邻域窗能量平均的Contourlet变换自适应阈值去噪算法

计算机应用 ›› 2012, Vol. 32 ›› Issue (05): 1286-1288.

邻域窗能量平均的Contourlet变换自适应阈值去噪算法

何雅丽¹,杨恢先¹,李利²,冷爱莲³,祝贵¹

1. 湘潭大学材料与光电物理学院，湖南湘潭 411105
2. 湘潭大学信息工程学院，湖南湘潭 411105
3. 湘潭大学能源工程学院，湖南湘潭 411105

收稿日期:2011-11-09 修回日期:2012-01-10 发布日期:2012-05-01 出版日期:2012-05-01
通讯作者: 何雅丽
作者简介:何雅丽(1987-),女,湖南衡阳人,硕士研究生,主要研究方向：图像处理、数字信号处理；杨恢先(1963-),男,湖南益阳人,教授,主要研究方向：图像处理、人工智能；李利(1986-),女,湖南长沙人,硕士研究生,主要研究方向：图像处理、数字信号处理；冷爱莲(1969-),女,湖南益阳人,讲师,主要研究方向：数字信号处理、智能控制；祝贵(1986-),男,四川西昌人,硕士研究生,主要研究方向：图形图像处理。
基金资助:
湖南省教育厅科研项目（10C1263）;湘潭大学科研项目（11QDZ11）

Adaptive threshold denoising algorithm with neighboring window average energy based on Contourlet transform

HE Ya-li¹,YANG Hui-xian¹,LI Li²,LENG Ai-lian³,ZHU Gui¹

1. Faculty of Material, Photoelectronics and Physics, Xiangtan University, Xiangtan Hunan 411105, China
2. College of Information Engineering, Xiangtan University, Xiangtan Hunan 411105, China
3. Energy Engineering College, Xiangtan University, Xiangtan Hunan 411105, China

Received:2011-11-09 Revised:2012-01-10 Online:2012-05-01 Published:2012-05-01
Contact: HE Ya-li

摘要/Abstract

摘要： 针对Contourlet多尺度阈值去噪算法中阈值的选取忽略了方向信息影响的问题，提出一种基于邻域窗能量平均的自适应阈值去噪算法。根据Contourlet系数能量分布特点，将系数划分到三个不同的区域，对三个区域的阈值采用不同的因子进行调整，从而得到更好的去噪效果。实验结果表明，与小波阈值去噪、Contourlet阈值去噪以及Contourlet多尺度阈值去噪相比，该算法在峰值信噪比以及视觉效果上都有明显的提高，且能够有效地保留图像边缘细节信息。

关键词: 图像去噪, Contourlet变换, 小波变换, 能量平均, 自适应阈值

Abstract: Concerning the defects of multi-scale threshold on directional information using Contourlet transform,a new adaptive threshold denoising algorithm was proposed, which was based on average energy of neighboring window. According to the distribution of the coefficients energy, the Contourlet coefficients were divided up into three areas. The noise could be reduced obviously by adjusting the threshold of these areas with different variables. In contrast with the wavelet threshold, Contourlet threshold and multi-scale threshold using Contourlet transform, the experimental results demonstrate that the new algorithm has superiority in Peak Signal-to-Noise Ratio (PSNR) and visual effect, which can maintain effectively the edges of the image.

Key words: image denoising, Contourlet transform, wavelet transform, average energy, adaptive threshold

中图分类号:

TP391.41

何雅丽杨恢先李利冷爱莲祝贵. 邻域窗能量平均的Contourlet变换自适应阈值去噪算法[J]. 计算机应用, 2012, 32(05): 1286-1288.

HE Ya-li YANG Hui-xian LI Li LENG Ai-lian ZHU Gui. Adaptive threshold denoising algorithm with neighboring window average energy based on Contourlet transform[J]. Journal of Computer Applications, 2012, 32(05): 1286-1288.

参考文献

［1］王绪四，杨恢先，谢鹏鹤，等.基于二阶导数算子与小波变换的图像去噪［J］.计算机工程，2011，37(12)：187-189.

［2］桑恩方，沈郑燕，卞红雨，等.形态小波域声纳图像去噪算法［J］.数据采集与处理，2010，25(3)：324-329.

［3］杨恢先，王绪四，谢鹏鹤，等.改进阈值与尺度间相关的小波红外图像去噪［J］.自动化学报，2011，37(10)：1165-1174.

［4］戴维，于盛林，孙栓，等.基于Contourlet变换自适应阈值的图像去噪算法［J］.电子学报，2007，35(10)：1939-1943.

