；

計算預測步驟，用上一層的HL部分、LH部分和HH部分的最終估計小波子系數分別更新下一層的HL部分、LH部分和HH部分的初始估計小波子系數，對于上下兩層相應的部分：

其中，表示第i+1層第k個部分第j個最終估計小波子系數，是估計系數，表示第i層第k個部分的初始估計小波子系數，其中，k的三個不同取值分別對應HL部分、LH部分和HH部分；

逆變換步驟，利用更新小波子系數后的多個層進行小波逆變換，得到去噪后的圖像。

優選地，在計算預測步驟之前，對最上層的HL部分、LH部分和HH部分的小波子系數V_ik進行如下修正：

其中，V′_ik是指修正后最上層的第i層第k個高頻部分的小波子系數，V_ik是指第i層第k個高頻部分的小波子系數，是指第i層第k個高頻部分的萎縮閾值，是指第i層第k個高頻部分的噪聲方差，δ_x是指高頻部分的標準差，

優選地，在計算預測步驟中，在進行處理后，進行如下處理：