论文主要研究了基于多尺度的非采样Contourlet变换（NonSubsampled Contourlet Transform，简称NSCT）与小波变换（Wavelet Transform）相结合的图像去噪方法。小波变换具有各向同性，能很好刻画图像中点的奇异性，NSCT具有各向异性且多方向性的优点，对图像具有最优的表示能力，能很好刻画图像中直线与曲线的奇异性。论文研究的目的是发挥NSCT和小波变换各自的优点，开发出去噪效果优良，不仅具有较高信噪比、还可以很好保留图像边缘纹理信息的去噪方法。论文的主要研究内容如下： ① 简单介绍了多尺度几何分析理论的发展，及多尺度分解与小波变换在图像去噪中的应用，并详细介绍了小波变换、Contourlet变换、NSCT变换的一般原理。 ② 根据含噪图像噪声方差的特点，得到了含噪图像的平滑区域与纹理区域的分割方法。结合各种变换图像去噪方法的优点，提出了几种基于图像区域分割的图像去噪方法：基于区域分割的小波去噪方法、基于区域分割的Wavelet与Contourlet变换相结合的图像去噪方法、基于区域分割的具有平移不变性Wavelet与NonSubsample-Contourlet变换相结合的图像去噪方法。 ③ 介绍了高斯尺度混合模型（Gaussian Scale Mixture，GSM模型），基于小波变换的GSM模型去噪具有很好的去噪效果。利用高斯尺度混合模型来描述NSCT系数的特性，并用贝叶斯最小二乘估计来估计待恢复图像的NSCT系数，实验表明该方法去噪时能更好保留图像纹理信息和获得更高峰值信噪比。 为验证本文方法的有效性和优越性，对不同图像进行了去噪实验。实验结果表明，本文提出的方法不论是视觉效果上还是客观评价指标上都优于单独的基于小波变换、具有平移不变性的小波变换、Contourlet变换、非采样Contourlet变换等去噪方法。基于NSCT的GSM模型去噪方法优于基于小波变换的GSM模型去噪方法。
展开▼