［5］PENNEC E L, MALLAT S. Sparse geometric image representation with bandelets［J］. IEEE Transactions on lmage Processing, 2005, 14(4): 423-438.

［6］STARCK L J, CANDES E J, DONOHO D L. The curvelet transform for image denoising［J］. IEEE Transactions on Image Processing, 2002, 11(6): 670-684.

［7］DO M N, VETTERLI M. The finite ridgelet transform for image representation［J］. IEEE Transactions on Image Processing, 2003, 12(1): 16-28.

［8］DO M N, VETTERLI M. The contourlet transform: An efficient directional multiresolution image representation［J］. IEEE Transactions on Image Processing, 2005, 14(12): 2091-2106.

［9］方辉，郑春燕，尹忠科，等.一种改进Contourlet变换的图像去噪算法［J］.计算机工程与应用，2010，46(17)：197-199.

［10］BURT P J, ADELSON E H. The Laplacian pyramid as a compact image code［J］. IEEE Transactions on Communications, 1983, 31(4): 532-540.

［11］DONOHO D L. De-noising by soft-thresholding［J］. IEEE Transactions on Information Theory, 1995, 41(3): 613-627.

［12］杨帆，赵瑞珍，胡绍海，等.基于Contourlet系数相关特性的自适应图像去噪算法［J］.光学学报，2009，29(2)：357-361.

[1]	闫钧华, 侯平, 张寅, 吕向阳, 马越, 王高飞. 基于双通道卷积神经网络的图像单失真类型判定方法[J]. 计算机应用, 2021, 41(6): 1761-1766.
[2]	王思鹏, 杜昌平, 叶志贤, 宋广华, 郑耀. 基于多步神经网络观测器的扑翼飞行器缓变故障检测[J]. 计算机应用, 2020, 40(8): 2449-2454.
[3]	张皓然, 王学渊, 李小霞. 基于自适应阈值活动语音检测和最小均方误差对数谱幅度估计的低信噪比降噪算法[J]. 计算机应用, 2020, 40(6): 1763-1768.
[4]	王忠锋, 徐志远, 宋纯贺, 张宏宇, 蔡颖凯. 基于梯度的深度网络剪枝算法[J]. 计算机应用, 2020, 40(5): 1253-1259.
[5]	王治忠, 李泓毅, 韩闯. 基于香农能量与自适应阈值的心电QRS复合波检测算法[J]. 计算机应用, 2020, 40(1): 304-310.
[6]	颜普, 苏亮亮, 邵慧, 吴东升. 基于多支持区域局部亮度序的图像伪造检测[J]. 计算机应用, 2019, 39(9): 2707-2711.
[7]	丁莲静, 刘光帅, 李旭瑞, 陈晓文. 加权信息熵与增强局部二值模式结合的人脸识别[J]. 计算机应用, 2019, 39(8): 2210-2216.
[8]	邱甲军, 吴跃, 惠孛, 刘彦伯. 基于小波变换的分数阶微分算法在肝脏肿瘤CT图像纹理增强中的应用[J]. 计算机应用, 2019, 39(4): 1196-1200.
[9]	石昌友, 王美丽, 刘欣然, 黄慧丽, 周德强, 邓干然. 基于机器视觉的不同类型甘蔗茎节识别[J]. 计算机应用, 2019, 39(4): 1208-1213.
[10]	陶永鹏, 景雨, 顼聪. 基于分组字典与变分模型的图像去噪算法[J]. 计算机应用, 2019, 39(2): 551-555.
[11]	张雯雯, 韩裕生. 基于非局部自相似性的低秩稀疏图像去噪[J]. 计算机应用, 2018, 38(9): 2696-2700.
[12]	陈善学, 漆若兰, 唐义嫄. 基于多变换域的彩色图像多功能水印算法[J]. 计算机应用, 2018, 38(8): 2274-2279.
[13]	李新春, 曹志强, 林森, 张春华. 掌纹掌脉图像超小波域融合识别算法[J]. 计算机应用, 2018, 38(8): 2205-2210.
[14]	邹佳彬, 孙伟. 基于提升静态小波变换与联合结构组稀疏表示的多聚焦图像融合[J]. 计算机应用, 2018, 38(3): 859-865.
[15]	高净植, 刘祎, 白旭, 张权, 桂志国. 平稳小波域深度残差CNN用于低剂量CT图像估计[J]. 计算机应用, 2018, 38(12): 3584-3590.